MOSS-Image-SFT

MOSS-Image-SFT

OpenMOSS 的文生图模型，由 MOSS-Image-Base 微调而来，可以读取普通提示词、标签或 JSON 布局来摆放文字和物体，适合在 NVIDIA GPU 上用 diffusers 生成图片的人。

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-SFT 是 OpenMOSS 的文生图模型，属于 MOSS-Image 系列。它是 MOSS-Image-Base 的监督微调版本，和那个模型共用架构与流程。你可以写一段普通语言提示词、一串标签，或一个说明文字和物体该放在哪里的 JSON 布局。它支持英文和中文。

适合谁：它适合想要文字清晰、布局有计划的图片的人，以及通过 diffusers 运行图像模型的开发者。

Industry | Who uses it | How they use it | Example
设计 | 设计师 | 用 JSON 描述布局来摆放文字和物体 | 标题位置固定的海报
营销 | 内容人员 | 根据提示词做出文字清晰的视觉图 | 带一句短标语的横幅
软件 | 开发者 | 用 diffusers 在 Python 里调用模型 | 每个提示词都返回一张图的应用
人工智能研究 | 研究人员 | 对比基础模型和微调后的模型 | 同一个提示词分别跑两个模型

如果你没有 NVIDIA GPU，可以跳过它，因为模型卡要求 CUDA。

用在哪里：

• 带 diffusers 库的 Python
• 带支持 CUDA 的 NVIDIA GPU 的电脑
• 任何 Windows、macOS 或 Linux 电脑，都可以用来下载文件

Use case | Who | What they get back
提示词出图 | 设计师 | 根据普通语言提示词生成的图片
布局控制 | 营销人员 | 文字和物体按 JSON 布局指定的位置摆放
基于标签的提示词 | 开发者 | 根据一串标签生成的图片

如何设置：

你需要先准备：

• Python 3.10 或更高版本
• 支持 CUDA 的 NVIDIA GPU
• PyTorch 2.9 或更高版本，要与你的 CUDA 环境匹配
• 大约 10.2 GB 磁盘空间存放 BF16 权重

1. 安装与你的 CUDA 环境匹配的 PyTorch。
2. 用下面第一个代码块安装 Python 库。
3. 用第二个代码块下载模型文件，或让 diffusers 在首次加载时获取。
4. 用下一节的 Python 代码加载流程。

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-SFT

如何使用：在 Python 里加载流程，然后给它一个提示词、一串标签或一个 JSON 布局。这里给出的模型卡部分在生成图片的调用之前就结束了，所以这一步请读完整的模型卡。

import torch
from diffusers import DiffusionPipeline
pipe = DiffusionPipeline.from_pretrained(
    "OpenMOSS-Team/MOSS-Image-SFT",
    custom_pipeline="pipeline_moss_image",
    trust_remote_code=True,
    torch_dtype={"default": torch.bfloat16, "vae": torch.float32},
)

Tool | What it does
DiffusionPipeline | 通过 diffusers 加载模型
custom_pipeline="pipeline_moss_image" | 选择 MOSS-Image 的流程代码
trust_remote_code=True | 模型加载时允许运行该流程代码
torch_dtype | 为模型和 VAE 设置数据类型

示例：你加载流程，然后要一张白板图，上面有一份简短的任务清单，并给出一个 JSON 布局指定每一行放在哪里。模型卡没有展示这次具体的运行，所以请把它当作预期。模型卡说微调后的模型比基础模型把文字分组得更清楚。

新手与专家：微调是从一个基础模型出发，用挑选的例子继续训练它。第一步可以用普通语言提示词，之后再试标签或 JSON 布局来获得更多控制。

因为架构和流程与基础模型一致，为基础模型搭好的环境应该可以沿用。其他人已经发布了这个模型的 51 个量化版本和 26 个微调版本。

写提示词、标签或 JSON 布局
用 diffusers 加载流程
生成图片
检查文字和布局

注意事项：权重按 BF16 约 10.2 GB，按 Hugging Face 自己的估算，4-bit 约 2.5 GB。

Title: 权重大小，单位 GB
BF16 weights: 10.2 GB
4-bit estimate: 2.5 GB

• 基础模型: MOSS-Image-Base，架构和流程相同
• 硬件: 需要支持 CUDA 的 NVIDIA GPU
• License: Apache 2.0
• Cost to run: 未提及，GPU 由你自己提供
• Data it reaches: 你给它的提示词和布局，以及你下载的模型文件

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：22,963
• 点赞：950
• 许可证：apache-2.0
• 语言：en, zh
• 基于：OpenMOSS-Team/MOSS-Image-Base
• Quantized versions: 53
• Fine-tunes: 26
• 标签：diffusers, safetensors, moss-image, text-to-image

链接

• 模型：https://huggingface.co/OpenMOSS-Team/MOSS-Image-SFT
• 文件：https://huggingface.co/OpenMOSS-Team/MOSS-Image-SFT/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-SFT

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。