MOSS-Image 評測：文字、構圖、NSFW、顯存需求與 ComfyUI 設定

MOSS-Image 最值得注意的用途，是在本機生成帶文字、物件位置明確的海報、資訊卡與插畫。長提示詞、文字渲染與原生 JSON 構圖能放進同一條流程，但這不代表角色知識或畫風一定勝過專門的動漫模型。

Base 與 SFT 已於 2026 年 10 月 16 日公開。若以文字與版面為主，可先試 SFT；需要風格探索或微調，再比較 Base。主要代價是大型文字編碼器、標準 50 步流程及細節校對時間。目前公開骨幹仍是文生圖，不能直接輸入參考照片做原生編輯。

評測結論與核心規格

開發者／發布	OpenMOSS · 2026年10月16日
模型組成	5B 單流 DiT＋Qwen3.5-9B 編碼器＋FLUX.2 小型解碼器 VAE
輸入方式	自然語言、標籤、JSON · 最多4,096 tokens
建議起點	1024×1024起步；建議1–2MP；長寬為16的倍數
標準採樣	Euler · 50步 · CFG 3 · shift 5 · uncond skip 22
權重／存取	Apache-2.0 · 本機推論與官方線上示範

值得嘗試的優勢

• 可分別指定文字與物件的邊界框，不只靠左右方位描述。
• 涵蓋攝影、插畫與動漫，可使用詳細自然語言和標籤。
• Base／SFT 可下載，量化與 LoRA 生態正在擴展。

仍需保留替代方案的原因

• 5B 不包含大型文字編碼器，完整流程並不等於輕量。
• 短提示詞、畫師標籤、冷門角色、手指與精確條件仍有不穩定性。
• 尚無原生參考圖編輯，社群加速模型需要獨立測試。

Base 與 SFT 應該選哪個版本

SFT 從 Base 以精選資料微調。官方白板範例呈現較清楚的文字分組與版面，因此適合拿來作為海報、標示與資訊圖的起點。這是工作流程建議，不是每種畫風都必勝的結論。SFT 模型卡

Base 保留未經後續美學調整的基礎分布，官方建議作為 LoRA 訓練起點。開發者 AMA 也有偏好 Base 寫實感的個人看法。「更自由」不等於品質、內容政策或任何用途的保證。Base 模型卡

下面保留官方比較圖的原始中文文字，作為已發布樣例。兩張圖的人物與構圖也不同，不能拿來證明角色身分一致性。

畫質、動漫知識與多語文字

技術報告在 LongLongTextBench 的中英文長文測試中報告 Mean-6 文字覆蓋分數 96.3，共 240 項任務。這是開發者自報的覆蓋指標，不代表 96.3% 的字詞必定拼對、排版完美，更不是日文或繁體中文專項準確率。RealLayoutArena 的系統排名第二，與共用擴寫提示詞的骨幹排名第一，也屬不同評估流程。技術報告

日文招牌、對話及帶重音字母的成功案例來自社群，仍不足以保證長台詞、直排、複雜漢字或特定字型。官方優先建議英文提示詞。繁中使用者可以保留要畫的原字串，用引號與明確換行指定；檢查異體字、簡繁混用與標點，再決定是否需要後製排字。附參數的社群測試

支援 Danbooru 風格標籤，不等於完整認識所有角色和畫師。AMA 有使用者回報畫師名反應偏弱，日本實作文章也指出動漫穩定度會受畫風用語影響。背景和角色分離的好案例有參考價值，但無法推出全面超越 Anima。手指、小臉、否定條件和多人屬性仍需檢查。AMA 討論 日文實作案例

預設「像 GPT」是風格觀察，不能據此判定混入大量 AI 圖。報告描述用去重和內部偵測器，將約 50 億張來源圖整理為約 30 億張。這是團隊對資料流程的說明，不是獨立稽核或所有素材權利均已清理的證明。資料處理說明

JSON 與 BBox 構圖控制

JSON 是最具體的差異點：用全局說明描述場景，再替每個文字或物件提供 caption 與框。適合標題加商品、左右分開的角色或多格畫面。它是可選輸入，不必把所有普通插畫都改寫成 JSON。官方輸入指南

abs_centralized 搭配 yxyx 時，陣列是 [y_min, x_min, y_max, x_max]，以畫布中心為原點的像素座標。1024 正方形每軸為 −512 到 +512。左上角原點或社群 0–1000 規格不能直接混用，改解析度時也要同步換算。

