AI 生图还能用 JSON 控制排版？我拿 5B 开源模型做了次商业海报实验

麻酱AI实验室·约 13 分钟阅读

2026年10月23日10月23日

文章封面：AI 生图还能用 JSON 控制排版？我拿 5B 开源模型做了次商业海报实验

文章目录

部分视频或图片暂未收录，已在正文保留提示；需要时可查看原文。查看原文 ↗

我靠！现在的 AI 生图，已经开始支持直接用 JSON 来控制画面布局了？！

最近研究开源生图模型的时候，发现了一个挺有意思的项目：MOSS-Image

只有 5B 参数，却同时把「文字渲染」和「结构化布局」作为重点能力。

这让我突然想到一个问题： 能不能把一张商业海报，像写前端页面一样，把人物、产品、标题、文案的位置全部定义好，然后直接交给 AI 生成？ 毕竟现在让 AI 生成漂亮图片，已经不是什么新鲜事了。

但真正做过商业设计的人应该都懂：漂亮和能用，完全是两回事！你想把标题放在右上角，它偏偏给你放在中间；想让产品大一点，人物反而占满画面；再加上中文乱码、文案被遮挡、信息层级混乱……经常是图挺好看，最后还是要打开 PS 重新做排版

所以这次我想认真测试一下，MOSS-Image 的 JSON Layout 到底能解决多少实际问题！

直接上真实商业案例：日系美女 × 草莓甜品店广告海报！ 既要有漂亮的成年女性模特、诱人的美食和日本时尚杂志的摄影质感，还得能把中文标题、英文副标题、活动标签和品牌信息安排明白。不只是测审美，更要测它的控制能力。

01. 先认识 MOSS-Image：为什么我会关注这个 5B 模型？

MOSS-Image 是模思智能（MOSS）与 OpenMOSS 团队推出的开源图像生成模型。它的核心是 5B 参数的 DiT 架构，使用国产 PPU 算力平台训练和单纯追求画质的模型不同，我这次特别关注它的三个特点

第一，图像中的文字渲染 官方重点强调中英文文字生成能力，可以把标题、标签、多行文案直接作为图片内容生成。对于海报、菜单、信息图、电商广告来说，这比单纯提高画质更有实际价值。

第二，JSON Layout 结构化布局 这是我最感兴趣的！它允许把画面拆分成若干个元素，分别描述内容、样式和位置。比如：

人物出现在左侧
草莓芭菲位于右侧前景
中文主标题安排在左上角
英文副标题放在右上角
品牌名称放在底部

这些不再只是自然语言中的模糊要求，而可以进一步用坐标框表达。

第三，开源和可扩展性 MOSS-Image 提供 Base 和 SFT 两个版本，公开模型权重与代码，支持最长 4K tokens 的提示词，还有 ComfyUI 等工具链支持。这意味着它不仅适合在线体验，也给开发者做自定义工作流、训练 LoRA 留出了空间。

官方 GitHub：https://github.com/OpenMOSS/MOSS-Image

02. 我的测试案例：把一家日系甜品店的海报需求交给 AI

我先虚构了一个甜品品牌：SAKURA SWEETS｜樱见甜品屋 它准备上线草莓甜品季，需要制作一张能发布到社交媒体的商业海报。

为了让测试更贴近真实需求，我给它设置了几个条件。 人物： 25 岁左右的成年东亚女性，元气甜美、轻熟时尚，穿浅色针织衫，有一点日杂广告里的微性感氛围。 产品： 一份草莓芭菲，必须突出新鲜草莓、奶油、玻璃杯和甜品的诱人质感。场景： 明亮的日式甜品咖啡馆，以樱花粉、奶油白和草莓红为主色调。

