Análisis de MOSS-Image: texto, composición, NSFW, VRAM y ComfyUI

MOSS-Image resulta especialmente interesante para carteles, tarjetas informativas e ilustraciones que necesitan texto y una composición explícita. Su combinación de prompts largos, renderizado de letras y control mediante JSON aporta más valor que una promesa general de superar a cualquier modelo de anime.

Base y SFT se publicaron el 16 de octubre de 2026. SFT es un buen punto de partida para diseños con texto; Base merece compararse para explorar estilos o entrenar adaptadores. Los principales costes prácticos son el gran codificador de texto, el flujo estándar de 50 pasos y la revisión de detalles. El modelo publicado no edita directamente una fotografía de referencia.

Veredicto y especificaciones

Equipo y lanzamiento	OpenMOSS · 16 de octubre de 2026
Componentes	DiT de 5B + codificador Qwen 3.5-9B + VAE FLUX.2 con decodificador pequeño
Entradas	Lenguaje natural, etiquetas y JSON · hasta 4.096 tokens
Salida inicial recomendada	1024×1024; recomendados 1–2 MP; dimensiones múltiplos de 16
Muestreo de referencia	Euler · 50 pasos · CFG 3 · shift 5 · uncond skip 22
Pesos y acceso	Apache-2.0 · ejecución local y demo oficial

Por qué probarlo

• Posición explícita de texto y objetos mediante cajas.
• Fotografía, ilustración y anime con descripciones detalladas o etiquetas.
• Pesos descargables Base/SFT y una comunidad activa de adaptaciones.

Por qué conservar alternativas

• Los 5B no incluyen el codificador de texto.
• Personajes concretos, nombres de artistas y detalles finos pueden ser inestables.
• Sin edición nativa por imagen; los aceleradores requieren su propio flujo.

Base o SFT: qué versión elegir

SFT afina Base con datos seleccionados. Los ejemplos de pizarra del equipo muestran texto mejor agrupado, por lo que es una elección inicial razonable para carteles y diagramas. No demuestra superioridad en todos los estilos. Ficha de SFT

Base conserva una distribución menos refinada y es la versión recomendada para adaptación. Un desarrollador también expresó una preferencia personal por su realismo. “Más libre” no equivale a una garantía de calidad o de política de contenidos. Las siguientes imágenes son muestras oficiales seleccionadas: cambia la composición y la persona, por lo que no miden consistencia de identidad. Ficha de Base

Calidad, anime y texto en varios idiomas

El informe técnico comunica un 96,3 de cobertura Mean-6 en LongLongTextBench, con 240 tareas en inglés y chino. Es una evaluación del desarrollador, no una garantía de ortografía ni una medida de precisión del español. El segundo puesto del sistema en RealLayoutArena y el primero del generador con prompts ampliados compartidos corresponden a protocolos distintos. Informe y metodología

Los usuarios muestran buenos resultados con japonés y caracteres acentuados, pero no prueban fiabilidad universal. Para español, comprueba tildes, «ñ», signos de apertura y saltos de línea en el texto exacto que utilizarás. La guía prioriza el inglés para describir la escena; puedes mantener el rótulo español entre comillas. Prueba comunitaria con parámetros

Aceptar etiquetas tipo Danbooru no implica reconocer a todos los personajes o artistas. La discusión AMA recoge respuestas débiles a nombres de artistas; un artículo japonés observa variaciones importantes según el vocabulario de estilo. Revisa manos, caras pequeñas, negaciones y atributos de varios sujetos. Un buen fondo no demuestra que Anima haya quedado obsoleto. Comentarios del AMA Experiencia publicada

El aspecto “tipo GPT” es una impresión estética, no prueba de entrenamiento sintético. El equipo describe deduplicación y un detector interno para reducir unos 5.000 millones de imágenes a unos 3.000 millones. No es una auditoría independiente ni una certificación de derechos de todo el corpus. Datos de entrenamiento

Composición mediante JSON y cuadros delimitadores

El JSON permite describir la escena y asignar a cada objeto o texto su propia explicación y caja. Es útil para separar dos personajes o reservar una zona de título. Es opcional: también se puede generar con lenguaje natural. Guía oficial

Con abs_centralized y yxyx, cada caja es [y_min, x_min, y_max, x_max], en píxeles desde el centro. Un lienzo 1024×1024 va de−512 a+512 por eje. No lo confundas con coordenadas desde la esquina superior izquierda o escalas comunitarias 0–1000.

El ejemplo original sitúa un título sobre una montaña. Pega el JSON completo como prompt positivo y usa 1024×1024. Las cajas orientan una imagen rasterizada; no crean capas vectoriales ni aseguran una posición exacta. Cambiar JSON y regenerar tampoco conserva una fotografía de entrada: la edición condicionada por imagen sigue fuera del modelo publicado.

