MOSS-Image ComfyUI 上手：国产开源图像模型怎么跑（2026）

2026 年 10 月 16 日，做 MOSS 语言模型的那个 OpenMOSS 团队——复旦 NLP 实验室，联合上海创新研究院与 MOSI Intelligence——开源了 MOSS-Image：一个 5B 参数的文生图模型，权重 Apache-2.0，发布当天就支持 ComfyUI。值得为它腾一块显存的原因只有两条：图里的长文字，它渲染得接近最好的闭源模型；版式，它接受结构化 JSON，而不是让你写一段「希望它懂」的话。第一条是渐进式改进，第二条改变了「提示词」这个东西的定义。

一句话上手： 在 ComfyUI 里跑 MOSS-Image，打开 ComfyUI Manager 搜 MOSS-Image 装原生插件；或者直接用 Comfy-Org 打包好的单文件 checkpoint，走普通 checkpoint loader。出图选 SFT 权重，采样器保持 Flow-matching Euler、50 步、CFG 3、shift 5，负分支在第 22 层跳过。显存吃紧就把管线切成 Sequential 模式，或者把画布尺寸降下来。

想一站式体验对比全球顶级图像大模型？ Oimi AI Studio Canvas 把 GPT Image 2.5、Nano Banana 2.1、Seedream 5.0 Pro 和 30+ 图像、视频模型放进同一个工作台——同一个提示词，各家并排出图，免费起步。先用它把版式试出来，比自己折腾环境快得多。

10 月 16 日发布了什么


发布日	2026 年 10 月 16 日
团队	OpenMOSS（复旦大学 NLP 实验室、上海创新研究院、MOSI Intelligence）
权重	MOSS-Image-Base（底模）与 MOSS-Image-SFT（精调版）
架构	5B 单流扩散 Transformer，冻结的 Qwen3.5-9B 文本编码器，FLUX.2 VAE
提示词长度	最长 4K token
版式输入	原生支持——带 bounding box 的结构化 JSON
许可	Apache 2.0（权重与推理代码；第三方组件另按各自条款）
首发支持	ComfyUI、SGLang、vLLM-Omni、Diffusers
训练数据	约 30 亿张去重图像，刻意不做过滤

架构里有一个值得停一下的细节：文本编码器差不多是图像主干的两倍大。这不是凑巧。文字渲染和版式，先是「读懂」的问题，然后才是「画对」的问题；一个连长 caption 都解不动的主干，不可能把标题放到你要求的那个位置。

MOSS-Image-Base 与 MOSS-Image-SFT 的样张总览——风景、人像、动物、静物等多题材出图

两个卖点，只有一个是真的新

版式是数据，不是描述

每个图像模型都接受「把标题放在左上角」。几乎没有几个真的这样理解。MOSS-Image 把同一件事收成了 JSON：一段场景 caption，加一个 items 列表，每项包含 label、描述、可选的要渲染的文字，以及一个 bounding box。

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

几乎所有人第一次都会弄错坐标约定，所以直接说清楚：bbox_format: "yxyx" 意思是 [y_min, x_min, y_max, x_max]，而 abs_centralized 是从画布中心量起。在 1024×1024 的画布上，每个轴的取值范围是 −512 到 +512，x 向右递增，y 向下递增。从普通像素坐标换算，就是各自减去宽、高的一半。

这个结构才是真正的卖点。框可以由脚本生成，构图因此可复现、可批量——一套品牌模板，一千个变体都守同样的版式，而不是一千次开盲盒。编辑走同一套逻辑：改文字、移框，重渲染出来的结果是你能指定的。

文字渲染：大部分场景守得住

OpenMOSS 自己出了套基准 LongLongTextBench，理由是原来的 LongTextBench 在 120 字左右的目标上已经饱和。新集合每个目标平均 1,339.8 字，差不多是 11 倍。他们的表：

模型	LongLongTextBench
GPT Image 2	99.0
Nano Banana Pro	96.6
MOSS-Image	96.3
Qwen Image 3.0 Pro	94.3
Qwen Image 2512	64.9
FLUX.2	11.8

