MOSS-Image Few-Step LoRA：4ステップ rapid-moss と8ステップ DMD

左から右へ：50ステップのティーチャー、8ステップチェックポイントを4ステップで実行したもの、4ステップの rapid-moss アダプター。同じシード、トレーニングでは使用していない評価プロンプト。ソース：darask0

サンプリングループが短くなる理由

MOSS-Image-SFT は CFG 3 で50ステップかけて1枚の画像を生成し、CFG はフォワードパスを2倍にするため、1枚あたり約100回の DiT 評価が必要です。8ステップチェックポイント はそのループをデータ空間DMD（arXiv 2610.12102）に置き換えます。ジェネレーターは固定されたノイズテンソルから自身のクリーンな推定値を4～8回反復し、CFGもタイムステップスケジュールも使いません。

4ステップアダプターはそのチェックポイントから継続し、反復回数を4回に制限したもので、DMAD（arXiv 2610.02188）でトレーニングされています。凍結されたティーチャー上のLoRAクリティックがティーチャーのサンプルと生徒のサンプルを分離し、生徒はクリティックのネガティブロジットを最小化します。作者は各1つのティーチャーサンプルを持つ3,199件のプロンプトでトレーニングし、その後の反復でプロンプト追従性が低下し始める前の500イタレーションのチェックポイントを公開しました。

H100 1基での 1024² 画像あたりの DiT 時間：

計測時間はトランスフォーマーのみで、Qwen3.5-9B テキストエンコーダーや VAE は含みません。RTX PRO 6000 上の ComfyUI 内では、テキストエンコードとデコードを含めて 1024² 画像で4.5～6.9秒と作者は計測しています。

ComfyUI ノード

どちらのアダプターも fp32 のLoRAデルタで、その大きさは bf16 の丸め幅より小さいため、bf16 の重みにマージすると蒸留の大部分が失われます。そのため LoraLoaderModelOnly、diffusers の fuse_lora、マージ済みの重みを読み込むワークフローは使えません。同梱の MOSS-Image Few-Step Adapter (rapid-moss) ノードは、代わりに実行時に fp32 でLoRAを加算し、fp32 の時間パスを置き換え、対応する MODEL、SAMPLER、SIGMAS の3点セットを返します。

出力はセットとして接続する必要があります。MODEL を CFG なしで BasicGuider に、次に SAMPLER と SIGMAS を SamplerCustomAdvanced に、最後に VAEデコードへ接続します。Euler、sgm_uniform、shift 5 の ModelSamplingSD3、layer 22 のスキップはすべて50ステップのティーチャー向けの設定であり、ここでは追加すべきではありません。ステップ数は rapid-moss では1～4、8ステップチェックポイントでは1～8で、strength 1.0 が推奨のデフォルトです。

ワークフローは2つ含まれています。ネイティブなものは標準の ComfyUI ローダーを使用します。Comfy-Org/MOSS-Image の moss_image_sft_bf16.safetensors、type が moss_image の CLIPLoader、そして FLUX.2 VAE です。

2つ目のワークフローは OpenMOSS 自身の moss-image HF Loader ノードを保持し、ローカルの Diffusers ディレクトリを指します：

並べて比較した結果

17件の評価プロンプト全体で、作者は8ステップチェックポイントを4ステップで実行した場合よりも背景のディテールが多く構図が生き生きしていると報告しており、さらに縦長ポスターで「夏」が二重になる問題が修正され、付箋や看板、吹き出しの日本語テキストも正確なままです。

ティーチャー、8ステップチェックポイントを4ステップで実行したもの、4ステップアダプター。ソース：darask0

2つ目のプロンプトでの同じ3者比較。ソース：darask0

作者は問題を覆い隠すことなく、劣化した点も挙げています。ライトノベルの表紙に不要なラテン文字が現れる、2コマ漫画の JSON レイアウト要求で下段に要求していない2人目が追加される、店の暖簾や漫画の吹き出しの小さな文字は依然として失敗する、といった点です。品質は50ステップのティーチャーを下回ります。

ComfyUI 内の rapid-moss ノード。fp32 アダプターを BasicGuider と SamplerCustomAdvanced に接続している。ソース：darask0

8ステップチェックポイント単体

lodestones 氏は以前の8ステップチェックポイントを10月16日に進行中の作業として公開しました。ファイルのみの提供で、strength 1.0 の lora.safetensors または 0.7 の lora_latest.safetensors、そして同じ time_embedding.safetensors と dataspace.safetensors です。8ステップの重みには自身のカードで標準の ComfyUI LoRA ローダーを指定していますが、rapid-moss ノードは4ステップのデルタが必要とする fp32 パスで両方のアダプターを動かせます。

ComfyUI の外でアダプターを動かす場合、4ステップリポジトリの inference.py がサンプラーをそのまま再現します。初期ノイズテンソルを固定し、dataspace.safetensors 内の 128x128 行列を通して現在の推定値と混合し、同じファイルからステップコードを読み取ります。

入手方法

• 4ステップアダプター: darask0/MOSS-Image_4-step_adapter_lora。トレーニングコード、ログ、評価プロンプト、ComfyUI ノードを含みます。
• 8ステップチェックポイント: lodestones/MOSS-Image-SFT-8-steps-dmd。公開デモ Space 付き。
• ベースモデル: OpenMOSS-Team/MOSS-Image-SFT と、Comfy-Org/MOSS-Image の ComfyUI 向け再パッケージ版。