玩过AI生图的人都懂这种崩溃时刻：图很美，字是乱码。想生成一张促销海报，模型给你糊一页自创的火星文，重抽十次，没有一张字是对的。
10月16日，复旦大学邱锡鹏教授牵头的OpenMOSS团队开源了文生图模型MOSS-Image，专治这个慢性病。对，就是做出MOSS聊天机器人那支复旦老队伍，这次交出的不是对话框，是个画师。发布没几天，实测党已经把它跑了个遍，社区甚至给了个相当狂的头衔——“开源最强中文选手”。值不值得装？让实测数据说话。知乎知乎
编码器比主干大，架构有点反常识
MOSS-Image开源了Base和SFT精调两个版本，代码和权重全走Apache-2.0协议，免费商用。只是生图的话，社区共识是直接上SFT版。知乎哔哩哔哩知乎
架构很有意思：5B的扩散主干，配了一个Qwen3.5-9B的文本编码器，VAE借用FLUX.2。编码器比主干大了近一倍——因为排版和长文本本质是"理解"的活儿，不是"画"的活儿，主干再大，听不懂指令也白搭。4K token的长提示词支持，也够你把整张海报的文案全塞进去。知乎哔哩哔哩
写中文字是真强，但别急着封神
密集文字渲染是它最硬的卖点。有实测者在本地12GB显卡上跑了十二类提示词：英文海报拼写与提示一致，中文竖排书法可辨认，中英混排两行字都清清楚楚，连"3个苹果加2个梨"的计数题都没翻车。知乎有玩家看完知识卡片的出图效果，直接给了"绝对SOTA水平"的评价。知乎
但冷水也有。同一位测试者让它用水墨书法写整首《枫桥夜泊》，抽了好几次卡：有的版本丢了中间一句，最好的一版句号顶上了、逗号没了。识字能力是跃升，不是每次都对。知乎
真正的新东西：版式不用描述，直接输入
这是MOSS-Image和同行拉开差距的地方。传统文生图，你在提示词里求"标题放左上角"，听不听全看命。它把版式做成了一份JSON：每个元素写什么字、什么风格、方框坐标在哪，模型照着框画。
这意味着方框可以被脚本生成。改字、挪框就是改图，结果可复现、可批量。生图从"抽卡机器"变成了"流水线"。知乎
坑也要提前说：坐标以画布中心为原点，还按yxyx顺序排（上、左、下、右），第一批上手的人不少栽在这。微博已经有人专门画对照图科普，社区也有人提醒，布局控制目前还算实验性功能，别急着直接挂上生产线。知乎微博
你的显卡跑不跑得动？
官方没给硬性显存门槛，给了三档模式：常驻GPU、CPU和GPU按需搬运、顺序加载兜底，不够就降档。社区的底线实测：12GB显卡跑SFT int8版，1024×1024、25步，单张24到28秒，全程无OOM。B站甚至出了号称8GB显卡就能跑的ComfyUI教程。ComfyUI新版本原生支持，SGLang和vLLM-Omni发布当天就适配，社区连4步加速LoRA都炼好了——嫌慢有药。知乎知乎哔哩哔哩知乎
真正的短板恰恰是速度。RTX 5060Ti画一张百万像素图要20多秒，同场景Qwen-Image-2.1 Turbo和Flux.3 Klein只要5到7秒。知乎
三句话结论
想批量出带中文字的海报、商品图、信息图，还在意商用授权——装。Apache-2.0加12GB的入场券，这买卖眼下不贵。
追求极致写实质感和人像肤质——再等等。实测普遍反映有"磨皮过度"感，质感比Krea2、Z-Image们还差一档。小主干的细节也有硬伤，有人实测连毛笔的握姿都画错了。知乎
它未必让你退掉付费会员，但"中文生图识字"这一步，这次是真迈出去了。
