复旦邱锡鹏团队获超 10 亿融资，图像模型 MOSS-Image 恰逢其会？【免费下载链接】MOSS-Image项目地址: https://ai.gitcode.com/hf_mirrors/Comfy-Org/MOSS-Image2026 年 10 月，一则融资消息在 AI 圈迅速发酵：由复旦大学邱锡鹏团队核心成员创办的模思智能，宣布完成超 10 亿元人民币的 Pre-A 轮融资。这家成立仅两年的公司，前身是 2023 年因「国内首个开放测试的类 ChatGPT 大模型 MOSS」而声名鹊起的 OpenMOSS 团队。几乎在同一时间窗口，其开源图像生成模型 MOSS-Image 正在 ComfyUI 生态中快速扩散：Comfy-Org 官方仓库为其打包了完整可用的模型文件，社区评测将它与 FLUX 3、HY-Image 3.5、MAI-Image-2.6 Preview、GPT Image 2.5 逐一对比。一边是资本的真金白银，一边是开源社区的热度攀升——这两件事是巧合，还是同一盘棋的两步？本文结合公开报道与仓库源码，拆解这笔融资的投向，以及 MOSS-Image 在团队版图中的真实位置。超 10 亿融资：钱花在哪，押注什么方向先看事实层面。多家媒体交叉报道的核心信息有三点：其一，模思智能本轮融资额「超 10 亿元」，轮次为 Pre-A，这在成立仅两年的 AI 创企中属于罕见的大手笔；其二，团队公开对外表述的技术主线，是让模型「感知、理解、响应变化的世界」；其三，报道反复强调的关键词是「语音多模态」与「情境智能」。这三点其实勾勒出一条清晰的押注路径。所谓「情境智能」（Contextual Intelligence），含义是让 AI 不只处理单一模态的输入，而是把图像、视频、音频、文本放在同一个物理世界的时空情境里去理解。团队对外展示的能力方向极具代表性：实时理解长视频、在鸡尾酒会般的嘈杂环境中听清目标说话人。前者考验视觉语言模型对时序与事件顺序的建模，后者考验多说话人语音分离与音频理解——两者都是「从实验室指标走向真实物理世界」的硬骨头，也恰恰是通用对话模型最薄弱的环节。钱花在哪里也就顺理成章：大模型创业的固定成本是算力与数据，而语音多模态、视频理解这类方向的数据采集与清洗成本显著高于纯文本；Pre-A 轮即超 10 亿元，对应的是团队从「学术实验室模型」向「物理世界可部署系统」跨越所需的持续投入。值得注意的是，这笔融资并非投向一个全新的概念，而是对团队既有能力矩阵的强化——从 MOSS 对话模型、MOSS-VL 视觉语言系列到 MOSS-Image 图像生成，团队在语言、视觉、语音三条线上都有开源积累，融资要做的是把这三条线捏合成一个能「感知变化世界」的产品。MOSS-Image 在团队版图中的位置：过渡产品还是关键支点在「情境智能」的大叙事下，MOSS-Image 常被低估为一个过渡性的图像玩具。但从仓库内容与公开技术资料看，它的定位远比「玩具」重。一份 ComfyUI 官方打包的完整推理栈本地仓库 hf_mirrors/Comfy-Org/MOSS-Image 本质上是 ComfyUI 官方组织对 OpenMOSS 原始模型的重打包分发，其目录结构本身就是一张完整的模型架构图：📂 diffusion_models/ │ ├── moss_image_base_bf16.safetensors │ ├── moss_image_base_int8_convrot.safetensors │ ├── moss_image_sft_bf16.safetensors │ └── moss_image_sft_int8_convrot.safetensors 📂 text_encoders/ │ ├── qwen3.5_9b_bf16.safetensors │ ├── qwen3.5_9b_int8_convrot.safetensors │ └── qwen3.5_9b_w4a8_gptq.safetensors 📂 vae/ │ ├── flux2-vae.safetensors │ └── flux2-vae_small.safetensors三组文件对应三段式流水线：diffusion_models/是 5B 规模的扩散 Transformer（DiT）主干，分为 Base 与 SFT 两个版本；text_encoders/是 9B 规模的 qwen3.5_9b 文本编码器，负责把提示词编码为条件；vae/复用 FLUX 2 的 VAE 完成图像空间的编解码。