MOSS-Image

5B文生图模型，图里文字清晰、排版不乱

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 70 🐛 待处理 15 👀 关注 7

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 1439

维护状态活跃

是否开源开源

定价模式 🏷️完全免费开源模型，免费使用，定价信息待确认

项目预览

项目数据

分类开源模型

开发团队OpenMOSS

官网地址http://openmoss.ai/MOSS-Image

GitHubhttps://github.com/OpenMOSS/MOSS-Image

定价模式🏷️完全免费

价格说明开源模型，免费使用，定价信息待确认

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型controllable-generation,foundation-models,image-generation,text-rendering,text-to-image

GitHub 星标★ 1439

上线时间2026-10-16 00:00:00

代码更新2026-10-20

仓库体积84.0 MB

本站数据更新2026-10-23

维护状态活跃

收录时间2026-10-23

浏览次数1

项目介绍

MOSS-Image 是一个 5B 参数的基础 DiT（Diffusion Transformer）图像生成模型官方仓库，面向文生图与可控生成场景。它主要解决现有开源文生图模型在文字渲染和版面布局上表现差的问题：能生成清晰可读的图中文字，并按提示词生成合理的多元素排版，适合海报、封面、信息图等需要文字与版式配合的内容。核心能力包括高质量文本渲染、布局生成、可控生成，以及高效的微调支持，方便开发者用少量数据适配垂直风格或特定领域。项目以 Python 实现，提供基础模型权重与推理、微调代码，属于基础模型层项目，可被下游应用集成。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-10-23 · 当前星标 ★ 1439

技术标签

controllable-generation foundation-models image-generation text-to-image

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：进阶约 30 分钟部署方式：模型权重 6 步

环境要求

Python 环境（README 节选未标注具体版本）
git 命令行工具
pip 及 venv 虚拟环境模块
足够磁盘空间存放 5B 参数模型权重

安装与启动步骤

1克隆仓库

从 GitHub 拉取 MOSS-Image 官方代码，注意目标路径要有足够空间。
```
git clone https://github.com/OpenMOSS/MOSS-Image.git
```
2进入项目目录

后续所有命令都在仓库根目录下执行。
```
cd MOSS-Image
```
3创建虚拟环境

用 venv 建立隔离环境，避免依赖污染系统 Python。
```
python -m venv .venv
```
4激活虚拟环境

README 给出的是 Linux/macOS 的 source 命令，激活后再装依赖。
```
source .venv/bin/activate
```
5安装依赖

按 requirements.txt 安装项目依赖，耗时较长请保持网络稳定。
```
pip install -r requirements.txt
```
6下载模型权重

从 Hugging Face 或 ModelScope 获取 Base/SFT 权重；README 节选未给出下载命令，需在模型页按说明下载并记录本地路径。