近日，OpenMOSS（复旦NLP与上海创智等团队）正式发布了开源图像生成模型 —— MOSS-Image。针对传统文生图模型在海报、信息图、漫画及UI设计中常年面临的“文字拼写错误、段落截断、元素错位”等痛点，该模型以5B参数的单流 DiT(Diffusion Transformer)为基座从零开始预训练，全面支持最长约4K token的提示词、中英文长文本渲染以及可编辑的结构化 JSON Layout。
在技术架构方面，MOSS-Image采用Muon–AdamW训练配方，通过统一的文本条件通道来处理自然语言和结构化布局。模型使用 Qwen3.5-9B 作为文本编码器，并配合 FLUX.2VAE 进行图像解码。训练数据集涵盖约3B张图像，融入了多粒度caption、文字监督与结构化边界框（bbox）监督。为了应对复杂创作需求，模型还引入了意图感知的提示增强(PE)外部规划模块，可将简短的请求自动扩展为包含字体层级、色板和坐标规范的可执行指令。
在核心能力与评测表现上，MOSS-Image展现出了极强的专项优势:
长文本渲染（LLTB）:在包含中英文各120个任务、平均目标文本约1339.8个字符的评测中，其Mean-6得分为96.3，创造了开源权重模型的新高，能够较好地保留换行和段落结构。
结构化布局（7Bench）:在统一JSON Layout任务上，其检测框mIoU达到0.8786，整体布局mIoU为0.6788，在空间关系和相对大小控制上表现优异。
端到端偏好（RealLayoutArena）:在盲测Elo排名中，其生成器本身在统一增强提示词下的得分达到1807.34，处于行业领先地位。
目前，MOSS-Image 的 Base 与 SFT 权重均采用 Apache-2.0协议开源，并全面打通了 Diffusers、Gradio 和 ComfyUI 等生态路径，支持 LoRA 与全量微调。不过，官方也明确了其当前边界:其 backbone 属于纯文生图模型，无法直接接收参考图或执行原生图像编辑，其提示增强模块也依赖外部语言模型。总体而言，该模型的推出为需要本地部署、精准排版和可复现版式的开发者提供了一个功能强大的开源新选择。
2026智元创新日，熊彦发布具身智能原生操作系统灵渠OS 1.0。该系统覆盖构建到部署全流程及底层硬件到上层应用全技术栈，已通过量产机器人大规模验证；定义机器人本体硬件接入新范式，支持15类100余种外设快速接入，并面向高可靠、确定性与低时延完成全栈确定性优化。
Anthropic 10月27日报告称，一未公开Claude内部研究模型仅凭初始提示，便自主定位漏洞、编写利用代码，在Chrome、Safari、Android、Windows和Linux上发现缺陷并串成5条攻击链。漏洞均已通报厂商并修复。最惊心的是Linux内核网络栈零点击远程代码执行漏洞CVE-2026-98432，目标为运行多路径TCP监听器的服务器。
OpenAI员工近日发表《公司的未来》，探讨AI深度融入组织后，未来混合型公司可能出现的三种情景。作者指出，AI生产性采用并非一蹴而就，三种演进将深刻影响工作形态、层级结构、企业规模与薪酬差距。其中形态一为“在我们之下”：基层员工全员晋升为管理者。
监管文件显示，截至2026年9月30日三个月，微软来自OpenAI相关合作收入达100亿美元，占当季923亿美元总营收近11%；若延续，年收入或达约400亿美元，而上一财年仅241亿美元。早年逾130亿美元投资，正变成长期抽成，双方金钱账更直白。
Google 正让 Chrome 自动填充从“记住”转向“找来”：由 Gemini 和个人智能驱动，Chrome 可读取 Gmail，按当前表单主动提供订单号、物流单号、航班预订编号等信息。该增强填表功能10月底起向美国用户分批推送，覆盖桌面版 Chrome 及 iOS、Android 上启用 Gemini 的用户，试图改变十年来依赖用户自行保存姓名地址的旧模式。
关注 “悠AI” 更多干货技巧行业动态
相关文章