海报文字： 主标题：草莓甜品季英文标题：STRAWBERRY FAIR 活动标签：周末限定产品名称：草莓芭菲品牌：SAKURA SWEETS

这里有一个关键点： 我不仅要让 AI 知道画面里应该有什么，还要告诉它每个东西应该出现在哪里。

所以，我把整个测试设计成三轮。这是跑出来的三个海报图

03. 第一轮：普通 Prompt 和 JSON Layout，到底有什么区别？

先说最简单的方式。传统生图基本都是这样，把人物、场景、摄影风格、海报文字，以及构图要求写成一大段自然语言，然后等待模型理解。

一张高质感、写真级、商业海报风格的日系甜品店探店宣传图。画面主角是一位 24 岁左右的东亚成年女性，漂亮，元气感强，带轻微性感气质，五官精致，皮肤通透，长发微卷，妆容清新自然。她坐在日系甜品店靠窗位置，穿浅色修身针织上衣和短裙，整体时尚、甜美、干净，有轻熟日系时尚感。

桌上摆放一份超高颜值草莓芭菲、一块草莓奶油蛋糕和一杯粉色气泡饮，甜品细节丰富，奶油、草莓果肉、玻璃杯质感清晰。店内环境温暖明亮，有木质桌椅、柔和灯光、日系杂志感装饰，整体氛围像高端探店写真。人物看向镜头，表情自然有感染力，画面有明显的社媒传播感。

构图为竖版商业海报，人物与甜品都清晰突出，前景有甜品特写，中景是人物，背景柔和虚化。整体色调以奶油白、樱花粉、草莓红为主，视觉元气、清爽、时尚、精致。

海报中需要清晰呈现中文标题「樱见甜品季」，副标题「元气少女也会反复去吃的草莓系小店」，英文小字「SAKURA SWEETS / Strawberry Fair」。文字排版整洁，适合社交媒体封面与商业宣传海报。照片级写实，细节清晰，时尚杂志大片质感。

这当然能表达我们的意图。但里面的“左侧”“右侧”“顶部”，对于模型而言依然是相对模糊的语言信息。

如果我们希望进一步控制构图，就可以换一种输入方式。这就是 MOSS-Image 的 JSON Layout 在它的结构中，最重要的其实只有几部分：

summary：整个画面的场景与风格
items：需要出现在画面中的元素
label：元素属于文字、人物还是物体
text：需要直接渲染的文字
bbox：这个元素的空间范围

比如我们把中文标题单独拆出来：

{
  "label": "text",
  "text": "樱见\n甜品季",
  "caption": "Very large elegant flowing strawberry-red Chinese headline, two lines, upper left.",
  "bbox": [-535, -422, -290, -43]
}

这段 JSON 可以理解为：我要在画面中生成一段叫「樱见甜品季」的文字，它采用草莓红色的粗体商业字体，并且应该出现在指定范围内。

类似的方式，也可以分别定义人物、甜品以及其他广告信息。

原来的一段自然语言，现在被拆成了多个能够独立描述的视觉元素。

04. 第二轮：从主视觉到商业活动海报，我用 JSON 重新设计了整张图的排版

接下来才是我觉得 MOSS-Image 真正有意思的地方！

前面那张「樱见甜品季」，更偏向日系时尚杂志的主视觉：漂亮的模特、精致的草莓甜品、醒目的品牌标题，整体好看就够了。

但如果这家甜品店真的要做周末营销呢？

商家肯定还希望展示招牌产品、活动卖点、促销信息，甚至要引导顾客到店打卡。

这时候，需要改变的就不只是文案，而是整张海报的信息结构。

所以我继续沿用「樱见甜品屋」这套视觉设定，尝试用 MOSS-Image 的 JSON Layout，重新规划一张更完整的探店活动海报。

第1步：先把画面拆成不同元素

我希望新版海报保留原来的粉色日系氛围，但把整体布局调整为左右分区：

左侧： 美女模特、草莓芭菲、奶油蛋糕、气泡饮，负责视觉吸引力。
右上： 「本周探店推荐」大标题和品牌活动名称。
右侧中部： 三款招牌产品的缩略图及对应卖点。
右侧下部： 「周末限定」「拍照超出片」「到店打卡送贴纸」等活动标签。
底部： 品牌英文名称 SAKURA SWEETS。

