MOSS-Image：开源图像生成开始正面挑战长文本与复杂版式

导语

文生图模型已经能够生成风格多样的海报、信息图和界面草图，但“画得像”与“排得对、字写准”仍是两类不同难题。尤其在长段落文字、双语内容和信息密集版式中，开源模型往往会出现文字缺失、字符变形或元素位置失控。OpenMOSS 团队发布的 MOSS-Image Technical Report，正是围绕这一缺口展开。

核心要点

• 5B 单流扩散 Transformer：MOSS-Image 从头预训练一个 5B 规模的单流 DiT，并通过特定训练方案提升文字渲染与布局控制能力。报告强调，该模型面向英文和中文长文本，而不只是短标题或装饰性字符。
• 提示增强不止于扩写：系统配备意图感知的智能体式 Prompt Enhancement 模块。它的作用不是简单增加形容词，而是把用户较为笼统的请求，转换成更细致的内容说明与版式规格，为后续生成提供结构化指导。
• 同时评估文字与布局：团队提出 LongLongTextBench（LLTB），用于测试中英文长文本的生成覆盖情况；另一个 RealLayoutArena（RLA）则更接近实际任务，关注包含丰富内容和复杂布局的端到端生成效果。
• 开源模型中的领先表现：报告称，MOSS-Image 在 LLTB 上取得开源权重模型中的当前最佳表现，平均文本覆盖率为 96.3%。在 RLA 的端到端系统比较中，MOSS-Image 排名第二；在使用统一增强提示、只比较生成器的设置下，其骨干模型排名第一。

这意味着什么

MOSS-Image 的价值不只是再增加一个图像生成模型，而是把“提示理解”和“图像排版”放到同一套系统中考察。对于海报、说明图、菜单、课程材料等包含大量可读文字的场景，用户真正需要的往往不是单个主体，而是内容层级、位置关系和视觉重点都能被执行。意图感知提示增强模块，可能因此成为连接自然语言需求与视觉布局的重要中间层。

同时，LLTB 与 RLA 为后续研究提供了更明确的比较尺度。传统审美评分难以充分反映一张图是否正确呈现了完整文本，也难以判断多元素布局是否符合要求。将文字覆盖、布局协调和端到端系统表现分别衡量，有助于推动评测从“看起来不错”转向“信息是否真正可用”。

不过，现有材料主要披露了报告中的总体结果，尚未提供完整的对比表、失败案例或实际部署成本。因此，96.3%的文本覆盖率不应被理解为所有字符都完全正确，RLA 的排名也需要结合具体任务和评测设置解读。团队表示将发布模型、训练方案和评测框架，后续开放情况及社区复现结果将进一步检验其影响力。

来源：Hugging Face Daily Papers