这套「5B DiT + 9B 文本编码器 + FLUX2-VAE」的组装方案，说明 MOSS-Image 并非从零另起炉灶，而是站在当前开源图像生成技术栈的最优解之上做差异化——这个差异化，恰恰是团队最想对外输出的能力：对文字的精确渲染与对布局的强控制。Layout JSON：把「可控制」写进提示词协议MOSS-Image 最被社区称道的特性，是它能直接「读取」结构化布局提示词。普通文生图模型只能吃自然语言，MOSS-Image 则支持三种输入形态：自然语言提示词、Tag 标签序列，以及带空间坐标的 JSON Layout。后者长这样（核心字段）：{ "summary": { "caption": "厨房一角，冰箱门上贴着手写中文便签" }, "items": [ { "bbox_format": "yxyx", "bbox_coord_space": "abs_centralized" } ] }summary.caption决定画面整体内容，items列表用yxyx格式的整数中心化绝对坐标逐个框定元素位置。官方配套的 Prompt Enhancer 技能可以把一句灵感自动扩写成 caption 或带坐标的 Layout，坐标转换由脚本完成、无需手算。出图时用json.dumps(layout, ensure_ascii=False)序列化后作为正向提示词传入即可。这套设计的工程意义在于：它为文生图引入了「版面语言」。结合 MOSS-Image 的中文文字渲染强项（官方示例中冰箱便签上的中文逐字可读），Layout 机制实际上把图像生成从「抽卡」变成了「排版」，这正是海报、白板笔记、图文混排等文字密集型生产场景的刚需。社区流传的选型经验也与此呼应：同一提示词下，SFT 版本「文字分组更清晰、白板式排版更规整」，适合出最终稿；Base 版本更适合作为 LoRA 微调与结构实验的底座。从 Base 到 SFT：开源版本矩阵里的工程用心仓库同时提供 bf16 与int8_convrot两个精度版本，文本编码器还额外提供w4a8_gptq量化格式——这说明团队与 ComfyUI 生态在部署成本上做了协同设计：高精度版本保质量，量化版本压门槛。配合官方推荐的采样方案（Flow-matching Euler、50 步、CFG 3.0、Shift 5、负分支跳层uncond_skip_layers=[22]、负向提示词留空），MOSS-Image 在消费级显卡上即可获得可用效果，这在 5B DiT + 9B 编码器的组合下并不常见。把以上技术点放回团队版图里看：MOSS-Image 不是「过渡产品」，而是「情境智能」感知侧的视觉支柱之一。它与 MOSS-VL（视觉理解）、语音模型（音频理解）共同构成「多模态感知」拼图，区别只在于一个负责生成、一个负责理解。图像生成能力还为团队提供了独特的数据飞轮——用可控布局批量合成带精确标注的训练数据，反过来喂养视频与语音模型的训练，这条链路是纯文本团队不具备的。融资光环与开源热度的互相加持这笔融资与 MOSS-Image 的开源热度，并非平行线。细看会发现两者存在清晰的互馈关系。开源是融资的「信任状」与「雷达」。模思智能的前身 OpenMOSS 从 2023 年发布国内首个开放测试的类 ChatGPT 模型开始，就走「开源换声量」路线：MOSS-003 插件增强版集成搜索引擎、文本转图像、计算器、方程求解器四大插件并给出 INT4/INT8 量化版本，MOSS-VL 系列把 11B 级视觉语言模型的部署门槛压到单张 24GB 显卡，NF4 量化版本图片推理峰值显存仅约 12.2GB——每一次开源发布都在向资本与开发者市场广播团队的工程化能力。Pre-A 即超 10 亿，投资者评估的不仅是论文与 demo，更是这套被数十万开发者验证过的开源分发与量化工程体系。融资反过来加速开源生态的沉淀。