{
  "summary": {
    "meta": [
      "poster"
    ],
    "canvas": "single",
    "caption": "A minimalist travel poster with a cream background, a blue mountain illustration below, and the exact title Café de verano at the top."
  },
  "items": [
    {
      "label": "text",
      "caption": "Large dark-blue title centered at the top.",
      "text": "Café de verano",
      "bbox": [
        -416,
        -384,
        -288,
        384
      ]
    },
    {
      "label": "object",
      "caption": "A flat blue mountain illustration in the lower center.",
      "bbox": [
        -192,
        -288,
        384,
        288
      ]
    }
  ],
  "bbox_coord_space": "abs_centralized",
  "bbox_format": "yxyx"
}

VRAM, tamaño de archivos y velocidad

Tamaño de descarga no significa VRAM mínima. En los archivos Comfy-Org del 20 de octubre, el DiT BF16 ocupa 10,16 GB, el codificador 19,31 GB y el VAE pequeño 0,25 GB: unos 29,72 GB de pesos, sin entorno ni caché. El offloading permite alternar componentes entre CPU y GPU. Archivos actuales

En tarjetas de 8–12 GB, empieza con cuantización compatible, offloading y una imagen de aproximadamente un megapíxel.16 GB no garantizan comodidad y32 GB pueden ir ajustados para todo BF16 residente más memoria de trabajo. También influyen RAM, resolución y longitud del prompt.

Un usuario con RTX 3060 de 12 GB informó de un pico de 9,7 GB y137 s para 1 MP a50 pasos, frente a24 s con un DMD inicial. Era una cuantización de terceros cuyo autor después recomendó migrar a Comfy-Org. Son tiempos de aquel montaje, no mediciones de AirMore ni promesas para versiones actuales. Informe de hardware

GB decimales aproximados en disco, no VRAM mínima. W4A8 describe aquí el codificador, no toda la cadena.

Cómo empezar en ComfyUI

Actualiza ComfyUI, interfaz y plantillas; busca MOSS-Image y descarga los componentes de Comfy-Org que pide el flujo Base o SFT elegido. El soporte nativo se integró el 16 de octubre, aunque algunas páginas antiguas aún indican que está en proceso. Integración en ComfyUI

La alternativa del complemento OpenMOSS usa HF Loader con una carpeta local Diffusers que contiene transformer/, text_encoder/, tokenizer/ y vae/. Un nombre del Hub o un archivo DiT suelto no equivalen a esa carpeta. Evita mezclar cargadores y grafos incompatibles. Instrucciones del complemento

Empieza con 1024×1024,50 pasos,CFG 3,shift 5,Euler/sgm_uniform y salto negativo 22 cuando proceda. No añadas simultáneamente otro SLG sin entender el cambio. Ante ruido o manchas, revisa el VAE pequeño recomendado y la plantilla original antes de apilar parches de velocidad.

Ubicación de archivos para la ruta nativa; elige una precisión compatible por componente.

ComfyUI/models/
  diffusion_models/
    moss_image_sft_bf16.safetensors
    # OR moss_image_sft_int8_convrot.safetensors
  text_encoders/
    qwen3.5_9b_bf16.safetensors
    # OR qwen3.5_9b_int8_convrot.safetensors
  vae/
    flux2-vae_small.safetensors

Cómo redactar los prompts

Especifica sujeto, acción, perspectiva, relaciones espaciales, luz, estilo y palabras visibles. No necesitas agotar 4096 tokens. Elimina contradicciones antes de añadir adjetivos de calidad.

Para etiquetas, el orden sugerido es Quality→Score→Meta→Year→Character→Series→Artist→General. Escribir “8K” no cambia los píxeles de salida y un nombre de artista no funciona como interruptor garantizado. Añade apariencia y ropa a los personajes importantes. Recomendaciones de prompts

Para un cartel español, prueba la escena en inglés con la frase española exacta entre comillas. Conserva la semilla al modificar una parte y después compara varias semillas. Revisa acentos y puntuación en el archivo final, no solo la impresión visual general.

Prompt original para adaptar

A clean editorial summer market illustration. Two adult vendors stand at separate stalls, a woman in a red apron on the left holding one yellow lemon and a man in a blue apron on the right holding one green pear. Warm morning light, restrained colours. A clear title area reads exactly "Café de verano", including the accent. No additional words.