诚实读法：96.3 是「你能下载到的模型里最高的」，不是「全局最高」，而且这套基准是团队自己出的、素材也是他们选的。上面还压着两个闭源系统。版式控制（7Bench）上，MOSS-Image 以 0.88 mIoU 领先所有被测模型，次优 0.44；在 RealLayoutArena 那组盲评的人类设计对比里，它总排名第二，如果把提示词拉平，它是排名第一的图像主干。

FLUX.2 那个数字才是重新定义这次发布的东西：长文字渲染在开源模型里不是「差一点点」，是「基本没解」。

MOSS-Image 的长文字渲染实测——黑板上一整段英文长句，逐词拼写完整、没有掉词

在 ComfyUI 里跑起来

1. 装插件。 先把 ComfyUI 更新到最新版，打开 ComfyUI Manager，搜 MOSS-Image，安装。仓库里带的是原生插件；主仓库的集成还在推进，所以 Manager 这条路是目前受支持的走法。

2. 或者用单文件 checkpoint。 Comfy-Org 把 MOSS-Image-Base 打成了标准的单文件 diffusion checkpoint，走普通 checkpoint loader 就能载入，不需要自定义节点，也不需要转换步骤——和当年 FLUX、SD3.5、Qwen-Image 拿到的待遇一样。

3. 载入示例 workflow。 插件在 comfyui/moss-image/example_workflows/ 下带了 moss-image.json。从它开始改，不要从零连线；那个 layer-skip 的设置尤其容易漏。

4. 用这组采样参数。 Flow-matching Euler、50 步、CFG 3.0、shift 5、负分支在第 22 层跳过、负向提示词留空。这是 OpenMOSS 给共享 Diffusers 管线推荐的数值，在 ComfyUI 的图里同样适用。

在 ComfyUI 里跑 MOSS-Image 的实际 workflow——左侧 UNet、CLIP、VAE 三个加载器与 SkipLayerGuidance（第 22 层起跳），中间正负两个 CLIP 文本编码器，右侧 K 采样器 50 步、CFG 3.0，最后经 VAE 解码存图

5. 选 Base 还是 SFT。 出图用 SFT——精调版的文字成组更紧、多元素版式更干净。Base 的存在意义是给你拿去训练的，不是因为它画的海报更漂亮。

6. 显存要提前算。 下载体积不等于显存占用。Base 仓库标注 27.2 GB，而 Comfy-Org 的打包是 48.6 GB，因为它塞了好几个变体和备选文本编码器——只取你要的那部分。OpenMOSS 没有公布最低显存要求，它给的是 GPU 常驻、Component、Sequential 三种内存模式，社区反馈是在 12GB 卡上用 Sequential 模式或者缩小画布能跑起来。

7. 想微调也可以。 DiffSynth-Studio 在 10 月 20 日，也就是发布后第四天，给两个权重都加上了全量微调和 LoRA 训练支持。

电脑配置一般，或者根本没碰过 ComfyUI？ 上面这七步本身不难，难的全在环境上：节点装了不显示、workflow 载入报缺节点、显存不够中途重开、版本对不上报一堆红字。如果目的是把图像创意做出来，而不是把一套环境搭起来，那就别在这儿耗——直接去 Oimi AI Studio Canvas：不用装、不用配节点，30+ 图像与视频模型打开就能用，不占显存、不用等编译，免费起步。

第一周用户实测出来的东西

早期测试在强项和边界上出奇一致：

混排文字这一项能过。 英文海报按提示词拼写正确，中文竖排书法仍然可读，中英混排的两行都干净——这正是大多数模型翻车的场景。
带点推理的小要求也能过。 计数类请求（「三个苹果两个梨」）在社区测试里守住了，这算是判断模型是在读 caption 还是在套模板的一个不错的代理指标。
长篇古文还是断。 有位测试者要求一整首唐诗的水墨书法，试了几次都是掉句、丢标点。比之前任何开源模型都好，但不到可靠。
版式控制仍是实验性的。 坐标约定绊倒了一批首次使用者，社区文章也在劝：布局驱动生成暂时别放进生产管线。