有资本托底后，团队才有余力做「开源版本矩阵」这类不直接产生收入、但对社区极其友好的工作——这也是我们能在 Comfy-Org 官方仓库看到 bf16/int8/gptq 多精度打包、Base/SFT 双轨发布的原因。这类投入直接转化成了社区热度：OrcaRouter 等第三方评测将 MOSS-Image 与 FLUX 3、HY-Image 3.5、MAI-Image-2.6 Preview、GPT Image 2.5 并列对比，并评价其在文本渲染类任务上位居第一梯队；GitCode、Hugging Face 双平台分发让下载与二次开发零门槛。热度的积累又会反哺融资叙事——「开源社区最活跃的中文文生图模型」本身就是稀缺资产。值得玩味的是时间节奏：融资消息与 MOSS-Image 社区文章、ComfyUI 打包发布几乎同步出现在信息流里。无论这是刻意的节奏设计还是自然的时间巧合，客观效果都是「资本背书 + 开源实证」互相印证——投资者看到的是团队能把模型推向真实用户，开发者看到的是团队有钱持续维护开源项目。两者互为对方的「可验证信号」。结语回到标题的设问：MOSS-Image 是否「恰逢其会」？从证据看，它不是被融资浪潮偶然裹挟的配角。这笔超 10 亿元 Pre-A 融资押注的「情境智能」，需要视觉生成作为感知闭环的一环；MOSS-Image 的开源热度，又为这笔融资提供了社区层面的可信度证明。模型在仓库里静静躺着的四份扩散模型权重、三份文本编码器与两套 VAE，代表的是一个学术团队向「物理世界智能」公司转型的具象化资产。对于开发者而言，更实在的启示或许在于：当一个开源模型的发布组织开始与 ComfyUI 官方生态深度共建、并同时获得十亿级资本认可时，意味着它可以被认真当作生产依赖来对待了——README.md 里的目录结构，就是你接入这套能力栈的起点。【免费下载链接】MOSS-Image项目地址: https://ai.gitcode.com/hf_mirrors/Comfy-Org/MOSS-Image创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
复旦邱锡鹏团队获超 10 亿融资，图像模型 MOSS-Image 恰逢其会？【免费下载链接】MOSS-Image项目地址: https://ai.gitcode.com/hf_mirrors/Comfy-Org/MOSS-Image2026 年 10 月，一则融资消息在 AI 圈迅速发酵：由复旦大学邱锡鹏团队核心成员创办的模思智能，宣布完成超 10 亿元人民币的 Pre-A 轮融资。这家成立仅两年的公司，前身是 2023 年因「国内首个开放测试的类 ChatGPT 大模型 MOSS」而声名鹊起的 OpenMOSS 团队。几乎在同一时间窗口，其开源图像生成模型 MOSS-Image 正在 ComfyUI 生态中快速扩散：Comfy-Org 官方仓库为其打包了完整可用的模型文件，社区评测将它与 FLUX 3、HY-Image 3.5、MAI-Image-2.6 Preview、GPT Image 2.5 逐一对比。一边是资本的真金白银，一边是开源社区的热度攀升——这两件事是巧合，还是同一盘棋的两步？本文结合公开报道与仓库源码，拆解这笔融资的投向，以及 MOSS-Image 在团队版图中的真实位置。超 10 亿融资：钱花在哪，押注什么方向先看事实层面。多家媒体交叉报道的核心信息有三点：其一，模思智能本轮融资额「超 10 亿元」，轮次为 Pre-A，这在成立仅两年的 AI 创企中属于罕见的大手笔；其二，团队公开对外表述的技术主线，是让模型「感知、理解、响应变化的世界」；其三，报道反复强调的关键词是「语音多模态」与「情境智能」。这三点其实勾勒出一条清晰的押注路径。所谓「情境智能」（Contextual Intelligence），含义是让 AI 不只处理单一模态的输入，而是把图像、视频、音频、文本放在同一个物理世界的时空情境里去理解。团队对外展示的能力方向极具代表性：实时理解长视频、在鸡尾酒会般的嘈杂环境中听清目标说话人。前者考验视觉语言模型对时序与事件顺序的建模，后者考验多说话人语音分离与音频理解——两者都是「从实验室指标走向真实物理世界」的硬骨头，也恰恰是通用对话模型最薄弱的环节。