MOSS-Image Edit LoRA 为 ComfyUI 带来指令编辑能力

MOSS-Image 于 2026 年 10 月 22 日获得首个指令编辑 LoRA：<code>chinoll/Moss-Image-Edit</code>，这是一个 rank-64 适配器，接收一到四张参考图像和一条文本指令。九小时之内，ComfyUI 核心就在 PR #17296 中加入了对这一类适配器的原生支持，该 PR 于同日合并。

MOSS-Image 是 OpenMOSS 的 5B 文本与排版模型，本站曾在发布时报道：清晰的文字、JSON 布局框，以及同一周内发布的 ComfyUI 核心实现。它缺少的正是拿一张已有图像去修改的能力。编辑意味着布局编辑或控制适配器，而不是“给这个人换一件夹克”。

新的适配器填补了这一空白。它是社区发布，而非 OpenMOSS 官方发布，但它正是 ComfyUI 维护者围绕其接入核心支持的实现。

LoRA 改变了什么

模型卡直白地描述了适用范围：颜色、服装、光照、季节和视觉风格，由一条文本指令和最多四张参考图像驱动。指令说明要改什么，参考图像承载要保留什么。

随 LoRA 发布的案例网格图。来源：chinoll/Moss-Image-Edit

使用多张参考图像时，每张图像都必须在指令中被指明，因为适配器本身不会分配角色。节点包的示例提示词是 Dress the person in image 1 in the outfit from image 2.

从机制上看，这个适配器小巧且常规。检查 safetensors 头部可得到全部 42 个 DiT 层中的 504 个 tensor，每层六个投影（q、k、v、o、ffn_up_gate、ffn_down），rank 为 64，alpha 为 64。其 adapter_config.json 声明了 moss-edit-lora 格式版本 1，并把训练约定记录为 ref-prefix-only-t0__target-text-original-moss-v1，这正是 ComfyUI 现在以 Moss-Image-Edit 为名实现的布局。

同一份权重可配合 MOSS-Image-Base 或 MOSS-Image-SFT 使用；Base 保留更多训练信号，SFT 则是更整洁的起点。模型卡中的示例均以 SFT 为对象进行训练和采样。

项目仓库中的编辑展示：每组以源图像开头，随后是其编辑结果。

ComfyUI 核心路径

Kijai 的 PR #17296 新增了 Text Encode MOSS-Image Edit 节点，仍标记为实验性，位于 model/conditioning/moss_image 下。它接收 clip、prompt、vae、edit_format 选项，以及一组可自动增长的图像。edit_format 选择器是有意思的部分，因为它体现了编辑 LoRA 之间并不通用这一事实：

选项	参考布局	文本编码器能否看到参考图像
`ai-toolkit`	`index_timestep_zero_isolated`	能，以 `Picture N:` 为前缀
`ai-toolkit (kv_cache off)`	`index_timestep_zero`	能，且参考图像在每一步都对已生成图像做注意力
`Moss-Image-Edit`	`index_timestep_zero_text_start`	不能

对于 Moss-Image-Edit 布局，视觉塔从不接收参考图像，因此指令必须自行描述编辑内容；外观完全来自注入 DiT 的参考 Latent。对于用 ai-toolkit 训练的适配器，参考图像会被缩小到最大 384×384，并作为 Picture N: token 前置到提示词中。

该适配器通过标准 LoRA 加载器加载，因为该 PR 为这些文件所使用的裸 layers.N.proj.q 键风格添加了别名。也就是说，原生路线就是普通的 MOSS-Image 节点图，配合来自 Comfy-Org/MOSS-Image 的单文件权重，外加一个 LoRA 加载器和新的文本编码节点；参考图像以图像形式连接到该节点，而不是单独的 Latent 输入。

该 PR 还报告了一项速度修复而非新功能：对于隔离布局，参考图像的每块 K/V 只在 extra_conds 中计算一次，而不是每一步都计算，这使得 1024² 输出配 1 MP 参考图像的情况从每步 826 ms 降到 457 ms。该支持在 v0.42.1 标签之后合并，因此已安装的发布版需要更新到该标签之后才能使用。

