把海报写成 JSON：MOSS-Image 的布局提示词
OpenMOSS 开源 5B 文生图模型 MOSS-Image，可以用 JSON 布局提示词写明每行字、每个元素放在哪个框里，海报从一张图变成一份数据。
一、字放在哪里
做过海报的人都知道，难的往往不是画面，而是字。
标题放在哪里，副标题多大，活动日期贴着哪条边，这些才是设计稿反复改的地方。
文生图模型这几年进步很快，画面越来越好看，但"字放在哪里"一直是个老问题。
你在提示词里写"标题在顶部居中"，模型大概率能听懂一半。剩下一半，看运气。
怎么解决呢？
有一个思路是：别用自然语言描述位置，直接把坐标写给它。
10 月 16 日，OpenMOSS 团队发布的开源文生图模型 MOSS-Image，就是这么做的。
二、MOSS-Image 是什么
先看基本信息（据 OpenMOSS 官网、GitHub 仓库 和 Hugging Face 模型页）。
1、发布了两个版本：MOSS-Image-Base，以及在精选数据上微调的 MOSS-Image-SFT。
2、模型是 5B 参数的 DiT（Diffusion Transformer），从零训练。
3、提示词最长 4K token。
4、能渲染中文和英文文字，支持动漫和写实两类风格。
5、权重采用 Apache-2.0 许可证。
另外，官方提到训练用的是异构 GPU 平台，也就是不同型号的显卡混在一起训。这对算力不宽裕的团队，是一个值得关注的细节。
需要提醒一句：写实风格如果涉及真人的肖像，商用之前要先取得本人授权。
三、JSON 提示词长什么样
这是本文的重点。
MOSS-Image 的提示词，可以是一段普通的文字，也可以是一份结构化的 JSON。
JSON 分两部分。
1、summary.caption：用一句话描述整张画面。
2、items：画面里的每一个元素，一项一项列出来。
每个元素有四个字段：label 说明它是文字（text）还是物体（object），caption 描述它的样子，text 写要渲染的精确文字，bbox 写它放在哪个框里。
下面是官方 GitHub README 里的原例，画布为 1024×1024（原文照录，来源：OpenMOSS/MOSS-Image README）。
{
"summary": {
"meta": ["poster"],
"canvas": "single",
"caption": "A minimalist travel poster with a cream background, a blue mountain illustration, and the title EXPLORE at the top."
},
"items": [
{
"label": "text",
"caption": "Large dark-blue uppercase title centered at the top.",
"text": "EXPLORE",
"bbox": [-416, -384, -288, 384]
},
{
"label": "object",
"caption": "A flat blue mountain illustration in the lower center.",
"bbox": [-192, -288, 384, 288]
}
],
"bbox_coord_space": "abs_centralized",
"bbox_format": "yxyx"
}
这是一张写着 "EXPLORE" 的极简旅行海报：奶油色底，标题在顶部居中，蓝色山峦在下方。最后两个字段 bbox_coord_space 和 bbox_format，分别声明坐标系和坐标顺序，下一节细说。
这里有两个细节值得注意。
1、要渲染的文字，单独放在 text 字段里，和描述样式的 caption 分开。也就是说，"写什么"和"长什么样"是两件事，不会混在一句话里让模型去猜。
2、文字和物体用同一种格式描述，都是一个框加一段说明。对模型来说，一行标题和一座山，都只是画布上的一个元素。
四、坐标是怎么算的
bbox 的格式值得单独说一下，因为它和很多人的习惯不一样。
第一，顺序是 [y_min, x_min, y_max, x_max]，先写纵坐标，再写横坐标。
第二，原点在画布的中心，不在左上角。
以 1024 的画布为例，坐标范围是 −512 到 +512。
大家猜猜看，为什么要把原点放在中心？
官方没有解释原因。我的猜测是：海报的构图大多围绕中心展开，"居中"这件事在中心坐标系里最好写，左右对称的元素，坐标也正好互为相反数。（这只是我的推测。）
不管原因是什么，实际使用时要记住一点：从别的工具里复制过来的左上角坐标，不能直接用，得先换算。官方给的换算办法是：普通的 x 坐标减去画布宽度的一半，y 坐标减去高度的一半；x 向右增大，y 向下增大。
另外，如果你习惯先写 x 再写 y，这里也要倒过来。顺序写反了，框就跑到别的地方去了，而且不会报错，只会画错。
五、为什么这件事有意思
把排版写成 JSON，带来两个好处。
1、位置变成了可以精确指定的东西。 标题在哪里、多大，不再靠模型去猜。
2、修改变成了改数据。 官方说，改 JSON 里的文字、描述或者框，就能做受控编辑。比如活动换了城市，只改 text 那一项，其他元素原样不动。
第二点对设计和运营的意义更大。
以前，一张海报是一张图。以后，一张海报可以是一份数据，再加一个模型。
数据可以进版本管理，可以批量生成，可以让程序去改。同一套布局，换一组文字，就是另一张海报。
当然，这只是工作流上的可能性。生成出来的图好不好看、字有没有错，仍然需要人来把关。
六、热度和社区
据 Silicon Noon 引述量子位的报道（属于二手数据）：
1、首四天各 Hugging Face 镜像累计下载约 130 万，登上文生图趋势榜第一。
2、在 LLTB 文字渲染基准上排开源第一，覆盖率 96.3%。
3、盲测设计评测 Elo 1,698.70，仅次于 GPT Image 2。
4、社区已经做出 8 步蒸馏版（下载超过 7.5 万），以及 GGUF、INT8、MLX 等版本。
Silicon Noon 还称，它的文本编码器是冻结的 Qwen3.5-9B。
这些数字都来自转述，并非官方直接公布，引用时请保留出处。
七、怎么使用
官方提供了 Diffusers 的自定义 pipeline。推荐的采样设置是：Flow-matching Euler，50 步，CFG 3，shift 5，负分支在第 22 层跳过。
如果想在本地点点鼠标，可以用 Gradio 界面。它有三种显存模式：GPU 常驻、按组件加载、顺序加载，显卡小一点也有办法。
用 ComfyUI 的同学，官方说 ComfyUI 已经原生支持 MOSS-Image：更新到带支持的 master/nightly 版本，配合 ComfyUI 格式的权重即可，不需要额外装插件。
还有一个小工具很实用：官方提供了一个 "MOSS-Image Prompt Enhancer" Agent skill，能把一句想法转成带居中整数坐标的布局 JSON。
也就是说，你不必手写坐标，可以先让 Agent 起草，再自己微调。
八、我的看法
文生图模型，过去比的是"画得像不像"。MOSS-Image 让人看到另一条路：比的是"听不听话"。
设计行业的大部分工作，并不是天马行空，而是在约束里做事：品牌色、字号、版式、位置。能把约束写成数据交给模型，比多一点画质更有用。
它是开源的，许可证也宽松，这一点我很欣赏。
如果你经常需要做带字的海报和封面，可以试试它。
（完）
来源：OpenMOSS 官网；GitHub 仓库（文中 JSON 示例照录自 README）；Hugging Face 模型页；Silicon Noon。下载量、榜单、LLTB、Elo、蒸馏版下载量及文本编码器信息均为 Silicon Noon 引述量子位的二手数据，非官方公布；坐标原点放在中心的原因为作者推测；生成真人形象须先取得本人授权。