Kromoss: un finetune completo de MOSS-Image publicado para ComfyUI

Kromoss es un finetune completo de MOSS-Image-Base publicado el 19 de octubre de 2026 por lodestones, el autor detrás de la línea de checkpoints Chroma y de los pesos destilados de 8 pasos de MOSS-Image SFT. Mantiene la arquitectura, el codificador de texto Qwen3.5-9B y el VAE pequeño de FLUX.2 de MOSS-Image-SFT, por lo que se integra directamente en los flujos de trabajo existentes de MOSS-Image, y empaqueta el resultado en el formato exacto de archivo único que ComfyUI ya carga.

En cuestión de horas tras la subida ya tenía 96 likes en Hugging Face, y el canal de MOSS-Image en Banodoco lo comparó con el finetune supervisado int8 usando las mismas semillas.

Qué cambia el finetune

La tarjeta del modelo es escueta sobre el objetivo: el finetune completo corrige principalmente la borrosidad del modelo Base. Todo lo demás se hereda. El entrenamiento siguió la receta de la etapa final del informe de MOSS-Image, escalada a 64 imágenes por actualización: Muon-AdamW híbrido con una tasa de aprendizaje de 9e-6 y 200 pasos de warmup, timesteps logit-normal truncados, decaimiento de las normas q/k del bloque final a uno, y EMA a 0.999 para los pesos publicados. El checkpoint es la actualización 9000 de esa ejecución, sobre 576k imágenes de entrenamiento a 1024 px, descartando del dataset las imágenes por debajo de 896². El repositorio vuelve a publicar su checkpoint EMA cada pocas horas mientras el entrenamiento continúa: solo el primer día de subida se publicaron de forma sucesiva las actualizaciones 2000, 4000, 5000, 7000 y 9000, así que tanto el número de actualización como la cifra de imágenes seguirán cambiando.

Empaquetado para ComfyUI, no solo para diffusers

El repositorio está preparado para que no haya que convertir nada antes del primer renderizado. Cinco archivos están pensados para colocarse directamente en un árbol de ComfyUI:

• diffusion_models/kromoss_bf16.safetensors (10.2 GB) en models/diffusion_models/, cargado con Cargar modelo de difusión. Sustituye moss_image_sft_bf16.safetensors uno a uno en los flujos de trabajo de Comfy-Org.
• diffusion_models/kromoss_int8_convrot.safetensors (5.4 GB) para la ruta int8, el mismo formato ConvRot W8A8 que moss_image_sft_int8_convrot.safetensors de Comfy-Org.
• text_encoders/qwen3.5_9b_bf16.safetensors (19.3 GB) en models/text_encoders/, cargado con Cargar CLIP con tipo moss_image. Es el mismo codificador que usan las demás builds de MOSS-Image, así que una instalación existente no lo necesita dos veces.
• vae/flux2-vae_small.safetensors en models/vae/.
• 8-steps-dmd-lora.safetensors (1.19 GB) en models/loras/, aplicado con LoraLoaderModelOnly con fuerza 1.

El archivo int8 no es una copia recuantizada del checkpoint de otro autor: las 168 capas lineales de bloque (proj.{qkv,o,ffn_up_gate,ffn_down}) se almacenan como int8 con escalas por fila tras una rotación de Hadamard regular de 256 de ancho en la dimensión de entrada, ComfyUI reconstruye la rotación al cargar en lugar de almacenar matrices, y cada bloque selecciona la atención int8 de ComfyUI. El repositorio también incluye quantize_convrot.py para producir ese formato desde cualquier archivo único bf16, y convert_to_comfy.py para convertir una carpeta transformer/ de diffusers al diseño fusionado proj.qkv.

Ambos scripts llevan una autocomprobación que hace que valga la pena conservarlos: ejecutados sobre el propio transformer/ de MOSS-Image-SFT, reproducen byte a byte los moss_image_sft_bf16.safetensors y moss_image_sft_int8_convrot.safetensors publicados por Comfy-Org, y --compare FILE compara claves, formas y dtypes contra una referencia. Eso significa que cualquiera puede convertir su propio finetune de MOSS-Image con los mismos dos comandos.

El LoRA de 8 pasos

El 8-steps-dmd-lora.safetensors incluido es una destilación DMD en espacio de datos de MOSS-Image-Base, fp32, rango 128 con alfa 128 en proj.{q,k,v,o,ffn_up_gate,ffn_down} de cada bloque, guardado con claves kohya. Sigue la convención del ecosistema de proyecciones q, k y v separadas, y ComfyUI las mapea a las porciones qkv fusionadas de los archivos únicos de MOSS-Image al cargar.

La tarjeta del modelo deja claro que el LoRA no debe fusionarse con los pesos bf16: el delta está cerca del paso de redondeo de bf16, así que se aplica sin fusionar con fuerza 1.

Seguimiento de prompts medido

El repositorio reporta puntuaciones CLIP ViT-L/14 sobre los 100 prompts de PartiPrompts, con las filas de Kromoss medidas en la actualización 2000 en lugar del checkpoint publicado actualmente:

Leída sin rodeos, esa tabla indica que el finetune completo por sí solo cambia un poco de adherencia al prompt por nitidez, mientras que el LoRA destilado por encima recupera y supera ligeramente la puntuación de Base. Las cifras son del propio autor y provienen de un checkpoint intermedio de la ejecución.

Disponibilidad

Kromoss está en Hugging Face en lodestones/Kromoss y también tiene un espejo en Civitai. El soporte de MOSS-Image está en el master actual de ComfyUI, así que no se necesita ningún nodo personalizado ni para el checkpoint ni para el LoRA. Para el modelo base y los pesos oficiales, consulta la cobertura del lanzamiento de MOSS-Image y los adaptadores comunitarios de 4 y 8 pasos.