MOSS-Image: レイアウト制御とComfyUIサポートを備えた5B DiT

MOSS-ImageはOpenMOSSによる新しい5Bのテキストから画像へのモデルファミリーです（GitHub | ユーザーガイド）。10月16日に2つのチェックポイントとともにリリースされました。MOSS-Image-Baseはファインチューニング用に保持された事前トレーニング済みチェックポイント、MOSS-Image-SFTはほとんどのユーザーが使用すべきモデルです。FLUX.2の潜在空間におけるシングルストリームのdiffusion transformerで、標準のQwen3.5-9Bテキストエンコーダーと組み合わせられているため、ComfyUIが読み込む必要がある新しいコンポーネントはDiTだけです。コアサポートは同日にComfy-Org/ComfyUI PR #17095（Kijaiによる）でマージされました。

MOSS-Image-Base と MOSS-Image-SFT のサンプル。出典: OpenMOSS

売りは生のフォトリアリズムではなく、テキストと構造です。このモデルは英語と中国語の読みやすいテキストを描画し、最大4Kトークンのプロンプトを受け付け、さらにシーンを記述したうえでテキストボックスやオブジェクトをバウンディングボックスで配置するJSONレイアウトモードを備えています。OpenMOSSはベースモデルのLoRAファインチューニングも強調しており、このファミリーは混合GPUプラットフォームでトレーニングされました。

レイアウト制御

レイアウトモードでは、プロンプトはシーン全体のsummaryと個々の要素のitems配列を持つJSONドキュメントになります。各アイテムはlabel（text、character、object）、caption、bboxを持ち、テキストアイテムは描画する文字列も持ちます。バウンディングボックスはbbox_coord_space: "abs_centralized"座標でbbox_format: "yxyx"を使用し、これはキャンバス中心からのピクセルオフセットです。

レイアウト記述から生成されたポスター。上にボックスが描画されています。出典: OpenMOSS

レイアウトはデータであるため、編集は構造的なものになります。キャプションを変更したりボックスを移動したりすると、その部分の構図だけが変化します。ComfyUIはこれを新しいコアノードMOSS-Image Layout Promptで公開しています。このノードはバウンディングボックスを作成で作成したボックスを、モデルのレイアウトJSONに変換します。

テキストレンダリング

英語と中国語の両方でのテキストレンダリングが最大の特長であり、プロンプトで指定しなければモデルが自ら改行を挿入します。プロンプトは自然言語、booru形式のタグ列、またはレイアウトJSONを使用でき、推奨されるタグの順序は Quality、Score、Meta、Year、Character、Series、Artist、General です。

単一のプロンプトから生成されたテキスト中心の構図。出典: OpenMOSS

Base と SFT

2つのチェックポイントはアーキテクチャとパイプラインを共有しています。Baseは完全なトレーニング信号を保持し、推論パラメータの蒸留が一切行われていないため、ユーザーガイドでは50ステップ以上とCFG 3を推奨しています。プロジェクトはこれをLoRAトレーニングの出発点として推奨しています。SFTはキュレーションされたデータでファインチューニングされており、OpenMOSSは同じプロンプトでより整ったテキストのグループ化と整理されたレイアウトを生成することを示しています。


MOSS-Image-Base	MOSS-Image-SFT

推奨設定

設定	推奨
サンプラー	Flow-matching Euler
ステップ	50以上
CFG	3（範囲は3〜6）
Shift	5
レイヤースキップ	レイヤー22でのネガティブブランチスキップ（22、24、26も有効）
解像度	1M、1.5M、2Mピクセルを推奨。0.25M（512×512）から4Mまでサポート、16の倍数
ネガティブプロンプト	`nsfw, worst quality, bad anatomy, watermark, jpeg artifact`

ユーザーガイドによると、レイヤースキップをオフにすると出力はよりリアルに見えますが、細部がつぶれる可能性があります。

ComfyUIサポート

コアサポートはリリース当日にPR #17095でマージされました。Hugging Faceのチェックポイントキーをそのまま読み込むcomfy/ldm/moss_image DiT、Qwen3.5-9Bテキストエンコーダーの配線、レイアウトプロンプトノードです。このサポートは最新のリリースタグより後にマージされたため、既存のインストールでは実行するために更新が必要です。

Comfy-Org/MOSS-Imageには、標準のComfyUIローダーが想定する再パッケージ済みの単一ファイルウェイトが置かれています。

フォルダー	ファイル
`diffusion_models`	`moss_image_sft_bf16` (10.2 GB) · `moss_image_sft_int8_convrot` (5.4 GB) · `moss_image_base_bf16` (10.2 GB) · `moss_image_base_int8_convrot` (5.4 GB)
`text_encoders`	`qwen3.5_9b_int8_convrot` (9.8 GB) · `qwen3.5_9b_w4a8_gptq` (7.3 GB)
`vae`	`flux2-vae.safetensors` (340 MB)

プロジェクトのリポジトリには独自のネイティブプラグインmoss-imageも同梱されており、ComfyUI Managerからインストールでき、MOSS-Image HF Loaderノードを通じてローカルのDiffusersディレクトリを読み込みます。そのサンプルワークフローは1024×1024、50ステップ、CFG 3、shift 5、skip layer 22で実行します。

同梱のワークフローは、Hugging FaceからダウンロードしたDiffusersチェックポイントとmoss-imageプラグインを前提としています。Comfy-Orgの再パッケージにある単一ファイルウェイトは、コアノードで使用するものです。

入手方法

ウェイト: Hugging FaceのMOSS-Image-BaseとMOSS-Image-SFT、ModelScopeにもミラーされています。
ComfyUI: PR #17095のコアサポート、Comfy-Org/MOSS-Imageの再パッケージ済みウェイト、そしてComfyUI Manager経由でプロジェクト独自のプラグイン。
インストールせずに試す: Hugging Face Space。
ドキュメント: プロジェクトホームページ、ユーザーガイド、技術レポート。

MOSS-Image出力のクロスセクション。出典: OpenMOSS