MOSS-Image：把长文字与版式变成可控图像条件
海报和标牌生成，离可编辑资产还有多远？
5B图像扩散骨干联合多粒度描述、文字框和规划代理，面向长文字与复杂版式。适合作为场景标牌、贴花和界面资产候选，但长文本召回不是逐字正确率，代理也不包含在5B规模中。
图解主要方法
海报和标牌生成，离可编辑资产还有多远？
- 1
建立文字与图像联合生成骨干
图2使用42层、隐藏维3072的5B DiT，冻结Qwen3.5-9B文本编码器和FLUX2 VAE不计入5B。文字和图像token联合建模，4D RoPE保留r=0维度接口；预留接口本身不代表已具备参考图编辑能力。
- 2
保留多粒度描述和位置格式
从约5B候选筛到3B图像，已有去重、AI图像删除等来源过滤；“不额外过滤”不是未经筛选。描述约20%原始、80%重写，序列同时容纳换行与文字bbox，并对坐标字段做dropout以兼容多种格式。
- 3
逐级提升分辨率和条件长度
训练经历256、512、1024分辨率，文本长度到4096、打包长度8576，让长文字和布局联合出现。字号、拥挤版式与语言长度是不同难点，不能用一个平均OCR分概括。
- 4
用代理规划再生成，而非直接编辑参考图
GPT-6代理按海报、UI或信息图路由，检索参考并输出含8类字段与bbox的JSON规格；参考图主要给规划器，不作为DiT图像条件。修改通常重新文生图，代理检索和文字事实仍可能出错。
实验与证据
已阅读正文与全部公开附录，核对实验条件与原图；未独立复现。
来源证据LLTB含240任务、80个来源段落、三档长度、中英文，每任务生成4张均纳入评分；报告Mean6为96.3，长中文92.4，使用Qwen2.5-VL-7B辅助判断。 长文本评测 ↗
我的解读核心OCR指标是多重集合召回，不检查顺序，也不惩罚全部多余字符；96.3不能写成完整文字逐字准确率或96.3%的图无错误。
来源证据7Bench为224任务、576个目标；检测到445个目标时IoU为0.8786，但全目标IoU为0.6788、检测率0.7726、AUC0.7031。 空间布局指标 ↗
我的解读只报“布局IoU约0.88”会遗漏未检测目标；资产排版验收应优先看全部目标与遗漏情况。
来源证据RLA61任务，主要人工比较组包含11个参评系统、1420票，覆盖31.1%的任务配对。MOSS Elo1698.70，区间1655.96–1741.43；GPT1844.35、Seed1661。同场与其他组的1807不能直接比绝对值。 人工偏好与代理对照 ↗
我的解读区间未处理全部评审者/任务聚类；主实验每会话独立提示与部分消融共享旧提示存在协议差异，辅助GPT-6裁判又与规划器同源，应以人工结果为主。
来源证据编辑展示主要是两个重新生成案例，仍能见到旧小字标签残留；没有UV映射、部件结构、PBR、去光照或重光照验证。 可编辑与资产边界 ↗
我的解读更适合产出待检查的标牌和贴花图像，不是已验证的可编辑三维材质或结构化设计文件。
开放情况与使用许可
OpenMOSS/MOSS-Image存在实际推理和界面实现，Apache-2.0；已核实OpenMOSS-Team/MOSS-Image-Base与MOSS-Image-SFT模型卡和权重文件，卡声明模型及随附代码Apache-2.0。预训练组件各自许可仍适用；完整训练数据与外部GPT代理并不因此全部开放。
LICENSECC BY 4.0
我的判断
独立分析 · 未复现实验正方 · 为什么值得投入
长文字、布局与模型发布结合，为中文场景图像资产提供了具体可试入口；论文还给出人工而不只模型裁判结果。
反方 · 哪些结论还不够
文字召回、条件检测IoU与人工Elo各有统计边界；5B并非完整代理系统成本，事实、字体版权和资产编辑性仍需独立处理。
综合判断
可以进入标牌/贴花候选生成流程，但必须逐字校对并验证布局，不能直接作为可商用无误资产交付。
我会先做的验证
未执行的验证方案：固定标牌内容生成中英长文，逐字核对顺序、增字与缺字；将输出转成贴花并测多视角可读性。独立记录GPT规划调用成本，检查商标、字体与素材来源，不把代理事实直接发布。