Японский автор прогнал MOSS-Image на товарах со своим персонажем, карточках гача и комнате с мерчем. Всего получилось 21 изображение. Каждое генерировалось примерно 7–10 секунд на RTX 4070 с ускоряющей LoRA.
Проверяли две вещи: японские надписи и расположение объектов. С буквами модель часто справлялась хорошо. Композицию по заданным рамкам тоже в основном удерживала. А вот число звёзд на карточках менялось от генерации к генерации.
Для креаторов это хороший способ быстро собрать превиз упаковки, карточки или обложки. MOSS-Image умеет рисовать текст внутри изображения и принимать структурированное описание сцены. Можно показать идею заказчику, а затем допилить макет вручную.
MOSS-Image удержал японские названия, но не все детали
Автор подключил собственную character LoRA — дополнение, которое помогает сохранять одного персонажа в разных сценах. У героини чёрные волосы, собранные в пучок, и серые глаза. Её поместили в коробку с фигуркой, на акриловый стенд, на гобелен и в карточки мобильной гача-игры.
В мокапе коробки проверили пять надписей: SAYAKA, имя «さやか», масштаб «1/7スケール», название товара «完成品フィギュア» и артикул MOSS-001. SAYAKA, имя персонажа и название товара получились правильно во всех трёх seed. Масштаб чётко появился только на одном варианте. Артикул немного обрезался у края.
На акриловом стенде модель правильно вывела название на основании и упаковке. На гобелене и чиби-плюше — надписи на ткани и бирке. Причёска и одежда героини остались узнаваемыми. Сам стенд при этом был больше похож на бумажный, чем на акриловый. С текстом результат вышел надёжнее, чем с материалом.
Автор назвал результат на локальном компьютере впечатляющим и сравнил его с Nano Banana. Это его оценка: модели не запускали бок о бок на одном задании. Но для поиска идеи такой читаемый текст уже полезен — буквы не обязательно дорисовывать отдельно.
Карточки гача показали слабое место
На карточках проверяли рамки редкости, названия и звёзды. Надписи SR, SSR, имя персонажа и названия карточек модель вывела правильно. Со звёздами запуталась: автор просил пять, а получал примерно четыре, шесть или три — плюс одну звезду над рамкой.
В варианте с юкатой правильно получились SSR и «夏祭りの夜» — «Ночь летнего фестиваля». А узор утренней ипомеи превратился в обычный цветочный принт. Буквы модель держит лучше, чем точное количество одинаковых элементов.
JSON и bbox помогают собрать макет, но не фиксируют пиксельную точность
Во второй части теста автор собрал розовую рабочую комнату с товарами персонажа. Сцену он описал в JSON: общий вид поместил в summary, а предметы и надписи перечислил в items. Для каждого элемента указал bbox — прямоугольник, где тот должен появиться.
Всего было 13 рамок: 10 для предметов и 3 для надписей. В сцену вошли гобелен, окно, книжный шкаф, лампа, стол, коробка с фигуркой, фигурка снаружи, стенд, плюш и блокнот с кружкой. Товары в основном встали в нужном порядке. Несколько предметов и надписей почти точно попали в назначенные зоны.
Автор использовал систему координат abs_centralized, где начало отсчёта находится в центре изображения. Для холста 1024 × 1536 координаты по горизонтали идут примерно от −512 до 512, по вертикали — от −768 до 768. Формат yxyx задаёт порядок сторон bbox: верх, лево, низ, право. Рамки помогают направить композицию, но не обещают точного попадания в пиксель.
Я бы задавал такие рамки для крупных элементов: оставить место под титр, поставить товар в нужную часть кадра, направить взгляд зрителя. Потом проверил бы несколько seed и вручную поправил логотип, артикул, цену и другие важные детали. Для сравнения автор наложил координатные рамки на готовое изображение. Саму картинку он не редактировал.
Вот фрагмент JSON из материала. Часть описаний пропущена, так что это пример структуры, а не готовый промт.
