国产5B生图模型海外突然爆火，4天超百万下载

RLA真实设计盲评显示，在只提供简短设计要求的测试条件下，MOSS-Image的Elo点估计（point estimate）达到1698.70，位列参评模型第二，仅次于GPT Image 2。

而在使用统一增强提示词的另一组对照中，MOSS-Image的Elo点估计进一步达到1807.34，取得该组最高成绩，领先ERNIE Image和SenseNova U1。

第三项能力，则是对复杂长Prompt的支持。MOSS-Image支持最长4096 tokens的文本条件输入。

在一般文生图任务中，简单描述可能已经足够。但对于需要明确多个主体、空间关系、文字内容、镜头语言与视觉风格的复杂设计任务，更长的Prompt能够容纳更加细致的创作要求。结合结构化Layout，开发者可以同时描述画面内容和空间关系，进一步提高生成过程的可控性。

为了让复杂Prompt更容易编写，OpenMOSS还提供了MOSS-Image Prompt Enhancer Skill，可以将简短的图像创意扩展为详细Caption或结构化Layout提示词。

文字、布局和长Prompt这三项能力，也构成了MOSS-Image比较鲜明的技术方向：让图像生成从自由创作进一步延伸到复杂、可控的视觉设计。

技术架构方面，MOSS-Image采用从零预训练的单流扩散Transformer架构。

核心DiT主干规模为5B参数，结合冻结的Qwen3.5-9B文本编码器与FLUX.2 VAE，将文本条件和图像潜变量组织到统一的生成框架中。其中，Qwen3.5-9B负责提取文本特征，FLUX.2 VAE处理图像潜变量，DiT则承担扩散生成过程中的核心建模任务。

在训练数据处理上，团队还进行了去重与数据质量筛选，剔除AI生成图像，尽可能保留真实图像的多样性，并对水印、模糊等属性进行标注。

另外一个值得关注的技术细节是，根据MOSS团队的披露，MOSS-Image采用了国产PPU算力平台进行模型训练。这为图像生成模型在不同算力架构上的训练与工程适配积累了实践经验。

对于一个刚刚发布的开源模型来说，MOSS-Image的社区二次开发速度也颇为值得关注。