Was ist MOSS-Image?
MOSS-Image ist ein Text-to-Image-Modell von OpenMOSS, dem Labor hinter den MOSS-Modellen, veröffentlicht am 16. Oktober 2026 als zwei Checkpoints: MOSS-Image-Base und MOSS-Image-SFT, eine Feinabstimmung auf kuratierten Daten, die die meisten Leute nutzen werden. Sein Kern ist ein Diffusion Transformer mit 5 Milliarden Parametern, von Grund auf trainiert, kombiniert mit einem Text-Encoder Qwen3.5 und dem kleinen VAE-Decoder von FLUX.2, und er nimmt Prompts mit bis zu 4K Tokens auf Englisch oder Chinesisch an.
Neben einfachen Prompts und Tag-Listen nimmt es ein JSON-Layout an: eine Szenenbeschreibung plus eine Liste von Elementen, jedes mit Beschreibung, optionalem darzustellendem Text und einer Bounding Box in Pixeln. So steuert es, wo Überschriften, Beschriftungen und Objekte landen, was die meisten offenen Modelle dem Zufall überlassen. Der technische Bericht beschreibt außerdem einen agentischen Prompt-Verbesserer, der eine kurze Anfrage in ein solches Layout verwandelt; OpenMOSS liefert ihn als Agent Skill.
Gewichte und Inferenzcode stehen unter Apache 2.0, mit Unterstützung in SGLang, vLLM-Omni und ComfyUI ab dem ersten Tag, und die Modelle werden auch über die MOSI API Platform verkauft.
Lohnt sich MOSS-Image?
MOSS-Image ist für eine Aufgabe gebaut, die offene Bildmodelle schlecht erledigen: dichter Text in einem geplanten Layout. Poster, Folien, Speisekarten und Infografiken brauchen eine Überschrift an einer Stelle, eine Bildunterschrift an einer anderen und richtig geschriebene Wörter, und mit der JSON-Layout-Eingabe legst du Text und Bounding Box jedes Elements fest, statt zu hoffen, dass der Prompt so verstanden wird. Die Lizenz ist der andere Vorteil. Apache 2.0 erlaubt kommerzielle Nutzung ohne gesonderte Vereinbarung, was die Forschungslizenz von Qwen-Image-2.1 nicht tut.
Die Belege sind dünner als das Versprechen. Der technische Bericht nennt eine durchschnittliche Textabdeckung von 96,3% auf LongLongTextBench, Platz eins unter den Open-Weight-Modellen, und setzt das System auf RealLayoutArena End-to-End auf Platz zwei, mit seinem Backbone auf Platz eins, wenn jeder Generator dieselben verbesserten Prompts bekommt. OpenMOSS hat beide Benchmarks entworfen. Eine unabhängige Arena-Rangliste haben wir noch nicht gefunden, wie es sich bei der allgemeinen Bildqualität gegen Qwen-Image-2.1 oder FLUX.3 schlägt, ist also nicht geklärt.
Bei der Hardware sieht es besser aus, als die Downloadgröße vermuten lässt. Das SFT-Repository umfasst etwa 27 GB: einen Transformer mit 10,2 GB, einen Text-Encoder mit 16,8 GB und den VAE. Die eigene Messung des Projekts im Low-Memory-Modus ergibt eine GPU-Spitze von 3,65 GiB für ein Bild mit 1024 x 1024 bei 50 Schritten, mit 14 GiB Arbeitsspeicher, auf Kosten der Geschwindigkeit; Zeitangaben für irgendeinen Modus sind nicht veröffentlicht. Standard sind 50 Schritte mit je zwei Transformer-Durchläufen, es ist also nicht schnell, und eine Destillation der Community auf 8 Schritte existiert, ist aber nicht offiziell.
Das Ökosystem entstand schnell. Innerhalb von 17 Tagen nach dem Start hatte das Repository etwa 2.500 Sterne auf GitHub, und Community-Projekte ergänzten Feinabstimmung (KohakuMossTrainer gibt Adapter-Training mit 6 GB VRAM an), FP16-Gewichte und ein LoRA gegen vertikale Farbstreifen im SFT-Modell, einen Fehler, den du prüfen solltest, bevor du dich festlegst. Einen Bearbeitungsmodus gibt es nicht: Es erzeugt Bilder nur aus Text und Layouts.
Wo es sich lohnt
Eine Verantwortliche für Marketing Operations bei einer Restaurantkette mit 40 Standorten
Menütafeln und Aktionsposter mit exakten Preisen und Gerichtnamen erstellen
Ein Vorlagenskript füllt ein JSON-Layout mit Text und Boxpositionen jedes Standorts und rendert mit 1024 x 1024 oder größer. Apache 2.0 heißt: keine Lizenzverhandlung. Prüfe jede Ausgabe, denn die Textgenauigkeit ist mit 96,3% Abdeckung angegeben, nicht mit 100%.
Ein Entwickler, der einen Generator für Folien und Infografiken baut
Ein LLM ein Layout planen und ein offenes Modell es zeichnen lassen
Der mitgelieferte Skill zur Prompt-Verbesserung verwandelt eine Anfrage in das Layout-JSON, das das Modell liest, und SGLang oder vLLM-Omni betreiben es. Plane Generierungen mit 50 Schritten ein oder teste die inoffizielle Destillation der Community auf 8 Schritte.
