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 TransformerDiT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_asciiFalse)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