长文本平均覆盖率 96.3，61 条短请求对战排第二
先看两组不能相减的数字。长文本基准 LongLongTextBench（LLTB）上，MOSS-Image 的六组平均覆盖率是 96.3，同表开源权重模型 Qwen Image 2512 是 64.9，高出 31.4 个百分点。短请求对战 RealLayoutArena（RLA）上，带规划的完整系统得 1698.70，排在 GPT Image 2 的 1844.35 后面。
海报、信息图和界面稿会同时卡住两件事：字要写对，元素还要落在该在的位置。闭源系统已经在做信息图、界面和知识卡。开源权重模型也能生成这些图，密集文字和复杂版式仍然容易散。画面看起来像，字不一定能读，内容不一定写全，位置也不一定说得通。
报告的署名单位包括 MOSI、SII、复旦大学和上海交通大学。MOSS-Image 把这件事拆成两块。一块是从零预训练的 5B 单流扩散 Transformer，负责按已经写明的文字和位置出图。另一块是推理时才运行的意图规划，负责把一句很短的需求补成内容和版式。两块接在一起用。规格写得很细，字和位置仍可能画错。生成器会写字。用户没写明的信息层次，要由规划这一步先定下来。
5B 只计生成器，散文和 JSON 进同一条通路
这里的 5B 只计入扩散生成器。冻结的文本编码器 Qwen3.5-9B，以及冻结的图像压缩模块 FLUX.2 VAE，都不在这 5B 里面。联合骨干有 42 个块，隐藏维度 3072，24 个注意力头，每头 128 维，前馈隐藏维度 8192。
自然语言和显式布局共用这一条文本条件通路。散文提示从这里进去，写成 JSON 的文字、物体和边界框也从这里进去。同一个生成器两边都能跟。一份 JSON 写进提示，仍不保证每个框都被正确执行。
第三训练阶段把单条样本的文本条件上限放在 4096 个 token。这个上限按套用对话模板之后的文本 token 计算，不能折成固定的字符数。最终检查点取第 310000 步的指数滑动平均权重。最终画布的像素面积上限没有公布。
提示里的显式换行，会让每一行要写的字在去噪较早阶段先定下来。以零为中心的绝对边界框坐标，在训练没见过的分辨率上，比缩放到单位区间的相对坐标更稳。
约 50 亿张图筛到约 30 亿张，字幕以英文为主
图来自 ReLAION、OmniCorpus、DataComp 以及其他公开图文数据。用 SSCD 去重，再用内部检测器去掉 AI 生成图，图像数量从大约 50 亿张降到大约 30 亿张，然后按各来源原来的比例混合。两个规模都是约数。
准备阶段在来源自己已经做过的过滤之外，不再追加一套启发式剔除。ReLAION 的成人内容和水印检查，仍然算来源阶段做过的过滤。水印、模糊人脸和压缩痕迹被写进文字监督，留在训练里。更早的一次过滤试验用的是 24 层多流模型。1,183,622,445 条记录留下 513,110,382 条，占 43.35%。同一试验里，额外过滤把 OneIG 文字分从 0.5243 降到 0.1180。正式预训练因此保留了更宽的图。那次试验的模型也不是最终的 5B。
训练字幕以英文为主，没有专门再标一套中文字幕。字幕模型 gemma4 把图写成短句、中等段落或详细描述，训练时按领域策略抽样。一部分图还会加上边界框、类别、转写文字和字体属性，换行被保留下来。
优化器是混合的 Muon–AdamW：符合条件的矩阵用 Muon，其余参数用 AdamW。1B 规模的早期消融里，去噪损失到 0.41 时，混合优化器用 257K 步，AdamW 用 385K 步，少 33.2%；到 0.403 时是 939K 步对 1317K 步，少 28.6%。这组步数来自 1B 消融，不能当成 5B 正式训练少了多少步。
短需求由 GPT-6 写成布局规格
规划模块在推理时调用 GPT-6，按海报、信息图、用户界面选择任务模块，再输出 JSON。JSON 里写明要逐字出现的文字、元素、边界框、字体和空间关系，并检查约束有没有守住、内容有没有写全、版式是否一致、文字是否放得下。参考图只参与这一步的计划，不进入扩散生成器。
这一步可以关掉。LLTB 和布局基准 7Bench 测的是关掉规划之后的骨干。MOSI 接口里的提示增强默认关闭，请求里写上 prompt_enhance 才会打开。关掉之后，生成器直接读取散文提示，或者直接读取 JSON 布局。
96.3 统计文字有没有出现，不核对顺序
LLTB 有 240 项文学文本任务，中文和英文各 120 项，各自再分短、中、长三档。完整目标平均 1339.8 个字符，中位数 1250，范围从 444 到 2863，合计 321545 个字符；去掉空白是 285792 个字符。这些字符数和覆盖率用的单位不同。覆盖率按英文词和中文字做多重集召回。
每个模型在每项任务上生成 4 张图，4 张全部计分，不挑最好的一张。组内按目标单位数加权，再对六个语言和长度组等权平均，得到 Mean-6。这个指标不检查文字顺序，也不直接惩罚多识别出来的内容。编辑距离和整句精确匹配都不在这个分数里。
Mean-6 上，MOSS-Image 是 96.3。在同表列出的开源权重模型里，这是最高的一项，比 Qwen Image 2512 的 64.9 高 31.4 个百分点。最长英文是 97.1，最长中文是 92.4。最长中文低于最长英文。
更短的 LongTextBench 上，收集到的总分挤在 96.05 到 98.85 之间，MOSS-Image 是 97.63。那套题的目标平均只有 120.3 个字符，高分挤在一起，区分度有限。那些对照分来自各家公开报告。LLTB、7Bench 和 RLA 是团队自己跑的，还没有独立实验室按同一套题重跑。
