原题：OpenMOSS-Team/MOSS-Image-SFT
OpenMOSS（MOSI.AI）MOSS-Image 系列的监督微调版，从 MOSS-Image-Base 微调而来，架构和推理管线相同。提示词可以是自然语言、标签序列，也可以是 JSON 布局：用 summary.caption 和 items 描述场景、要渲染的文字、物体和它们的位置框（yxyx 格式、中心化绝对坐标），控制文字放哪、物体怎么排；改布局里的文字、描述和框就能做结构化修改。作者的对比图称 SFT 版的文字分组更清楚、白板版面更整齐。自带 VAE 用 FLUX.2 small 解码器。10 月 11 日建仓，前几期没有收录。
上升分 74 · 点赞 917 · 下载量 19515
理由
- 解决“图里要放指定中文文字、要按版面排”的需求：卡里的示例直接在提示里写多行中文便利贴内容；JSON 布局让文字和物体落在指定位置，适合海报、白板、信息图这类排版图。
- 配套齐：提示词扩写技能 moss-image-prompt-enhancer（把想法写成详细描述或布局 JSON，自带脚本只做坐标换算、不调用生图服务）、Gradio 界面、ComfyUI 插件、技术报告（arXiv 2610.23374）和在线 Demo。
- 权重和推理代码都是 Apache-2.0；抱脸点赞 917（只代表关注度）。
用法
- diffusers：pip install "diffusers>=0.38" "transformers>=5.3" "accelerate>=1.10" safetensors Pillow（Python 3.10+、PyTorch 2.9+、NVIDIA 显卡），DiffusionPipeline.from_pretrained('OpenMOSS-Team/MOSS-Image-SFT', custom_pipeline='pipeline_moss_image', trust_remote_code=True, torch_dtype={'default': torch.bfloat16, 'vae': torch.float32})，pipe(prompt, height=1024, width=1024, num_inference_steps=50, guidance_scale=3.0, uncond_skip_layers=[22])。
- 默认参数：Flow-matching Euler 50 步、CFG 3、shift 5，负分支跳过第 22 层，负面提示留空；宽高须为 16 的倍数。布局提示用 json.dumps(layout, ensure_ascii=False) 传入，出图尺寸和布局里的画布一致。
- ComfyUI：在 ComfyUI Manager 搜 MOSS-Image 安装插件（进官方仓库的集成还在进行中），示例工作流在 GitHub OpenMOSS/MOSS-Image 的 comfyui/ 目录；不想写布局时可以先让智能体用扩写技能生成提示词。
风险
- 默认 50 步、每步两次前向，比当下的少步数模型慢；卡里没有给显存需求和速度数据。
- 布局生成标为实验功能；扩写技能写明为 GPT-6 系列智能体设计，换别的智能体效果未知。
- 带自定义管线代码，需要 trust_remote_code；卡里只有一组 Base 对 SFT 的对比图，没有量化评测表。