16 октября 2026 года OpenMOSS выпустила MOSS-Image — открытую модель генерации изображений с DiT-бэкбоном на 5B параметров. В ней можно управлять композицией через JSON и bounding box: задавать объекты и их расположение, вместо того чтобы полагаться на догадки модели.
Японский автор проверил модель в ComfyUI. Он особенно хвалит аниме-иллюстрации, фоны и предметы. Его оценку «одна из лучших локальных моделей для 2D» стоит воспринимать как личное впечатление: сопоставимого независимого бенчмарка пока нет.
Коротко
- MOSS-Image вышла в вариантах Base и SFT под лицензией Apache 2.0. Релиз включает веса и код.
- В модели используются DiT на 5B параметров, текстовый энкодер Qwen3.5 на 9B и VAE от FLUX.2.
- Помимо обычного текста, можно задавать теги и JSON-лейаут объектов.
- Для запуска автор использовал RTX 5090. Его конфигурация с INT8 ConvRot создавала изображение за 5,72 секунды при 25 шагах.
- По наблюдениям автора, модель хорошо рисует аниме, фоны и реквизит. Для надписей обычно нужны повторные генерации.
JSON превращает промпт в схему сцены
В обычном промпте вы описываете сцену словами: девушка, вывеска, кафе, чашка на столе. Модель сама решает, где разместить объекты. С JSON-лейаутом можно задать объекты и ограничить для каждого область изображения через bounding box — рамку, внутри которой должен появиться элемент.
Такой подход пригодится для кадров с несколькими важными объектами, плакатов, вывесок, экранов и фоновых иллюстраций. Например, можно отдельно описать персонажа и табличку с надписью, чтобы управлять их расположением. На официальной странице модели также перечислены естественный язык, последовательности тегов и JSON.
У модели две версии. Base — базовая модель без дополнительной настройки инференса; в гайде OpenMOSS для неё отдельно отмечены настройки генерации. SFT дообучили на отобранных данных. Японскому автору эта версия чаще давала более собранные фоны и предметы, хотя выразительных вариантов, по его наблюдениям, было меньше.
«В этом примере SFT лучше группирует текст и аккуратнее организует записи на доске». — пояснение OpenMOSS к примеру в официальном гайде
Японский автор также хвалит понимание тегов Danbooru. Он пишет, что ему удавалось получать известных персонажей и NSFW-изображения. Официальный гайд не подтверждает сведения о датасете Danbooru и эти наблюдения, поэтому воспринимайте их как опыт одного автора, а не гарантированную функцию модели.
У MOSS-Image небольшой DiT, но большой текстовый энкодер
В MOSS-Image входят DiT на 5B параметров, текстовый энкодер Qwen3.5 на 9B и VAE FLUX.2. Энкодер переводит текстовое описание в формат, с которым работает генератор. VAE участвует в кодировании и восстановлении изображения. Поэтому число параметров одного DiT не описывает всю конфигурацию.
В исходной японской статье автор сопоставил компоненты MOSS-Image, Anima, Krea2 и Qwen-Image-2.1. Это сравнение размеров архитектур, не качества моделей.
| Модель | DiT, параметры | Текстовый энкодер | VAE |
|---|---|---|---|
| Anima | 2B | Qwen3 (0,6B) | Qwen-Image |
| Krea2 | 12B | Qwen3-VL (4B) | Qwen-Image |
| Qwen-Image-2.1 | 7B | Qwen3-VL (8B) | Qwen-Image-2.1 |
| MOSS-Image | 5B | Qwen3.5 (9B) | FLUX.2 |
По результатам собственных тестов японский автор считает MOSS-Image сильнее Krea2 в некоторых задачах с тегами и персонажами. Anima, по его оценке, легче и удобнее для создания LoRA. У Krea2 он заметил склонность к размытости и проблемы с пальцами. У моделей различались настройки и число шагов, поэтому строго сравнить результаты по схеме «один промпт — одинаковые условия» не получилось. В сообществе релиз также сравнивают с «новым SDXL», но это реакция пользователей, не итог бенчмарка.
Для локального запуска нужны несколько крупных файлов
Когда японский автор тестировал модель, ComfyUI Stable v0.41.2 ещё не поддерживал её. Для запуска требовалась Latest-версия или обновление через git pull; workflow автор взял из pull request с добавлением MOSS-Image. В материалах релиза также упоминается официальный ComfyUI-плагин. Перед установкой проверьте актуальный способ подключения: инструкция автора могла устареть.
Для квантизованных весов Comfy-Org автор выбрал INT8 ConvRot — по его оценке, этот вариант хорошо сочетал качество и скорость. В его инструкции указаны такие размеры файлов: DiT Base или SFT — по 5,04 GiB каждый, текстовый энкодер Qwen3.5-9B — 9,07 GiB, VAE FLUX.2 — 320 MiB. Нужна одна версия DiT, не обе. Если FLUX.2 VAE уже есть в локальной сборке, скачивать его повторно не придётся.
- Base или SFT INT8 ConvRot: 5,04 GiB.
- Qwen3.5-9B INT8 ConvRot: 9,07 GiB.
- FLUX.2 VAE: 320 MiB; возможно, он уже есть в локальной сборке.
- Для сложных описаний OpenMOSS опубликовала LLM-скилл moss-image-prompt-enhancer.
В workflow есть нюанс: японский автор пишет, что для перемещения рамок в блоке Create Bounding Boxes может понадобиться включить Nodes 2.0. Если рамки не нужны, эти узлы можно отключить. Автор также советует проверить соединение Positive Prompt — иначе поле ввода может работать не так, как ожидается.
