宋城挤满船只店铺行人，山水做成丝绸青瓷：MOSS-Image 开源模型实测

最初，我只是想用 MOSS-Image 做一张带中文的图。后来越做越想试点大的：一座挤满船只、店铺和行人的宋城，一片把舞者衬得很小的青绿山河，再把山水做成丝绸、青瓷和墨金。这次最有意思的体验，是终于能把一些构图想法说得更具体：山在左边压多大，河从哪里绕过去，船留多小，标题放在哪一片安静的地方。这段 50 秒视频记录了前一轮宋城与青绿群舞的成图、布局和修改过程；画面的推近、平移与说明文字由后期制作，MOSS 负责的是其中的原始图片。

密集场景布局：把一座城画得有人气

宋城这张，我想检验的是密集画面里的关系：桥要接得上两岸的街，船要落在水里，摊位之间要留出人能走的路；近处有茶坊和布庄，远处还有城门与水运。放大以后，应该能找到更多小故事。

操作上，把桥、船、市集、远城和几块中文招牌分别放进 Layout（布局）。这一步的价值在于：Layout 能直接规定每个元素的位置和大小，比“画面要热闹”这类文字描述可靠得多。中文店招直接在图里生成，没有再用修图软件补字。

它也有没做到的地方：船桅杆没有按我的描述放倒，细小人物和建筑经不起“每一笔都准确”的要求。这张更适合当作一幅宋城想象，而不是古画复原或历史证据——也说明这个模型擅长整体空间关系，不擅长像素级精确复现。

沿着这条线，我又做了一座入夜后的「汴京灯市」。保留河道、桥和两岸市集的关系，让灯笼、窗内的光和水面倒影把空间串起来。工笔版之后，又补了这一张偏微缩摄影质感的版本。

调整主次关系：山要大，人要小

青绿群舞的第一版，人物太抢眼，山反而变成了背景。修改方式是重新拆人物区域，把九位舞者安排成前后两组，给他们很小的位置框，让山体占住画面。控制主次最直接的办法，是在 Layout 里调整位置框的大小，而不是靠“人物小一点”这种模糊描述。

第二版尺度对了，标题却有一个字不对；后来调整标题和字形描述，整张重新生成，才得到现在的「千里江山」。

这一轮让我更愿意把 Layout 当作构图草图：它给我一个能继续修改的起点，每次成图仍要放大看。

进阶工作流：用参考布局换材质

这一轮补了一个新的工作流：先做参考母图，再让平台解析成布局，交给 MOSS 重新生成。

这里要说清楚：参考母图由内置生图工具制作；平台用参考图提取区域与描述；最终展示的成图再由 MOSS-Image-SFT（SFT 即监督微调，Supervised Fine-Tuning）生成。这个入口叫「参考布局」，它并不是保持原图像素的修图功能，而是保留空间骨架和关系，细节仍由模型重新组织。

「山河入绢」这张，用丝绸褶皱构成山脊，少量金线沿着山势延伸，一叶小舟留在水面。近处能看到布纹，远处逐渐退进雾里。

同一份解析后的布局，我试了两个 Seed（随机种子）。布料的细部和山势会有变化，标题仍留在右上的空处。最终选了更能看清河道与近处织纹的一张。Seed 的作用是提供不同随机变体，适合做多版本对比和挑选。

接着保留提取后的空间骨架，改写材质描述，做了「瓷色江山」。目标是让青瓷的积釉、开片和薄边透光成为画面的一部分，而不是把山简单染成绿色。

「墨海金山」则把主山压进墨黑的纸与漆面里，只在局部山脊留下金箔。换了材质，画面的气质也跟着变了：从织物的柔软，到瓷的温润，再到纸折线与残金的锋利。

注意，这两张并没有保持每一块山体的轮廓，而是延续了左侧主山、右侧河谷、小船和标题的大体关系，模型会重新组织细节。

完整操作流程：我是这样做的

把上面的尝试总结成可复用的流程：

没有参考图时，按下面两步走：
1. 先写整体场景。
2. 把主体、文字和位置拆成 JSON Layout。

有参考图时，流程是：
1. 上传到「参考布局」。
2. 写清哪些关系要保留、哪些内容要改变。
3. 生成目标布局，检查并应用。

之后再用 MOSS-Image-SFT 出图，放大核对文字、人物、材质和空间，针对问题改描述或框的位置，重新生成。上面的文字均未后期盖字。

以丝绸山水为例，我给参考布局写的要求是：

保留横向构图、山体大小与河流走向、右上标题位置。山体由青绿丝绸与蓝色织锦褶皱构成，少量金线顺山脊延伸。一叶小木舟与船工建立尺度。克制晨光，标题精确为「山河入绢」，不新增其他文字。

本次出图参数：2048×1152，采样器 Euler，50 步，CFG 3（无分类器引导强度），Shift 5，负向分支跳过第 22 层。参数是我这次的实际设置，不能保证每个题材都适用。

MOSS-Image 基于 5B DiT 主干（Diffusion Transformer，50 亿参数），Base 和 SFT 权重及代码都已公开。官方还提供最长 4K tokens（约 4000 个词元）提示词支持和微调指南，SGLang 与 vLLM-Omni 也提供了 Day 0 支持（发布当天即可接入）。这次主要实测了中文文字、布局和不同材质，没有做长提示词上限或微调测试。

如果你也有一幅脑子里很清楚、说起来却总跑偏的画面，可以从最关键的几个位置开始，把它写进布局里。

GitHub：https://github.com/OpenMOSS/MOSS-Image
Hugging Face 在线体验：https://huggingface.co/spaces/OpenMOSS-Team/MOSS-Image

点开试一张。也想看看，你会把山河做成什么材质？