这样一来，海报就从一张偏重审美的宣传图，变成了信息更完整的商业营销素材。

第2步：用 JSON Layout 给每个元素安排位置

MOSS-Image 的 JSON Layout 可以把图片拆分成不同的 items。

每个元素主要通过三个字段描述：

label：元素类型，例如 text（文字）、character（人物）、object（物体）
caption / text： 描述元素的外观，或者指定需要生成的文字
bbox： 指定元素在画面中应该占据的区域

举个例子，我希望新版「本周探店推荐」出现在右上方，就可以写： "text": "本周\n探店推荐" "bbox": [-520, 68, -345, 416]

人物则安排在左侧： "label": "character" "bbox": [-510, -435, 285, 80]

接着再分别给商品缩略图、产品名称和活动标签设置自己的区域。这里使用的是 MOSS-Image 的 abs_centralized 坐标体系，也就是以画布中心为原点。

它的 bbox 顺序是： [y_min, x_min, y_max, x_max] 注意，第一个数字是 Y，不是 X。

比如在 880 × 1168 的画布里，我们就可以根据中心坐标，把标题安排在右上方、人物放在左侧，再让商品信息沿着右侧依次排列。

整个过程有点像在写前端页面：先规划布局，再交给模型完成视觉生成。

媒体暂未收录，可在原文中查看

第3步：让模型把布局和商业视觉结合起来

当然，JSON 不是简单地给图片画几个方框。

除了元素的位置，还需要在 summary 中描述整张图的视觉风格，比如日系甜品店、樱花粉配色、自然光摄影、时尚杂志排版等。

然后在不同元素的 caption 中，继续约束人物妆造、甜品质感、字体颜色和产品展示形式。

这样模型既能知道每个元素应该放在哪里，也能理解整张海报应该长什么样。

相比普通 Prompt，这种方式最大的不同，是我们可以把原本模糊的排版要求，变成具体的结构化描述。

尤其是制作探店海报、电商商品图、活动宣传图这类信息较多的内容时，可以分别规划各个元素，而不是完全依靠模型自由发挥。

不过这里也要注意： JSON Layout 是生成时的空间约束，不是 PS 那种精确的图层编辑。

从图 1 到图 2，并不是在原图上直接移动几个组件，而是沿用品牌视觉，重新定义元素布局，再生成新的海报。因此，人物五官、甜品细节和场景也可能发生变化，布局也不一定百分之百符合指定坐标。

但这套方法最吸引我的地方就在于： 以前我们只能告诉 AI「帮我设计一张好看的海报」，现在可以进一步告诉它「这张海报应该怎样排版」。

这才是我觉得 JSON Layout 对商业设计真正有价值的地方。

05. 第三轮：中英文文字直接生成，能不能满足商业需求？

只控制画面布局，还不够。做商业海报，还有一个非常现实的痛点：文字。尤其是中文！以前用不少生图模型做中文海报，经常是远看挺高级，放大一看全是奇怪的笔画和错别字。

对于纯视觉作品，这可能不算太严重。但如果是店名、商品名称、活动优惠信息，错一个字都可能影响实际使用。所以这轮我准备专门测试文字。

先固定相同的布局结构，再替换文案：

中文版本： 「草莓甜品季」「周末限定」 英文版本： 「BERRY WEEK」「WEEKEND ONLY」

重点观察三个方面： 文字正确率： 有没有拼写错误、漏字、额外生成的文字？ 版式适配： 文案变长或变短之后，是否仍能放在指定区域？ 文字与视觉融合： 字体有没有与背景、人物和产品产生不自然的遮挡？

这里还有一个非常实用的小技巧！如果要精确控制文字内容，在 JSON 里应该把实际文字放进 text 字段，而不是只写在 caption 里。因为 caption 主要用来描述它的外观、颜色和字体风格。官方用户指南也提到，模型支持自动换行，但结果未必完全符合预期；需要控制换行时，可以在文字里主动加入 \n