Cuantización, GGUF, LoRAs y aceleración

Comfy-Org ofrece INT8 ConvRot y la comunidad publica GGUF y otras precisiones. GGUF, GPTQ y BF16 no son formatos intercambiables: utiliza el cargador y los componentes de la ficha correspondiente y compara letras pequeñas y texturas. Ficha GGUF comunitaria

El DMD de 8 pasos es un proyecto comunitario en desarrollo, no un Turbo oficial. Su ficha actual da instrucciones de cargador LoRA y marca como obsoleta una sección antigua de muestreo especial/FP32. No copies esa receta ni reduzcas simplemente un muestreador estándar a8 pasos. Spectrum y variantes de 4 pasos también requieren una evaluación separada. Instrucciones actuales

Para entrenar, la guía recomienda Base y congelar el codificador. Conserva el texto visible exacto en los captions. Las LoRAs de Anima, SDXL o FLUX no se reutilizan automáticamente: arquitectura, claves y flujo deben ser compatibles.

NSFW, licencia comercial y costes

Hay informes de generación adulta/NSFW local, pero no describen la política de todos los hosts. Un servicio o ampliador de prompts puede aplicar sus propias reglas. La capacidad no garantiza anatomía correcta ni permiso de uso de una identidad. Para proyectos SFW, considera las etiquetas negativas de la guía y revisa cada resultado. Discusión comunitaria Guía oficial

Los pesos y el código independiente de la cadena indican Apache-2.0. Permite uso comercial del modelo bajo sus condiciones, mientras componentes y adaptadores mantienen sus licencias. No acredita derechos sobre cualquier personaje, marca o persona generada. Licencia

No existe una tarifa oficial única por imagen local. Cuenta GPU, almacenamiento, energía y descartes. La demo no promete capacidad gratuita permanente y cada host fija sus precios. Usa el proyecto OpenMOSS y sus enlaces de descarga para identificar el servicio auténtico.

Comparación con Anima, Krea, Qwen y FLUX

Compara tareas, no eslóganes. Una prueba comunitaria enfrentó MOSS50 pasos enH100 con Krea 4 pasos enMac: no determina un ganador de velocidad. Tampoco demuestra que Anima haya dejado de desarrollarse. Condiciones de comparación

Qué sabemos de la versión anime

En el AMA, un desarrollador respondió que la prioridad actual es una versión anime y explicó que ese contenido era una fracción pequeña del entrenamiento. Es una dirección de trabajo, sin fecha ni nuevos pesos publicados en esa respuesta. AMA

Valora la versión disponible. No compres hardware suponiendo que el modelo anime, el editor por referencia o un Turbo oficial ya existen; cada lanzamiento futuro necesitará su propia evaluación.

Preguntas antes de descargar

¿Es gratuito para uso comercial?

Los pesos son Apache-2.0, pero ejecutarlos tiene costes. Hosts, componentes y LoRAs pueden añadir condiciones. Guarda licencia y revisión del modelo.

¿Base o SFT para empezar?

SFT para tipografía y diseños organizados; Base para explorar otro estilo o adaptar. Compara el mismo prompt con varias semillas, no una muestra favorita.

¿Funciona con 12 GB de VRAM?

Hay un informe concreto con cuantización y offloading. No significa que BF16 completo quepa ni que toda resolución sea viable. Empieza con una imagen de 1 MP y vigila también la RAM.

¿El texto español sale siempre correcto?

No. Prueba tildes,ñ, signos de apertura y saltos de línea reales. El benchmark largo cubre inglés y chino; conserva una etapa de composición tipográfica si el texto debe ser exacto.

¿Puedo editar una foto y preservar la identidad?

El modelo publicado no recibe directamente imágenes de referencia. Cambiar JSON con la misma semilla no garantiza conservar foto ni personaje. Para ello elige un modelo de edición.

¿Por qué empeora un acelerador?

Puede no coincidir con el checkpoint, la precisión o el muestreo. Conserva una referencia de 50 pasos y sigue la ficha actual; acelerar puede perder iluminación, restricciones finas o texto.

A quién recomendamos MOSS-Image

MOSS-Image merece una prueba para generación local con texto y composición explícita. SFT es una entrada razonable para carteles; Base conserva valor para adaptación. Ninguno sustituye automáticamente todos los modelos especializados.

Antes de adoptarlo, prueba un título acentuado, dos personajes distintos, una composición fija y detalles pequeños. Registra codificador,VAE,precisión,semilla y tiempo completo. La utilidad repetible importa más que una imagen de lanzamiento excepcional.

Alcance y fuentes de la evaluación

Evaluación del lanzamiento basada en archivos, ejemplos oficiales, documentación e informes comunitarios con parámetros, revisados hasta el 20 de octubre de 2026. No es un benchmark GPU realizado por AirMore; las muestras y los tiempos se atribuyen a sus autores.

Fuentes para comprobar especificaciones y resultados

• Proyecto oficial
• Guía oficial
• Informe técnico
• Archivos Comfy-Org
• AMA del desarrollador
• Prueba de hardware
• Experiencia japonesa
• Aceleración comunitaria