MOSS-Image-Base

MOSS-Image-Base

用一个 5.1B 的文生图模型根据文字生成图片，可以用普通提示词、标签序列或 JSON 布局来安排文字和物体。适合有 NVIDIA 显卡的开发者和设计师。

由 OpenMOSS-Team 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：MOSS-Image-Base 可以根据文字画出图片。它是 OpenMOSS 的 MOSS-Image 系列的起点模型，有 5.1B 个参数，通过 diffusers 库运行。你可以用普通句子、标签序列或 JSON 布局来写提示词，布局能让你决定文字和物体放在哪里。

适合谁：适合想把文字放在指定位置的设计师和开发者，比如做白板风格的图，也适合想拿基础模型来微调或做对比的团队。

行业 | 谁在用 | 怎么用 | 例子
设计 | 做图形的设计师 | 描述一幅画面，并说明文字放哪里 | 一张标签分组清楚的白板图
软件 | 加入图像功能的开发者 | 在 Python 里通过 diffusers 加载模型 | 内部工具里的文生图一步
研究 | 做图像模型的团队 | 在微调之前从基础模型开始 | 把 Base 和 SFT 版本做对比

没有 NVIDIA 显卡的人可以不在本地运行它，因为快速上手要求用 CUDA。

用在哪里：

• 在带 CUDA 的 NVIDIA 显卡上，用 Python 和 diffusers 库
• ComfyUI，模型卡里附有它的指南
• Hugging Face Spaces 上的演示
• Windows、macOS 或 Linux，你可以用 Python 下载文件

用途 | 谁用 | 得到什么
文字较多的图片 | 设计师 | 文字位置由 JSON 布局决定的图片
标签式提示词 | 有经验的图像用户 | 用标签序列而不是句子生成的图片
模型对比 | 研究人员 | 同一提示词下 Base 和 SFT 的输出

如何设置：

你需要先准备：

• Python 3.10 或更新版本
• 支持 CUDA 的 NVIDIA 显卡
• 与你的 CUDA 环境匹配的 PyTorch，版本 2.9 或更新
• huggingface_hub 包，如果你想自己下载文件

1. 安装与你的 CUDA 环境匹配的 PyTorch。
2. 用下面的 pip 命令安装模型卡列出的库。
3. 也可以先用 Hugging Face 工具下载权重，BF16 格式约占 10.2 GB。

pip install "diffusers>=0.38" "transformers>=5.3" "accelerate>=1.10" "safetensors>=0.6" "Pillow>=10"

pip install -U huggingface_hub
hf download OpenMOSS-Team/MOSS-Image-Base

如何使用：在 Python 里加载管线，把它移到显卡上，然后用三种写法之一给它提示词。模型卡的快速上手就是这样加载模型的，生成调用接在这些行之后。

import torch
from diffusers import DiffusionPipeline

pipe = DiffusionPipeline.from_pretrained(
    "OpenMOSS-Team/MOSS-Image-Base",
    custom_pipeline="pipeline_moss_image",
    trust_remote_code=True,
    torch_dtype={"default": torch.bfloat16, "vae": torch.float32},
)
pipe.scheduler = type(pipe.scheduler).from_config(pipe.scheduler.config)
pipe.to("cuda")

工具 | 作用
DiffusionPipeline | 用模型卡自带的自定义管线加载模型
trust_remote_code | 允许管线运行随模型一起提供的代码
pipe.to | 把模型移到显卡上

示例：你用一句话描述一个白板场景，或者用 JSON 布局说明每段文字和每个物体放在哪里。模型会返回一张遵循该布局的图片。模型卡展示了在一个白板对比中，SFT 版本比 Base 把文字分组得更清楚。

新手与专家：这是一个根据文字描述画图的模型。想试一下的话，先装好这些库，用上面的代码加载管线，然后用一句话描述一个简单场景，看看出来的图。

底层是一个带自定义管线文件的 diffusers 管线，所以权重以 bfloat16 加载，而 VAE 保持 float32。调度器先按自己的配置重建，再把模型移到 CUDA 上。Base 是原始模型，模型卡在示例里指向 MOSS-Image-SFT，说它的文字分组更清楚。

写下提示词、标签或 JSON 布局
用 diffusers 加载管线
把它移到 CUDA 显卡上
生成图片

注意事项：

• 大小：5.1B 个参数，BF16 格式约 10.2 GB，4-bit 约 2.5 GB（估算）
• 语言：列出了英文和中文
• 版本：Hugging Face 列出了其他人做的 16 个量化版本和 50 个微调版本

Title: Weight size in GB
BF16: 10.2 GB
4-bit estimate: 2.5 GB

• License: apache-2.0
• Cost to run: 本地运行没有提到费用。模型卡还列出了一个 API 平台和一个 Hugging Face 演示，作为其他试用方式
• Data it reaches: 它会从 Hugging Face 下载模型文件，示例把 trust_remote_code 设为 True，所以会运行随模型一起提供的管线代码
• Not for: 没有 NVIDIA 显卡和 CUDA 的机器，因为快速上手两者都要求

Hugging Face 上的数据（2026年11月13日）

• 任务：text to image
• 框架：diffusers
• 参数量：5.1B
• Weights: about 10.2 GB in BF16; about 2.5 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：13,535
• 点赞：656
• 许可证：apache-2.0
• 语言：en, zh
• Quantized versions: 16
• Fine-tunes: 51
• 标签：diffusers, safetensors, moss-image, text-to-image

链接

• 模型：https://huggingface.co/OpenMOSS-Team/MOSS-Image-Base
• 文件：https://huggingface.co/OpenMOSS-Team/MOSS-Image-Base/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download OpenMOSS-Team/MOSS-Image-Base

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。