下方原創輸入把「夏日市集」放在山景上方，輸出設定為1024×1024，整份 JSON 貼入正向提示詞。框是生成引導，不是可保證精確位置的向量圖層。更改框後重新生成，也不等於維持上傳照片的內容；目前本體沒有原生圖片編輯。

{
  "summary": {
    "meta": [
      "poster"
    ],
    "canvas": "single",
    "caption": "A minimalist travel poster with a cream background, a blue mountain illustration below, and the exact title 夏日市集 at the top."
  },
  "items": [
    {
      "label": "text",
      "caption": "Large dark-blue title centered at the top.",
      "text": "夏日市集",
      "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"
}

顯存、下載容量與生成速度

下載容量與峰值顯存不同。10月20日 Comfy-Org 列出的 BF16 骨幹約10.16GB、編碼器19.31GB、小型VAE0.25GB，共約29.72GB權重；環境和快取另外計算。CPU offload 能避免所有元件同時常駐GPU。現有檔案列表

8–12GB顯卡可從相容量化、CPU offload、約1MP與單張批次開始。不能把「16GB舒服」當成保證；32GB常駐BF16也要留工作記憶體。系統RAM、長提示詞、解析度及VAE解碼都會改變峰值。

一名 RTX3060 12GB 使用者在早期第三方INT8構成中報告約9.7GB峰值，1MP、50步約137秒，早期8-step DMD約24秒。該量化作者後來建議改用Comfy-Org版本。這是特定舊流程的計時，不是目前官方檔案的普遍速度，也不能直接套用其他顯卡。使用者計時與後續回覆

十進位GB概算，並非最低顯存。這裡W4A8指編碼器，不是整條流程皆為4bit。

ComfyUI 部署與設定

先選完整且相符的路徑。更新ComfyUI、本體前端和模板，搜尋MOSS-Image，配合Base或SFT模板下載Comfy-Org元件。原生支援已於10月16日合入；部分專案頁仍寫「整合中」，不能當作目前尚未支援的依據。合入紀錄

若使用OpenMOSS外掛的HF Loader，則要指定含 transformer/、text_encoder/、tokenizer/、vae/ 的本機Diffusers資料夾。Hub名稱或單一骨幹並不等於完整資料夾。避免把外掛圖和不相容的原生載入器直接混搭。外掛手冊

以1024正方形、50步、CFG3、shift5、Euler／sgm_uniform、對應的uncond skip22作基準。不要隨意同時疊加標準SLG。若有噪點或斑塊，先核對官方模板與小型VAE；若節點無法辨識，先更新並恢復相符元件，再加速度補丁。

原生單檔路徑的範例位置。每類選擇一個相符精度，不必把全部版本一起載入。

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

自然語言與標籤提示詞

完整描述主體、動作、視角、位置、光線、風格與可見文字，但不需塞滿4096 tokens。先排除相互矛盾的要求，再增加品質詞。

官方標籤順序是Quality→Score→Meta→Year→Character→Series→Artist→General。「8K」可能影響觀感，但不會改變設定的像素；畫師名也不是保證有效的風格開關。重要角色除名字外，最好補上外觀與服裝。提示詞建議

繁中自然語言可先試；若語意不穩，可把場景說明寫成英文，保留要畫的繁中標題。先固定seed比較修改，再試多個seed確認穩定度，尤其要逐字檢查簡繁與標點。

可依需求修改的安全提示詞

乾淨的市場編輯插畫，兩位成人店員分別站在左右獨立攤位。左方女性穿紅色圍裙，手持一顆黃色檸檬；右方男性穿藍色圍裙，手持一顆綠色洋梨。柔和晨光，留出上方空間，以深藍大字精確寫出「夏日市集」，不要其他文字。

量化、GGUF、LoRA 與加速

除Comfy-Org INT8 ConvRot外，社群也提供GGUF等版本。GGUF骨幹、GPTQ編碼器和BF16不能當成同格式互換。請跟隨配布者指定的載入器、VAE及編碼器，並比較細字與材質。社群GGUF模型卡