节点包路径

同一位作者还提供了一个自包含的节点包 Chenkin-x/ComfyUI-Moss-Image-Edit，于 10 月 22 日出现，在 MOSS Image Edit 类别下新增了加载器和编辑节点。它运行自己的一份 MOSS 运行时，而不是核心节点，并且需要完整的 Diffusers 快照，而非单文件重新打包版本：

ComfyUI/models/moss_image/
├── MOSS-Image-SFT/          # pipeline_moss_image.py, transformer/, text_encoder/, tokenizer/, vae/, scheduler/
└── Moss-Image-Edit/         # adapter_config.json, adapter_model.safetensors

加载器的 snapshot_dir 指向基础模型，adapter_dir 指向适配器。随包附带两个工作流，一个用于单张参考图像，一个用于两张；要扩展到三张或四张，需向空闲的 reference_3 和 reference_4 输入添加 Load Image 节点。文档给出的默认值为：输出 512×512、30 步、CFG 4.0、inference_shift 5.0，参考图像长边 512 且不裁剪。

设置	默认值	说明
`width` / `height`	512 / 512	16 的倍数
`reference_max_edge`	512	对齐到 16，从不裁剪
`steps`	30
`cfg`	4.0
`inference_shift`	5.0	采样时间分布
`seed`	42	默认固定

参考图像如何进入 DiT

两条路线都依赖同一个技巧。参考图像被 VAE 编码为 Latent token，在自身 RoPE 索引处以时间步零追加到图像序列，并且只彼此做注意力。由于这些 token 在采样循环中从不改变，它们的每块 K/V 可以缓存一次并重复使用，这正是为什么一个没有训练文本编码器的 rank-64 适配器足以在指令改写其余内容的同时保持身份一致。

来自训练仓库的参考 KV 缓存示意图，展示缓存的参考块与已生成 token 并列。

训练仓库公布了整套流程而非仅有权重：数据准备、配置和推理脚本。训练数据是 NOOB2 配对数据加上 ConceptEdit-12M 数据集，指令取自 instruction.detailed_en，源图像与编辑后图像由 VAE 一起编码，两张图像都会缩放使长边保持在 max_edge 以内，且不裁剪、不填充。指南使用四进程 torchrun 启动，通过打过补丁的 adjust_lr_fn 在 ZeRO-2 上使用 DeepSpeed Muon，使用带 varlen 打包的 Flash Attention 4，训练期间文本编码器量化为 int8。验证样本按步写出，并附上已生成/源/目标三元组，因此仓库中的 checkpoint 可以复现或扩展。

值得了解的局限

该 LoRA 是一个 297 MB 的 bf16 适配器，相对基础模型很小，但它不是通用编辑器。公布的范围是属性与场景编辑：颜色、服装、光照、季节和风格，外加表情。模型卡未记录对象插入，未发布基准测试，也未声称能把两个主体合成到一个场景中。如前所述，多参考编辑依赖提示词来分配角色。这也不是 OpenMOSS 的官方发布：权重、节点包和训练代码全部出自同一位作者，只有核心 PR 经过了 ComfyUI 维护者的审查。

获取方式

LoRA： chinoll/Moss-Image-Edit，截至撰写时（上传一天后）约有 21 个 like。
ComfyUI 核心： PR #17296，于 2026 年 10 月 22 日合并，晚于 v0.42.1 发布。
节点包： Chenkin-x/ComfyUI-Moss-Image-Edit，包含单参考与多参考工作流。
训练与推理代码： Chenkin-x/Moss-Image-Edit，包含 prepare_data.py、configs/train.json 和 infer.py。
基础模型： MOSS-Image-Base 和 MOSS-Image-SFT，单文件 ComfyUI 权重位于 Comfy-Org/MOSS-Image。