MOSS-Image：支持布局控制与 ComfyUI 的 5B DiT 模型
OpenMOSS 发布 MOSS-Image，一个 5B 文生图 DiT 模型，支持布局 JSON 控制与出色的文本渲染，提供 Base 与 SFT 两版模型，并在发布当日获得 ComfyUI 支持。
MOSS-Image 是 OpenMOSS 推出的全新 5B 文生图系列（GitHub | 用户指南），于 10 月 16 日发布，包含两个模型：MOSS-Image-Base，保留用于微调的预训练模型；以及 MOSS-Image-SFT，大多数用户应当运行的那一个。它是 FLUX.2 latent 空间中的单流扩散 transformer，搭配原版 Qwen3.5-9B 文本编码器，因此 DiT 是 ComfyUI 需要加载的唯一新组件。核心支持已于同日通过 Comfy-Org/ComfyUI PR #17095 合并（由 Kijai 提交）。
MOSS-Image-Base 与 MOSS-Image-SFT 示例。来源：OpenMOSS
它的主打卖点是文字与结构，而非单纯的写实感：模型能渲染出清晰可读的英文与中文文本，支持最长 4K token 的提示词，并新增了 JSON 布局模式，让你先描述场景，再用边界框放置文本框和对象。OpenMOSS 还强调了基础模型的 LoRA 微调，并在混合 GPU 平台上训练了整个系列。
布局控制
在布局模式下，提示词会变成一份 JSON 文档，其中 summary 描述整个场景，items 数组描述各个元素。每个 item 包含 label（text、character 或 object）、caption 和 bbox，文本类 item 还带有需要渲染的字符串。边界框使用 bbox_format: "yxyx"，坐标空间为 bbox_coord_space: "abs_centralized"，即相对于画布中心的像素偏移。
根据布局描述生成的海报，并叠加绘制了边界框。来源：OpenMOSS
由于布局本身是数据，编辑也变得更结构化：修改一段 caption 或移动一个框，只有构图中的对应部分会随之改变。ComfyUI 通过一个新的核心节点 MOSS-Image Layout Prompt 提供这项能力，它可以把用 创建边界框 生成的框转换成模型的布局 JSON。
文本渲染
英文与中文的文本渲染是它最核心的能力，当提示词未指定换行时，模型会自行插入换行。提示词可以是自然语言、booru 风格的标签序列，也可以是布局 JSON，推荐的标签顺序为 Quality、Score、Meta、Year、Character、Series、Artist、General。
由单条提示词生成的大量文字构图。来源：OpenMOSS
Base 与 SFT
两个模型共享同一架构与 pipeline。Base 保留了完整的训练信号，且未对推理参数做蒸馏，因此用户指南建议对它使用 50 步以上、CFG 为 3；项目也推荐将它作为 LoRA 训练的起点。SFT 在精选数据上完成微调，OpenMOSS 展示了它在相同提示词下能生成更整齐的文本分组和更有条理的布局。
 |  |
|---|---|
| MOSS-Image-Base | MOSS-Image-SFT |
推荐设置
| 设置 | 推荐值 |
|---|---|
| 采样器 | Flow-matching Euler |
| 步数 | 50 步或以上 |
| CFG | 3（范围 3 到 6） |
| Shift | 5 |
| 层跳过 | 在第 22 层进行负分支跳过（22、24 和 26 也有帮助） |
| 分辨率 | 推荐 1M、1.5M 或 2M 像素；支持 0.25M（512×512）到 4M，需为 16 的倍数 |
| 负面提示词 | nsfw, worst quality, bad anatomy, watermark, jpeg artifact |
根据用户指南，关闭层跳过会让输出看起来更写实，但可能导致精细细节崩坏。
ComfyUI 支持
核心支持在发布当日随 PR #17095 落地：一个 comfy/ldm/moss_image DiT，可原样加载 Hugging Face checkpoint 的键名；Qwen3.5-9B 文本编码器的接线；以及布局提示词节点。该支持是在最新发布标签之后才合并的，因此现有安装需要先更新才能运行。
Comfy-Org/MOSS-Image 存放了标准 ComfyUI 加载器所需的重新打包单文件权重：
| 文件夹 | 文件 |
|---|---|
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） |
项目仓库还自带原生插件 moss-image，可从 ComfyUI Manager 安装，并通过 MOSS-Image HF Loader 节点加载本地 Diffusers 目录。其示例工作流以 1024×1024、50 步、CFG 3、shift 5、跳过第 22 层运行：
moss-image 插件。Comfy-Org 重新打包的单文件权重才是配合核心节点使用的那一套。
获取方式
- 权重： Hugging Face 上的 MOSS-Image-Base 与 MOSS-Image-SFT，并在 ModelScope 同步镜像。
- ComfyUI： 核心支持见 PR #17095，重新打包的权重见 Comfy-Org/MOSS-Image，项目自带插件可通过 ComfyUI Manager 获取。
- 免安装试用： Hugging Face Space。
- 文档： 项目主页、用户指南 以及 技术报告。
MOSS-Image 各类输出横切面。来源：OpenMOSS
评论
使用 GitHub 登录后即可参与讨论。