{"summary": {"meta": ["illustration", "interior"], "canvas": "single", "caption": "charsayaka. A stylish cozy pink study room in portrait view, an overall pink color scheme with pastel pink walls, a pink wooden desk, ..."}, "items": [{"label": "object", "caption": "A tall pink fabric wall tapestry hanging from a thin wooden rod on the wall, ...", "bbox": [-730, -170, -80, 230]}, {"label": "text", "caption": "Large pink and white logo text at the top of the tapestry.", "text": "SAYAKA", "bbox": [-690, -140, -600, 200]}, ...], "bbox_coord_space": "abs_centralized", "bbox_format": "yxyx"}Настройка автора объясняет скорость, но не гарантирует такой же результат
Тест запускали в ComfyUI v0.42.0 — версии с нативной поддержкой MOSS-Image. Использовали MOSS-Image Base INT8, текстовый энкодер Qwen3.5 9B INT8 ConvRot, VAE и две LoRA: восьмишаговую дистилляцию MOSS-Image Base DMD и LoRA персонажа. Сила обеих — 1.0. Генерация шла на 8 шагах, с CFG 1, Euler и sgm_uniform.
Промт для фигурки в коробке показывает, как автор связал описание персонажа, упаковки и надписей. Его можно взять за пример структуры. Результат у вас может отличаться из-за версий файлов, настроек, seed и собственной LoRA.
charsayaka, a commercial product photo of an anime PVC scale figure of a cute young woman with black hair in a messy hair bun, straight bangs, grey eyes, wearing a white blouse and a navy pleated skirt, smiling and waving one hand, standing on a round clear base. The figure stands on a white table in front of its retail box. The box is a pastel pink window box with a large semi-transparent clear plastic window on the front, and a second identical figure is visible inside the box through the clear window. On the top of the box front, large white and pink logo text reads "SAYAKA". Below the logo, smaller white Japanese text reads "さやか". On the left side panel of the box, vertical white Japanese text reads "1/7スケール". At the bottom of the box front, a white band with small black Japanese text reads "完成品フィギュア". At the bottom right corner of the box, small black text reads "MOSS-001". Soft studio lighting, clean white background, realistic glossy plastic material, sharp focus, high quality product photography.В опубликованном материале есть и часть промта для SSR-карточки с юкатой. Первая часть промта в источнике отсутствует.
...wearing an elegant navy blue yukata with white and pink morning glory patterns and a red obi sash. She holds a round paper fan and looks back over her shoulder with a gentle smile, standing on a riverside bridge at night with large colorful fireworks bursting in the sky and paper lanterns. A Japanese mobile gacha game character card illustration with an ornate shining gold card frame and rainbow holographic edges. At the top left corner, a large gold metallic badge with bold rainbow outlined letters reads "SSR". Below the badge, five small gold stars. At the bottom, a dark translucent name plate with gold Japanese text reads "夏祭りの夜", and below it larger white Japanese text reads "さやか". Glossy premium game card design, vivid anime illustration style, sparkle effects.На официальной странице OpenMOSS MOSS-Image описана как линейка моделей с backbone на 5B параметров, длинными промптами и управлением композицией через JSON. В техническом отчёте авторы модели указывают среднее покрытие текста 96,3% на LongLongTextBench — тесте английского и китайского текста. Этот показатель ничего не говорит о точности японских надписей в каждом кадре и не гарантирует правильный подсчёт звёзд.
Для превиза — да, для точной товарной графики — с ручной проверкой
Для визуальных концептов MOSS-Image уже подходит: можно локально собрать мокап товара или карточки и показать заказчику направление. Открытые веса выпущены под Apache-2.0, а модель доступна в официальном репозитории OpenMOSS. Установка на любом компьютере может пройти по-разному. Скорость из японского теста получили на конкретной сборке, с INT8-файлами и ускоряющей LoRA.
- MOSS-Image подходит для быстрых концептов упаковки, стендов, карточек и комнат с мерчем.
- Задавайте bbox для крупных зон композиции и места под будущие титры.
- Проверьте несколько seed — одна удачная генерация ещё не показывает стабильность.
- Вручную проверьте артикулы, количество элементов, мелкий текст и края рамок.
- Цены, юридические надписи и макеты для печати перепроверьте перед публикацией.
Этот тест хорошо показывает, где генерация экономит время: вместо пустого холста можно быстрее получить почти собранную сцену. А логотип, артикул и точное число звёзд всё ещё стоит проверить вручную. Для превиза — топ, для финальной вёрстки пока понадобится человек.
Источники
MOSS-Image — Text-to-Image Generation with Native Layout Control
Official repository for MOSS-Image
Источникnote.com
