MOSS-Image-SFT提示词技巧:10个让文生图写对中文的实用Prompt技巧(新手友好)
MOSS-Image-SFT提示词技巧:10个让文生图写对中文的实用Prompt技巧(新手友好)
MOSS-Image-SFT 是 OpenMOSS 开源的文生图(text-to-image)模型,最大的亮点是能把中文文字渲染得又对又整齐。本文面向新手,总结 10 个实用的 MOSS-Image-SFT 提示词技巧,帮你少踩坑、多一次生成成功率,不需要写任何复杂代码。
先了解:MOSS-Image-SFT 支持 3 种提示词写法
写提示词之前,先知道模型吃"哪种料",后面 10 个技巧才有落点:
| 写法 | 适合人群 | 说明 |
|---|---|---|
| 自然语言描述(推荐) | 新手首选 | 直接用中/英文句子描述画面,中文写画面说明完全没问题 |
| tag 标签序列 | 习惯 ComfyUI 风格的用户 | 英文标签逗号分隔,控制风格与要素 |
| JSON Layout 布局 | 需要精确排版 | 用 JSON 指定文字、物体的内容与坐标位置 |
它的文本编码器是 Qwen3.5,对中文提示词的理解非常"原生",这也是 MOSS-Image-SFT 在中文文字渲染上表现突出的根本原因。
💡 为什么强调 SFT 版本:同一个提示词下,SFT 版比 Base 版的文字分组更清晰、版式更整齐(官方对比见下),日常使用建议直接选 MOSS-Image-SFT。
| MOSS-Image-Base | MOSS-Image-SFT |
|---|---|
![]() |
![]() |
技巧 1:用自然语言整句描述,别堆砌关键词
MOSS-Image-SFT 原生支持自然语言提示词,一句话把"画面是什么 + 要渲染的文字"说清楚即可。和老一代模型不同,你不需要靠 masterpiece, best quality 这类"魔法词"堆分量——堆砌反而容易让文字渲染跑偏。
技巧 2:套用"场景 → 主体 → 文字 → 风格"固定结构
新手最容易写成一句话糊。建议按四段组织,画面和文字都更稳:
- 场景:厨房、白板上、街边广告牌……
- 主体:冰箱、便签、海报、人物……
- 文字:要渲染的原话(见技巧 3)
- 风格:手写体/印刷体、光照明暗、色调
官方示例就是这个结构,直接抄作业(来自 README.md):
A wide view of a refrigerator beside a kitchen counter with a fruit bowl.
A small sticky note on the refrigerator door is handwritten in Chinese:
"记得买牛奶和鸡蛋!
牛奶两盒,鸡蛋一打。
顺便带一袋面包。"
场景(厨房台面)→ 主体(冰箱上的便签)→ 文字(中文原话)→ 风格(手写体),一次说全。
技巧 3:中文文字必须"引号包住 + 位置写死"
这是让文生图写对中文最关键的一条。三条军规:
- ✅ 把要渲染的文字原样放进引号,不要概括、不要改写
- ✅ 写清楚文字在哪里:在便签上、在冰箱门上、在海报顶部
- ✅ 文字要"落在具体物体表面"(便签、白板、杯身),纯悬空文字容易变形
反例:"画一张写着买牛奶的便签"(模型会自己编字);正例:上面示例里的 "记得买牛奶和鸡蛋!…" 逐字给出。
技巧 4:指定字体风格与视觉属性,中文字形更稳定
同样是中文,"手写体"和"宋体印刷"是两种渲染难度。在提示词里明确:
- 字体风格:handwritten(手写)、printed(印刷)、calligraphy(书法)
- 颜色与载体:黑色墨水、彩色马克笔、白色烫金
- 排版形态:横排、竖排、分几行
写清楚后,模型会按"物体表面的物理质感"去画字,笔画粘连会明显减少。
技巧 5:风格控制可以切到 tag 标签序列
当你想快速试风格(水彩、赛博朋克、产品摄影光),可以用英文 tag 序列替代整句描述,例如:kitchen, refrigerator, sticky note, handwritten chinese text, soft morning light, photorealistic。标签写法更短、变量更少,适合批量对比同一提示词的不同风格。
技巧 6:画布尺寸跟着内容走,且必须是 16 的倍数
两个注意点:
- Python API 中
height/width必须是正整数且为 16 的倍数(校验逻辑见 pipeline_moss_image.py) - 文字多的海报、横版场景,用宽画布(如 1344×768);便签特写用接近正方形(如 1024×1024)。画布越宽,长句中文越不容易被挤变形。
技巧 7:用 JSON Layout 精确控制中文排版(进阶)
要"标题在顶部、三行说明在下方"这种精确排版,直接把 JSON Layout 当作提示词传入。结构由两部分组成:
summary.caption:场景的自然语言总结items:每项包含渲染文字/物体描述 + 包围盒坐标,bbox_format: "yxyx"、bbox_coord_space: "abs_centralized"
好处是文字内容和位置被"锁死",改文案只需改 JSON,不用重新抽卡。改完 JSON 用相同的生成分辨率出图即可。
技巧 8:负面提示词留空,直接用官方默认参数
新手最容易乱调参数,但 MOSS-Image-SFT 的官方默认值就是调好的,照抄即可:
| 参数 | 默认值 | 说明 |
|---|---|---|
| Sampler | Flow-matching Euler | 无需更换 |
| Steps | 50 | 想要更清晰文字可试 50~60 |
| CFG | 3.0 | 保持默认 |
| Shift | 5 | 保持默认 |
| 负分支层跳过 | uncond_skip_layers=[22] |
默认开启,不要删 |
| 负面提示词 | 留空 | 官方明确默认为空 |
这些默认值在 pipeline_moss_image.py 的 __call__ 签名中可以直接看到。
技巧 9:固定随机种子,逐条验证提示词改动
改提示词时固定同一个 seed 再生成对比,才能确定是"提示词的功劳"还是"抽卡运气"。Python 里用 torch.Generator("cpu").manual_seed(42) 传入 generator 参数即可。建议:一次只改一处(文字内容/位置/风格),对比效果再改下一处。
技巧 10:一句话想法?用 Prompt Enhancer 扩写成完整描述
提示词写不出细节,可以用官方提供的 MOSS-Image Prompt Enhancer 技能:把"一张中文冰箱贴购物清单"这样的模糊想法,自动扩写成带空间布局的详细 caption 或 Layout JSON,再把结果粘回提示词框。对新手来说,这是从"一句话"到"专业提示词"的最快路径。
常见问题速查
| 现象 | 优先尝试 |
|---|---|
| 中文字写错/漏字 | 文字放进引号逐字给出;减少字数;用 Layout 锁位置(技巧 3、7) |
| 文字发虚、笔画粘连 | 指定载体表面与字体风格;steps 提到 50~60(技巧 4、8) |
| 文字被挤变形 | 换更宽的画布,16 的倍数(技巧 6) |
| 版式乱、元素重叠 | 切到 JSON Layout 控制坐标(技巧 7) |
写在最后
MOSS-Image-SFT 的提示词核心其实就一句话:像给设计师提需求一样写提示词——场景、主体、逐字的中文原文、位置与风格,四项齐全,中文文字渲染就能稳定下来。建议从技巧 1~4 开始练,再逐步尝试 Layout 排版,配合 README.md 中的采样参数表反复微调。
📂 延伸阅读:模型结构配置见 model_index.json(文本编码器为 Qwen3.5),推理代码入口为 pipeline_moss_image.py,许可证为 Apache-2.0(见 LICENSE)。





