MOSS-Image vs GPT Image 2.5：开源模型赢得书法测试

今天 DeepSeek 开源了生产级推理框架 DeepInfer，很多人都在聊同一个话题：怎么用更少的算力，跑出更强的模型。

巧的是，我这两天也在测一个走同样路子的开源模型：MOSS-Image，只有 5B 参数。我给它和号称目前最强的闭源模型 GPT Image 2.5 出了同一道难题。

结果是：GPT Image 2.5 第二轮就翻车了，开源的 5B 小模型两次都画对了整首《将进酒》。诗仙李白看了，怕是也要再饮三百杯。

题目是这样的：在一张水墨长卷里画出李白临江举杯的场景，把《将进酒》全文写成 12 行书法，再配上标题、作者、一枚朱印和三行英文。石台上要有 4 个酒杯，不能多也不能少。

我原本以为闭源模型会稳赢。第一轮两者确实不相上下，可到了第二轮，我只改了两处细节，GPT Image 2.5 就数错了酒杯，MOSS-Image 两轮都画对了。

下面是 MOSS-Image 生成的 2 张图

下面是 GPT Image 2.5 生成的 2 张图

这道题难在哪？

这段提示词是我故意往难里写的。

这首名诗，12 行，一百七十多个字，要用行楷写在画上，还得一个字都不错。我之前试过不少模型，字数一多就开始乱。

酒杯数量是我特意加的，AI 画图数不清东西也是出了名的。

再加上画面里塞了不少东西：江景、李白、标题、印章、整首诗、三行英文，各有各的位置。我还在最后补了一句，除了这些不准有别的字，印章也只能有一枚。

第一轮：两个都过关

第一轮我让石台上放 2 个酒杯，英文最后一句是 "Let us drink away the sorrows of all ages."

两张图出来，我挨个对了一遍：诗文没错字，印章只有一枚，英文写对了，酒杯也都是 2 个。这一轮两个模型都顺利过关。

要说区别，主要在观感上。MOSS-Image 那张墨色有浓有淡，留白也舒服，挂起来像一幅真画。GPT Image 2.5 乍一看也很好，放大看细节，笔触就有点平，少了些水墨晕开的味道。

第二轮：只改两处，差距出来了

接下来我只改了两个地方：

酒杯从 2 个改成 4 个
英文最后一句后面加一个 "Cheers"

按理说这是最小的改动，结果是：

MOSS-Image：两处都改对了。酒杯正好 4 个，"Cheers" 也加上了，12 行诗文和印章都没有被带乱。
GPT Image 2.5："Cheers" 加上了，但酒杯数量出错，要求 4 个，画出来是 5 个。

当然，这只是一组提示词的实测，不代表所有场景。但在"长文本加精确控制"这件事上，开源的 5B 模型交出了一份很漂亮的答卷。

为什么一个 5B 小模型能做到

回头看这次测试，MOSS-Image 能两轮都画对，靠的是这几项能力：

中英文渲染准确。 12 行、一百七十多个汉字的行楷没有错字、漏字，底部三行英文和第二轮加的 "Cheers" 也写得清楚。
长提示词理解完整。 它最长支持 4K tokens 提示词。我这段提示词有画种、场景、标题、诗文、英文、负面约束好几块，它从头到尾都照做了，没有顾头不顾尾。所以第二轮改了酒杯数量、加了一个词，它两处都改到位了，其他部分也没被带乱。
风格可控。 这次要的是宣纸水墨质感，它没有跑成写实或 3D 风格。除了国风，动漫、插画、照片级写实它也都能画。

如果你想把它用到工作里，还有两点值得知道：一是支持结构化 JSON Layout，可以直接指定文字和元素的位置，做海报、电商图、社媒封面时构图更好控制；二是 Base 和 SFT 两个版本的权重、代码和使用指南都已开源，SGLang 和 vLLM-Omni 提供 Day 0 支持，做 LoRA 微调或二次开发可以直接上手。

测试方法和提示词小技巧

流程很简单：两个模型用的是同一段提示词，第一轮跑完后，只改两处细节再跑第二轮。MOSS-Image 在官方体验平台上生成，GPT Image 2.5 在 ChatGPT 里在线生成。

写这类复杂提示词，我总结了三个小技巧：

先定画种和材质。 写明宣纸、水墨、矿物颜料，再加一句 "not photographic, not 3D"，防止画面跑成写实风。
按区域分块描述。 左下写场景，右上写标题和印章，右半边写诗文，底部写英文。每块分开写，模型更容易照做。
用负面约束收尾。 最后加一句 "No other text, no extra seals, no watermarks"，画面会干净很多。

完整提示词

下面是第一轮用的完整提示词，可以直接复制去试：

text

1A traditional Chinese ink-and-wash painting on warm ivory xuan paper, tall hanging-scroll format. Layered black ink, soft gray washes, muted blue-green mineral pigment, pale ochre, visible paper fibers, feathered wet-ink edges, dry-brush texture. Hand-painted, not photographic, not 3D.
2Scene in the left and lower part: a mighty river bursts from cloud-veiled mountains, drawn with flowing ink lines and blank paper. Weathered cliffs, layered distant peaks, a wind-bent pine, drifting mist, a pale moon behind thin clouds. On a rocky riverside terrace, a poet in loose ivory robes with a simple topknot raises a small wine cup to the sky. A round ceramic wine jar and two cups sit on a flat stone beside him.
3Upper right: large bold brush title 《将进酒》, below it the author name 李白, with exactly one small vermilion seal reading 诗酒 next to the author name.
4Right half: the complete poem in clean, clearly readable regular-running script Chinese calligraphy, written in exactly 12 horizontal lines, even line spacing, every character correct, on clear blank paper:
5Line 1: 君不见，黄河之水天上来，奔流到海不复回。
6Line 2: 君不见，高堂明镜悲白发，朝如青丝暮成雪。
7Line 3: 人生得意须尽欢，莫使金樽空对月。
8Line 4: 天生我材必有用，千金散尽还复来。
9Line 5: 烹羊宰牛且为乐，会须一饮三百杯。
10Line 6: 岑夫子，丹丘生，将进酒，杯莫停。
11Line 7: 与君歌一曲，请君为我倾耳听。
12Line 8: 钟鼓馔玉不足贵，但愿长醉不复醒。
13Line 9: 古来圣贤皆寂寞，惟有饮者留其名。
14Line 10: 陈王昔时宴平乐，斗酒十千恣欢谑。
15Line 11: 主人何为言少钱，径须沽取对君酌。
16Line 12: 五花马，千金裘，呼儿将出换美酒，与尔同销万古愁。
17Bottom center, small dark-gray serif English text in three lines:
18BRING IN THE WINE
19Li Bai
20Let us drink away the sorrows of all ages.
21No other text, no extra seals, no watermarks anywhere else in the painting.