完整 JSON Layout：

{
 "summary": {
  "meta": ["bilingual social media ad", "Japanese fashion magazine", "dessert campaign"],
  "canvas": "single",
  "caption": "Full-bleed Japanese strawberry cafe campaign. Beautiful 25-year-old adult East Asian model, chestnut wavy hair, pale-pink ribbon, ivory knit top, pink plaid skirt; smiling on left, with strawberry parfait, pink soda and cake foreground. Airy ivory-pink editorial info area at right; crisp red bilingual typography, sakura blossoms, spring light. No mockup, no extra text."
 },
 "items": [
  {
   "label": "character",
   "caption": "Beautiful energetic adult East Asian fashion model, wavy chestnut hair, pink ribbon, rosy makeup, cute smile, ivory knit top, looking at camera.",
   "bbox": [-530, -430, 300, 65]
  },
  {
   "label": "object",
   "caption": "Photorealistic strawberry parfait, strawberry soda and layered strawberry cake on cafe table, lower left.",
   "bbox": [-100, -420, 545, 70]
  },
  {
   "label": "text",
   "text": "周末\n探店推荐",
   "caption": "Very large red Chinese headline with elegant modern brush-like editorial lettering in top-right.",
   "bbox": [-532, 65, -395, 415]
  },
  {
   "label": "text",
   "text": "Weekend Dessert Spot",
   "caption": "Red fashionable cursive English heading under Chinese headline, legible and accurate.",
   "bbox": [-386, 65, -330, 418]
  },
  {
   "label": "text",
   "text": "高颜值草莓甜品店，随手拍都很出片",
   "caption": "Compact clear Chinese subtitle, strawberry-red letters, two short lines if necessary.",
   "bbox": [-309, 68, -251, 415]
  },
  {
   "label": "text",
   "text": "Cute desserts, soft light, perfect café vibes.",
   "caption": "Small black English supporting subtitle, readable.",
   "bbox": [-247, 68, -203, 414]
  },
  {
   "label": "object",
   "caption": "Circular catalog photo thumbnail of strawberry parfait.",
   "bbox": [-185, 68, -96, 155]
  },
  {
   "label": "text",
   "text": "草莓芭菲\nStrawberry Parfait",
   "caption": "Chinese name in larger red type and English translation smaller below.",
   "bbox": [-183, 165, -96, 413]
  },
  {
   "label": "object",
   "caption": "Circular catalog photo thumbnail of strawberry cream cake.",
   "bbox": [-65, 68, 24, 155]
  },
  {
   "label": "text",
   "text": "限定甜品季\nSeasonal Special",
   "caption": "Chinese name in larger red type and English translation smaller below.",
   "bbox": [-60, 165, 26, 413]
  },
  {
   "label": "object",
   "caption": "Circular catalog photo thumbnail of pink strawberry soda with ice.",
   "bbox": [55, 68, 144, 155]
  },
  {
   "label": "text",
   "text": "限定气泡饮",
   "caption": "Larger red Chinese label for sparkling pink soda.",
   "bbox": [60, 165, 142, 413]
  },
  {
   "label": "text",
   "text": "周末限定  ·  拍照超出片\n到店打卡送贴纸",
   "caption": "Three neat pink promotion badges with tiny icons and accurate Chinese wording.",
   "bbox": [190, 65, 289, 415]
  },
  {
   "label": "text",
   "text": "Come for the sweets,\nstay for the vibes.",
   "caption": "Elegant dark-red handwritten italic English closing slogan on two lines.",
   "bbox": [325, 68, 438, 413]
  },
  {
   "label": "text",
   "text": "SAKURA SWEETS\nStrawberry Fair",
   "caption": "Small centered premium English brand signature at very bottom right.",
   "bbox": [478, 80, 545, 404]
  }
 ],
 "bbox_coord_space": "abs_centralized",
 "bbox_format": "yxyx"
}