8-step DMD是社群開發中的加速方案，不是官方Turbo。最新模型卡提供LoRA載入方式，並把舊的獨立資料空間採樣與FP32說明標為棄用。別照舊文章或單純把50步改8步；Spectrum與4步方案也要各自評估速度、細節和文字的取捨。最新DMD說明

官方建議在Base上訓練LoRA並凍結文字編碼器。標註應忠於可見內容並保存原始文字。Anima、SDXL或FLUX的LoRA不因副檔名相同就能沿用；確認模型鍵值、訓練範例和實際抽樣設定。

NSFW、商用授權及成本

社群確實回報本機NSFW能力，但不能把所有託管端點一概稱為無審查，提示詞擴寫服務也可能另有限制。能力不保證解剖正確，也不等於內容規範或肖像使用許可。一般向作品可參考官方的NSFW負向標籤，仍需檢查結果。社群討論 官方負向標籤

權重與獨立管線採Apache-2.0，依條款可商用模型，但其他元件和LoRA保留各自授權。生成的既有角色、商標或真人肖像是否可作廣告，不能單靠模型授權回答。權重授權

本機沒有統一每張價格；成本包含GPU時間、電力、容量與廢稿。官方示範不保證永久免費算力，第三方服務費率也不同。從OpenMOSS官方專案及其連結的Hub下載，別把同名生成網站當成開發者定價。

與 Anima、Krea、Qwen、FLUX 的取捨

社群同提示詞比較，可能同時使用H100的50步MOSS和Mac的4步Krea，並不是公平速度基準。也沒有證據可斷言Anima已停止開發。按任務挑選比「本機版NAI」等稱號實用。比較設定

動漫特化版目前是開發方向

開發者AMA對Turbo提問表示目前優先動漫版，也提到既有資料的動漫占比小。這支持將動漫特化視為方向，但並未提供發布日期或可下載的新權重。AMA原文

不要預設動漫版、官方Turbo或原生編輯已可用而提前更換全部流程。先評估已發布版本，未來更新再作獨立測試。

下載前的常見問題

免費且能商用嗎？

權重採Apache-2.0，但本機仍有硬體與運作成本。託管費用、外部元件與LoRA條款另計，商業專案應保存版本與授權。

新手選Base還是SFT？

以文字和有組織的版面為主，可先SFT；需要風格比較或訓練，再試Base。用同一提示和多個seed，不要只看單張最佳樣例。

12GB顯卡可以跑嗎？

有量化與offload的具體使用報告，不代表完整BF16能直接放入。先以1MP單張試做，並監看系統RAM與VRAM。

繁中或日文一定正確嗎？

不能保證。官方長文測試主要是中英，不等於繁中字形與日文專項驗證。請測實際字串、換行及對話框，必要時保留後製排字。

能上傳照片並維持角色一致嗎？

公開本體沒有直接參考圖條件。固定seed與JSON再生成，不保證輸入保留或角色一致；應選擇真正的圖片編輯模型。

為何8步畫質反而變差？

先檢查加速器與checkpoint、精度、採樣器是否相符。保留50步基準，再依最新卡片設定，速度方案可能犧牲光影、精細條件與文字。

現在適合誰使用

需要本機文字圖像和可明示的構圖時，MOSS-Image值得加入工具箱。SFT可從海報和資訊卡開始，Base保留風格與微調空間，但目前還不能一概取代動漫專用或圖片編輯模型。

先測帶標點標題、兩個不同穿著的人物、固定布局與精細物件。記錄編碼器、VAE、量化、seed及包含文字編碼的時間，才能選出可持續使用的流程。

評估範圍與資料

這是截至2026年10月20日，依公開模型、官方樣例、文件與附條件社群測試撰寫的發布評測，不是AirMore自行執行的GPU基準。開發者樣例與使用者計時均已標明。

可核對規格與流程的資料

• 官方專案
• 官方使用指南
• 技術報告與測試方法
• Comfy-Org檔案
• 開發者AMA
• 社群顯卡測試
• 日文實作文章
• 社群加速說明