OpenMOSS-Team/MOSS-Image-Base

OpenMOSS 的 MOSS-Image 家族基础文生图模型，支持自然语言、标签串和 JSON 版面三种提示词，可以指定画面里的文字内容和物体位置；同家族的 SFT 版此前已收录，Base 主要作微调和 LoRA 训练的底座。 上升分 188 · 点赞 568 · 下载量 8080 **理由** - JSON 版面提示：用 summary.caption 和 items 描述场景、要渲染的文字和物体位置，bbox 用 yxyx 顺序和中心化绝对坐标；改文字、改描述或挪框就能结构化地调整画面。 - 官方给了同一提示词下 Base 与 SFT 的对比图，SFT 的文字分组和白板版面更整齐；本期上榜的 MOSS-Image 高分辨率 LoHa 就以 Base 为底模。 - Apache-2.0；Comfy-Org 已有打包，ComfyUI Manager 搜 MOSS-Image 也能装原生插件；附一个给 GPT-6 系智能体用的提示词增强 skill，可把想法转成详细描述或版面 JSON。 **用法** - diffusers ≥ 0.38、transformers ≥ 5.3：DiffusionPipeline.from\_pretrained("OpenMOSS-Team/MOSS-Image-Base", custom\_pipeline="pipeline\_moss\_image", trust\_remote\_code=True)，transformer 和文本编码器用 bf16，VAE 用 fp32。 - 官方默认：flow-matching Euler、50 步、CFG 3、shift 5、负分支跳过第 22 层（uncond\_skip\_layers=\[22\]）、负面提示词为空；Python 接口的宽高须为 16 的倍数。 - ComfyUI：Manager 搜 MOSS-Image 装插件，或用 Comfy-Org/MOSS-Image 打包版，仓库 comfyui/ 下有示例工作流。 **风险** - 官方对比显示 Base 的文字排版不如 SFT，直接出图优先用 SFT；Base 的主要价值是作训练底座。 - 默认每步要两次 transformer 前向，50 步偏慢；版面提示在用户指南里标为 experimental；模型卡没给显存需求。 [打开](https://huggingface.co/OpenMOSS-Team/MOSS-Image-Base)