对上的框平均重合 0.88，全部目标算进去是 0.68
7Bench 看框有没有落在指定位置，测的是骨干，不走提示增强。检测目标的平均重合度 IoU 是 0.88，布局排序分 Layout AUC 是 0.70。同表的 Ideogram 4 是 0.44 和 0.20。两项的更高分都属于 MOSS-Image。IoU 为 1，表示预测框和目标框完全重合。
把没检测出来的目标也算回去之后，口径会变。576 个目标实例里，445 个有正重叠，检测率 0.7726。全目标平均重合度是 0.6788；只在有正重叠的对象上平均，是 0.8786；Layout AUC 是 0.7031。前面的 0.88 和 0.70，是 0.8786 和 0.7031 的四舍五入。0.88 没有把没对上的目标算进平均。
Ideogram 自己的报告写过大约 0.69 的 7Bench 平均重合度。团队用公开的 FP8 检查点重跑，得到全目标 0.2433、检出对象 0.4449、Layout AUC 0.2046。两边的流程不同。0.69 和这次重跑的 0.2433 不能当成同一个分数。
61 条短请求上，完整系统得 1698.70
RLA 有 61 条简短中文请求，由人工挑选的设计参考改写而来：海报 20 条，信息图 20 条，用户界面 21 条。评分者看不见模型名字，成对比较指令有没有跟上、渲染好不好、空间是否清楚。平局和两边都差各算半胜，再按 Bradley–Terry 拟合成 Elo。Elo 是这一场对战拟合出的相对强弱，分高表示更常被选中。评分者人数和评分者之间的一致性没有公布。
MOSS-Image 得 1698.70，95% 区间从 1655.96 到 1741.43，排第二。GPT Image 2 是 1844.35，Seedream 5.0 Pro 是 1661.16，带提示增强的 Qwen Image 3.0 Pro 是 1614.84，Nano Banana Pro 是 1590.19。主系统组有 11 个参与者、1420 票，任务对覆盖率 31.1%。MOSS-Image 在 457 票里 293 胜、100 平、64 负，偏好分 75.1%。75.1% 只按胜、平、负折算，Elo 还会计入对手强弱。各对手被看到的次数也不均匀。置信区间按各票相互独立来计算，没有处理同一任务或同一评分者的重复投票。
五种提示策略是另一场拟合：短请求 1081.70，详细描述 1509.21，直接扩展 1541.45，自然语言布局 1506.20，JSON 布局 1622.87。这一组有 9 个参与者、1533 票，覆盖率 38.6%。五种里 JSON 布局最高。这些分和 1698.70 来自两次拟合，不能相减。
各方改用同一份已经增强好的自然语言提示，并且不再各自加一轮提示增强时，MOSS-Image 骨干得 1807.34，区间从 1727.44 到 1887.24，高于 ERNIE Image 的 1748.51 和 SenseNova-U1 的 1689.23。这一组共 576 票，覆盖率 19.6%。MOSS-Image 在 128 票里 98 胜、18 平、12 负，偏好分 83.6%。这批提示来自较早一版布局规划，已经改写成散文。1807.34 和端到端的 1698.70 也是两次拟合。
另外还有一套 GPT-6 量规分。端到端比较里，MOSS-Image 是 94.93，GPT Image 2 是 97.72。共享增强提示下，MOSS-Image 是 87.62，SenseNova-U1 是 79.51。量规分和 Elo 的刻度不同。
Base 与 SFT 可以下载，参考图改稿做不到
家族有两个检查点，架构和采样接口相同，权重采用 Apache-2.0。MOSS-Image-Base 是基座。MOSS-Image-SFT 在 Base 上用策展数据做了微调。策展数据有多大、训了多少步，以及这两份权重是否对应第 310000 步的检查点，都没有公布。项目页的示例是边长 1024、50 步、guidance scale 3.0、无条件分支跳过第 22 层、种子 42。
项目页用同一类白板提示对比两个检查点。SFT 的文字分组更整齐，行距也更清楚。
ComfyUI 0.42.0 及以上带有现成模板。模板默认加载微调后的 SFT，使用 int8 单文件；显存够可以换成 bf16。Base 用来和 SFT 对照，也用来做 LoRA 的起点。文本编码器是 Qwen3.5-9B，图像压缩用 FLUX.2 的 VAE。文生图模板会把一句短需求扩写成完整描述。布局模板默认关掉这段扩写，画好的框会原样进入 JSON；打开扩写之后，框可能被丢掉。模型在自己的 GPU 上跑，不按张向 ComfyUI 付积分。
MOSI 平台的默认模型编号是 moss-image-base-1.0，固定快照是 moss-image-base-1.0-2026-10-09。平台标明限时免费、0 积分，支持 4000 字符、文字渲染、负向提示和布局生图。提示增强默认关闭。4000 字符和训练接口的 4096 个 token 使用不同单位。免费结束之后的价格没有公布。
当前骨干只做文本生成图像。它不能直接接收参考图，也不能编辑一张已经生成的图。要改海报，就改布局提示，再整张重新生成。报告里的例子是：台风信息图的第二、三板块对调，水汽上升改到对流发展前面，七格结构、蓝色调和标题条还认得出来；城市海报的三行主标题从 KRASNOYARSK 换成 CALIFORNIA，大字里的照片、浅底和红色点缀还留着。