Ein zweisprachiges Designstudio in Shanghai
Lange chinesische und englische Texte in Produktbildern darstellen
Prompts reichen bis 4K Tokens, und der Bericht misst die Darstellung langer chinesischer und englischer Texte. Hoste es im Low-Memory-Modus auf einer einzelnen Consumer-GPU oder stimme mit DiffSynth-Studio oder KohakuMossTrainer einen Hausstil fein ab.
Bevor du dich festlegst
- Einrichtung
- Python 3.10+, PyTorch 2.9+, Diffusers 0.38+ und Transformers 5.3+ auf einer NVIDIA-GPU; die eigene Pipeline lädt mit trust_remote_code. Eine Gradio-App ergänzt Speicherprofile, und ComfyUI unterstützt es nativ.
- Integrationen
- Diffusers, ComfyUI, SGLang, vLLM-Omni, DiffSynth-Studio fürs Training und ein Agent Skill zur Verbesserung von Prompt und Layout; gehosteter Zugang über die MOSI API Platform.
- Daten und Datenschutz
- Selbst gehostet unter Apache 2.0, Prompts und Bilder bleiben also auf deiner Hardware. Die Trainingsdaten sind über den technischen Bericht hinaus nicht aufgeschlüsselt.
- Kosten im großen Maßstab
- Gewichte kostenlos. Selbsthosten braucht etwa 27 GB Speicherplatz und laut Projekt im Low-Memory-Modus mindestens 3,65 GiB GPU-Speicher; Generierungsgeschwindigkeit und Preise der MOSI API sind nicht veröffentlicht.
- Grenzen
- Nur Text-to-Image, keine Bearbeitung. Bildseiten müssen Vielfache von 16 sein; Layoutboxen müssen zur Ausgabegröße passen. Standard sind 50 Schritte bei CFG 3, und Berichte aus der Community nennen vertikale Streifen im SFT-Checkpoint.
Was gut ist
- JSON-Layouts legen die Position jedes Textblocks und Objekts fest
- Apache 2.0, kommerzielle Nutzung erlaubt
- GPU-Spitze von 3,65 GiB im Low-Memory-Modus, laut Projekt
- Unterstützung in SGLang, vLLM-Omni und ComfyUI ab dem ersten Tag
Was nicht
- Die wichtigsten Werte stammen aus Benchmarks, die OpenMOSS gebaut hat
- Etwa 27 GB Download; standardmäßig 50 Schritte
- Die Community meldet vertikale Farbstreifen im SFT-Modell
- Keine Bildbearbeitung; API-Preise nicht veröffentlicht
Am besten für
Teams, die in erzeugten Grafiken lesbaren Text und kontrollierte Platzierung brauchen und eine Lizenz wollen, unter der sie ausliefern können.
Alternativen zu MOSS-Image
MOSS-Image: häufige Fragen
- Lohnt sich MOSS-Image?
- Das offene Bildmodell, das du ausprobieren solltest, wenn Wörter und ihre Platzierung wichtiger sind als der Look, wobei jede Qualitätsangabe noch auf Benchmarks seiner Entwickler beruht. Wir bewerten es mit 3.8 von 5.
- Was kostet MOSS-Image?
- Kostenlose offene Gewichte unter Apache 2.0, einschließlich kommerzieller Nutzung. Eine gehostete Version gibt es auf der MOSI API Platform; ihre Preise sind auf den von uns geprüften Seiten nicht veröffentlicht.
- Welche Nachteile hat MOSS-Image?
- Die wichtigsten Werte stammen aus Benchmarks, die OpenMOSS gebaut hat; Etwa 27 GB Download; standardmäßig 50 Schritte; Die Community meldet vertikale Farbstreifen im SFT-Modell; Keine Bildbearbeitung; API-Preise nicht veröffentlicht.
- Für wen eignet sich MOSS-Image?
- Teams, die in erzeugten Grafiken lesbaren Text und kontrollierte Platzierung brauchen und eine Lizenz wollen, unter der sie ausliefern können.
- Was kostet MOSS-Image für ein Team oder im Produktivbetrieb?
- Gewichte kostenlos. Selbsthosten braucht etwa 27 GB Speicherplatz und laut Projekt im Low-Memory-Modus mindestens 3,65 GiB GPU-Speicher; Generierungsgeschwindigkeit und Preise der MOSI API sind nicht veröffentlicht.
- Ist MOSS-Image sicher für Firmendaten?
- Selbst gehostet unter Apache 2.0, Prompts und Bilder bleiben also auf deiner Hardware. Die Trainingsdaten sind über den technischen Bericht hinaus nicht aufgeschlüsselt.
- Was sind die besten Alternativen zu MOSS-Image?
- Die nächsten Alternativen, die wir getestet haben, sind Qwen-Image-2.1, FLUX 3 Image Klein und Z-Image-Turbo.
Antworten geprüft am 2. Nov. 2026.