钱花在哪里也就顺理成章：大模型创业的固定成本是算力与数据，而语音多模态、视频理解这类方向的数据采集与清洗成本显著高于纯文本；Pre-A 轮即超 10 亿元，对应的是团队从「学术实验室模型」向「物理世界可部署系统」跨越所需的持续投入。值得注意的是，这笔融资并非投向一个全新的概念，而是对团队既有能力矩阵的强化——从 MOSS 对话模型、MOSS-VL 视觉语言系列到 MOSS-Image 图像生成，团队在语言、视觉、语音三条线上都有开源积累，融资要做的是把这三条线捏合成一个能「感知变化世界」的产品。MOSS-Image 在团队版图中的位置：过渡产品还是关键支点在「情境智能」的大叙事下，MOSS-Image 常被低估为一个过渡性的图像玩具。但从仓库内容与公开技术资料看，它的定位远比「玩具」重。一份 ComfyUI 官方打包的完整推理栈本地仓库 hf_mirrors/Comfy-Org/MOSS-Image 本质上是 ComfyUI 官方组织对 OpenMOSS 原始模型的重打包分发，其目录结构本身就是一张完整的模型架构图：📂 diffusion_models/ │ ├── moss_image_base_bf16.safetensors │ ├── moss_image_base_int8_convrot.safetensors │ ├── moss_image_sft_bf16.safetensors │ └── moss_image_sft_int8_convrot.safetensors 📂 text_encoders/ │ ├── qwen3.5_9b_bf16.safetensors │ ├── qwen3.5_9b_int8_convrot.safetensors │ └── qwen3.5_9b_w4a8_gptq.safetensors 📂 vae/ │ ├── flux2-vae.safetensors │ └── flux2-vae_small.safetensors三组文件对应三段式流水线：diffusion_models/是 5B 规模的扩散 Transformer（DiT）主干，分为 Base 与 SFT 两个版本；text_encoders/是 9B 规模的 qwen3.5_9b 文本编码器，负责把提示词编码为条件；vae/复用 FLUX 2 的 VAE 完成图像空间的编解码。这套「5B DiT + 9B 文本编码器 + FLUX2-VAE」的组装方案，说明 MOSS-Image 并非从零另起炉灶，而是站在当前开源图像生成技术栈的最优解之上做差异化——这个差异化，恰恰是团队最想对外输出的能力：对文字的精确渲染与对布局的强控制。Layout JSON：把「可控制」写进提示词协议MOSS-Image 最被社区称道的特性，是它能直接「读取」结构化布局提示词。普通文生图模型只能吃自然语言，MOSS-Image 则支持三种输入形态：自然语言提示词、Tag 标签序列，以及带空间坐标的 JSON Layout。后者长这样（核心字段）：{ "summary": { "caption": "厨房一角，冰箱门上贴着手写中文便签" }, "items": [ { "bbox_format": "yxyx", "bbox_coord_space": "abs_centralized" } ] }summary.caption决定画面整体内容，items列表用yxyx格式的整数中心化绝对坐标逐个框定元素位置。官方配套的 Prompt Enhancer 技能可以把一句灵感自动扩写成 caption 或带坐标的 Layout，坐标转换由脚本完成、无需手算。出图时用json.dumps(layout, ensure_ascii=False)序列化后作为正向提示词传入即可。这套设计的工程意义在于：它为文生图引入了「版面语言」。结合 MOSS-Image 的中文文字渲染强项（官方示例中冰箱便签上的中文逐字可读），Layout 机制实际上把图像生成从「抽卡」变成了「排版」，这正是海报、白板笔记、图文混排等文字密集型生产场景的刚需。社区流传的选型经验也与此呼应：同一提示词下，SFT 版本「文字分组更清晰、白板式排版更规整」，适合出最终稿；Base 版本更适合作为 LoRA 微调与结构实验的底座。