OpenMOSS:MOSS-Image-SFT 8步加速工作流

MOSS-Image-SFT 是 OpenMOSS 的MOSS-Image系列中的一个监督式微调文本到图像模型 ，源自 MOSS-Image-Base。它使用相同的架构和推理流程，支持自然语言提示、标签序列和 JSON 布局，用于控制文本位置和对象排列。

亮点：

1. 长篇中文和英文渲染，是最有说服力的亮点

过去很多模型能写标题，但正文一长就容易漏字、乱码、重复。MOSS-Image 专门强化了这类能力。

作者新建的 LongLongTextBench（LLTB） 包含 240 个中英文任务，平均每个目标约 1,340 个字符，比原 LongTextBench 的平均文本长度高约 11 倍。

报告中的结果：

它在作者列出的开放权重模型中领先，最长中文组也达到 92.4%。

但这里必须读准指标：覆盖率基于 OCR 识别后的词／字符匹配，不检查顺序，也不直接惩罚多余文本。 所以 96.3% 不能理解成“生成一页文字，有 96.3% 的概率完全无错”。

它说明模型能较完整地呈现长文本，正式发布的海报仍需校对。

2. 布局控制从模糊描述，推进到结构化位置指令
   模型接受自然语言，也接受 JSON Layout。你可以明确指定：

• 标题写什么，放在哪里；
• 正文块的范围和描述；
• 人物、产品、插图的位置；
• 整体画布与视觉风格。
  这意味着可以先规划“标题在顶部、产品居中、卖点在右侧”，再交给模型生成，减少反复抽图。
  实现上的亮点是：布局 JSON 和普通描述共用文本条件通道。 不需要为了这种布局输入，再额外挂一个专用 ControlNet。
  在现有的 7Bench 布局评测中，作者报告：
  指标 MOSS-Image 同表中其他模型最高值
  检测到的目标，其平均位置重合度 0.88 0.44
  Layout AUC 0.70 0.20

差距相当明显。不过第一项排除了未检测到的目标；把所有目标纳入，MOSS-Image 的平均重合度是 0.679。这仍然支持它有较强的位置控制，但不等于像排版软件一样精确执行每个框。
官方也将 Layout 标为实验性功能

最值得试的是中文知识卡、课程配图、带正文的封面和有明确版式的海报。

项目地址：https://huggingface.co/OpenMOSS-Team/MOSS-Image-SFT

comfyUI中使用：8步加速LORA生成，工作流如下：

模型、工作流下载：

主题授权提示：请在后台主题设置-主题授权-激活主题的正版授权，授权购买：RiTheme官网