🪧 AI 生图最怕写字，MOSS-Image-SFT 偏偏专治这个：成段的中英文长文本能清清楚楚渲进图里，每块字和物件摆在哪还能由你指定。 MOSS-Image-SFT 在 Hugging Face 上 379 个赞，10 月 19 日上了 Hugging Face 的热门趋势，对应的技术报告《MOSS-Image Technical Report》挂在 arXiv 2610.23374。 做海报、PPT 封面、流程图这类带字的图，用 AI 生图的流程一直是拧着的：模型能给你一个像样的背景和构图，文字部分基本指望不上，缺笔画、糊成一团，中文更惨，最后还是得拖进设计软件里重新排一遍字。MOSS-Image 这一代就是冲这个场景做的，从零训了一个 50 亿参数的单流扩散 Transformer，中英双语的长文本渲染和精确布局控制是它的主线。 控制方式给了三种，哪种顺手用哪种：直接写自然语言描述；给一串标签序列；或者干脆写一段 JSON，把文字位置和物体排布标清楚。团队还做了一个会揣摩意图的提示增强模块，提示写得糙一点也能帮你补上。 效果是官方自己测的，他们为此专门做了两个基准：长文本渲染的 LongLongTextBench 和端到端布局生成的 RealLayoutArena。按报告里的数字，前者平均文本覆盖率 96.3%，在开源模型里是最好的一档；后者的端到端系统比较里排第二。 SFT 这一版是在 MOSS-Image-Base 上微调来的，架构和推理流程跟 Base 完全一样，官方示例里它在文字分组和白板式排版上更干净、更有条理。许可证是 Apache 2.0，内置的 VAE 用的是 FLUX.2 small 解码器。 带字的图，终于不用出图之后再返工排一遍版了。 Hugging Face：