从 Base 到 SFT：开源版本矩阵里的工程用心仓库同时提供 bf16 与int8_convrot两个精度版本，文本编码器还额外提供w4a8_gptq量化格式——这说明团队与 ComfyUI 生态在部署成本上做了协同设计：高精度版本保质量，量化版本压门槛。配合官方推荐的采样方案（Flow-matching Euler、50 步、CFG 3.0、Shift 5、负分支跳层uncond_skip_layers=[22]、负向提示词留空），MOSS-Image 在消费级显卡上即可获得可用效果，这在 5B DiT + 9B 编码器的组合下并不常见。把以上技术点放回团队版图里看：MOSS-Image 不是「过渡产品」，而是「情境智能」感知侧的视觉支柱之一。它与 MOSS-VL（视觉理解）、语音模型（音频理解）共同构成「多模态感知」拼图，区别只在于一个负责生成、一个负责理解。图像生成能力还为团队提供了独特的数据飞轮——用可控布局批量合成带精确标注的训练数据，反过来喂养视频与语音模型的训练，这条链路是纯文本团队不具备的。融资光环与开源热度的互相加持这笔融资与 MOSS-Image 的开源热度，并非平行线。细看会发现两者存在清晰的互馈关系。开源是融资的「信任状」与「雷达」。模思智能的前身 OpenMOSS 从 2023 年发布国内首个开放测试的类 ChatGPT 模型开始，就走「开源换声量」路线：MOSS-003 插件增强版集成搜索引擎、文本转图像、计算器、方程求解器四大插件并给出 INT4/INT8 量化版本，MOSS-VL 系列把 11B 级视觉语言模型的部署门槛压到单张 24GB 显卡，NF4 量化版本图片推理峰值显存仅约 12.2GB——每一次开源发布都在向资本与开发者市场广播团队的工程化能力。Pre-A 即超 10 亿，投资者评估的不仅是论文与 demo，更是这套被数十万开发者验证过的开源分发与量化工程体系。融资反过来加速开源生态的沉淀。有资本托底后，团队才有余力做「开源版本矩阵」这类不直接产生收入、但对社区极其友好的工作——这也是我们能在 Comfy-Org 官方仓库看到 bf16/int8/gptq 多精度打包、Base/SFT 双轨发布的原因。这类投入直接转化成了社区热度：OrcaRouter 等第三方评测将 MOSS-Image 与 FLUX 3、HY-Image 3.5、MAI-Image-2.6 Preview、GPT Image 2.5 并列对比，并评价其在文本渲染类任务上位居第一梯队；GitCode、Hugging Face 双平台分发让下载与二次开发零门槛。热度的积累又会反哺融资叙事——「开源社区最活跃的中文文生图模型」本身就是稀缺资产。值得玩味的是时间节奏：融资消息与 MOSS-Image 社区文章、ComfyUI 打包发布几乎同步出现在信息流里。无论这是刻意的节奏设计还是自然的时间巧合，客观效果都是「资本背书 + 开源实证」互相印证——投资者看到的是团队能把模型推向真实用户，开发者看到的是团队有钱持续维护开源项目。两者互为对方的「可验证信号」。结语回到标题的设问：MOSS-Image 是否「恰逢其会」？从证据看，它不是被融资浪潮偶然裹挟的配角。这笔超 10 亿元 Pre-A 融资押注的「情境智能」，需要视觉生成作为感知闭环的一环；MOSS-Image 的开源热度，又为这笔融资提供了社区层面的可信度证明。模型在仓库里静静躺着的四份扩散模型权重、三份文本编码器与两套 VAE，代表的是一个学术团队向「物理世界智能」公司转型的具象化资产。对于开发者而言，更实在的启示或许在于：当一个开源模型的发布组织开始与 ComfyUI 官方生态深度共建、并同时获得十亿级资本认可时，意味着它可以被认真当作生产依赖来对待了——README.md 里的目录结构，就是你接入这套能力栈的起点。【免费下载链接】MOSS-Image项目地址: https://ai.gitcode.com/hf_mirrors/Comfy-Org/MOSS-Image创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考