Настройки из официального гайда отличаются от быстрого теста
OpenMOSS рекомендует изображения примерно на 1, 1,5 или 2 млн пикселей. Модель поддерживает диапазон от 0,25 до 4 млн пикселей; размеры при ручном вводе должны делиться на 16. В официальном гайде указаны минимум 50 шагов, CFG 3,0 по умолчанию и рекомендуемый диапазон 3–6, а также сэмплер Euler. Для промптов советуют английский: обучающих данных на нём больше.
В workflow для ComfyUI японский автор использовал другие настройки: 25 шагов, CFG 2,5 и er_sde. Отдельные примеры SFT он сделал с 50 шагами, CFG 3,0, Euler и sgm_uniform. Перед сравнением версий модели или формулировок промпта лучше зафиксировать настройки.
Японский автор также указывает лимит промпта в 4K токенов. В проверенном официальном гайде я не нашёл подтверждения этому числу, поэтому пока его стоит считать утверждением исходной статьи, а не гарантированной спецификацией.
Надписи получаются, но не всегда с первого раза
Для сравнения японский автор взял один промпт: девушка с ушами фенека в осеннем кафе и деревянная табличка с надписью “MOSS-Image in ComfyUI”. По его оценке, MOSS-Image-SFT хорошо справилась с фоном и мелкими предметами. Буквы часто превращались в нечитаемые символы, и автор перегенерировал изображение.
JSON и отдельные рамки помогают указать место для вывески, но не гарантируют правильную типографику. Если макет пойдёт клиенту, я бы оставил надпись в промпте как ориентир, а финальный текст проверил отдельно.
Ниже — пример из японской статьи. В нём описаны внешность персонажа, свет, время суток, обстановка и текст на табличке. Можно менять локацию, цвет волос и надпись, сохраняя структуру. Промпт дан на английском — его можно вставить как есть.
Anime illustration of a very cute girl with massive fennec fox ears, a big fluffy tail, long wavy blonde hair and bright blue eyes, smiling and holding up a hand-painted wooden sign that reads "MOSS-Image in ComfyUI". She stands in a cozy autumn cafe with warm hanging lights, it's night time outside, steam rising from a cup of coffee on the table beside her.Из чего собран промт
- стильаниме-иллюстрация
Anime illustration - персонажиочень милая девушка с большими ушами фенека, пушистым хвостом, длинными волнистыми светлыми волосами и ярко-голубыми глазами
of a very cute girl with massive fennec fox ears, a big fluffy tail, long wavy blonde hair and bright blue eyes - действиеулыбается и держит деревянную табличку с надписью
smiling and holding up a hand-painted wooden sign that reads "MOSS-Image in ComfyUI" - сценастоит в уютном осеннем кафе с теплыми висячими огнями
She stands in a cozy autumn cafe with warm hanging lights - светснаружи ночь
it's night time outside - деталипар поднимается от чашки кофе на столике рядом
steam rising from a cup of coffee on the table beside her
Для длинных описаний автор советует подключать LLM. OpenMOSS опубликовала официальный скилл для усиления промптов в своём репозитории. Автор также упоминает локальную связку с LM Studio и отдельную инструкцию от ぬるぽらぼ.
RTX 5090 справилась за 5,72 секунды в одном из режимов
Японский автор приводит время генерации на GeForce RTX 5090. Из ускорений он указал только --use-sage-attention. У моделей различались квантизация и число шагов, поэтому эти цифры показывают конкретные конфигурации, а не дают чистого сравнения скорости.
| Модель | Квантизация | Шаги | Время |
|---|---|---|---|
| Anima base v1.0 | bf16 | 30 | 5,92 секунды |
| Anima turbo v1.1 | bf16 | 8 | 1,79 секунды |
| Krea2-Turbo | int8_convrot | 8 | 2,52 секунды |
| MOSS-Image | int8_convrot | 25 | 5,72 секунды |
В тесте MOSS-Image использовала больше шагов, чем turbo-варианты из таблицы. Автор предполагает, что будущие Turbo LoRA и другие способы ускорения сократят время генерации. На момент публикации это был прогноз, а не измеренный результат.
Гайд здесь важнее ещё одной попытки наугад
Японский автор советует перед тестами прочитать README и USERGUIDE. В репозитории есть рекомендации по размерам, CFG, числу шагов и формату промптов. Если Base выдаёт нестабильные картинки, сначала проверьте настройки, затем сравните версию с SFT. В собственных попытках автору Base понравилась меньше.
«Читайте. Обязательно. Если не умеете — идите учиться читать. И без расширительных трактовок и эмоциональных аргументов». — RedRayz, цитата, приведённая в японской статье; перевод по смыслу
Лицензия Apache 2.0 позволяет использовать релиз в коммерческих проектах, которым важны локальный запуск и доступ к весам. При этом лицензия модели сама по себе не решает вопросы с правами на персонажей и материалы конкретного проекта — их нужно оценивать отдельно.
MOSS-Image стоит проверить, если вам нужна локальная генерация в аниме-стиле и контроль расположения объектов. Для букв, точного сходства персонажей и стабильного качества понадобятся собственные тесты с одинаковыми настройками. Мне интереснее всего проверить, насколько JSON-лейаут помогает удерживать композицию в разных сценах.
Мои тесты моделей и генеративные работы — в разделе работ
Источники
MOSS-Image USERGUIDE — OpenMOSS
OpenMOSS releases MOSS-Image, a text-to-image model with 5B DiT
Open-source image model MOSS-Image flies under the radar
Источникnote.com