MOSS-Image 的出图展示——中文条漫、照片网格、纪念铭牌与插画等多题材输出

为什么许可证是半个故事

图像模型一直带着摩擦交付。FLUX.1-dev 是非商用许可；SD3.5 系列用的是社区许可，过了收入门槛就需要单独谈；MOSS-Image 的权重是 Apache 2.0，把「我到底能不能用它做这个东西」的歧义消掉了——商业产品、托管服务、拿来卖的 LoRA、再分发一个蒸馏版，都在这条许可的射程内。

对一个小团队来说，这是「周末实验」和「能过法务」之间的差别。这也是为什么模型一天之内就出现在 ComfyUI 的 workflow 里：宽松许可加上 Comfy-Org 的官方打包，正是 Qwen-Image 在 2025 年跑通的那套增长剧本，而且这次又有效了。

还缺什么

一个 checkpoint 不等于整套系统。 5B 的图像 Transformer、9B 的文本编码器、加上 VAE，总得放进某个地方；目前流传的好几个「配置要求」把下载体积、选中文件、常驻内存混成了一件事。
遵守版式不等于保证版式。 JSON 指定的是意图。在每一个尺寸下模型是否尊重每一个框，正是生产测试要量的事，而目前没有人公布过这个测试。
基准是自家的。 96.3 和 0.88 都是设计测试的团队给出的强数字，独立评测还在形成中。
编辑还很早。 版式驱动的编辑是这个模型最有前途的方向，但社区的共识目前是「有希望，不能生产用」。

常见问题

MOSS-Image 是什么？

OpenMOSS 开源的文生图模型系列，团队是复旦体系下做 MOSS 语言模型的实验室。它是一个 5B 单流扩散 Transformer，冻结 Qwen3.5-9B 作为文本编码器；最有辨识度的能力是原生版式控制——除了普通提示词，它还接受一份描述物体、文字与 bounding box 的 JSON，并按这份规格渲染构图。

MOSS-Image 什么时候发布的？

2026 年 10 月 16 日，MOSS-Image-Base 与 MOSS-Image-SFT 两个权重随代码一起以 Apache 2.0 发布。ComfyUI、SGLang、vLLM-Omni 支持当天到位；技术报告在 10 月 19 日上了 arXiv，DiffSynth-Studio 的训练支持在 10 月 20 日跟进。

MOSS-Image 可以商用吗？

可以。权重与独立推理代码是 Apache 2.0，允许商业产品、托管服务、微调、出售 LoRA 与再分发，没有收入门槛，也不需要单独协议。少数第三方管线组件保留各自的许可，所以真正上线前仍要过一遍依赖清单——但模型本身是明确宽松的。

跑 MOSS-Image 需要多少显存？

OpenMOSS 没有公布最低数值。能确认的是：Base 仓库下载体积 27.2 GB，Comfy-Org 打包 48.6 GB（因为含多个变体），管线上提供 GPU 常驻、Component、Sequential 三种内存模式。社区在 12GB 卡上用 Sequential 模式或缩小画布跑通过。把那些下载体积当硬盘算，别当显存算，并且预期第一次运行会很慢。

MOSS-Image 和 GPT Image 2.5、Nano Banana 2.1、Seedream 5.0 Pro 比怎么样？

在团队自己的长文字基准上它拿 96.3，是所有可下载模型里最高的，但仍低于 GPT Image 2 的 99.0 和 Nano Banana Pro 的 96.6，而且这套测试由团队自己设计。它真正领先的是版式：7Bench 上 0.88 mIoU，次优 0.44。那两个闭源模型不接受 bounding box 规格作为输入，所以这一项上没有可比的数字可以并排放。Seedream 5.0 Pro 是同类型里最接近的一个——专攻密集排版与信息图——但它从提示词推断结构，不吃 JSON，所以公平的比法是同一条提示词各跑一遍，而不是看参数表。

这一步值得在下载 27GB 之前先做：Oimi AI Studio Canvas 里有 GPT Image 2.5、Nano Banana 2.1、Seedream 5.0 Pro 和 30+ 图像、视频模型，同一条提示词一次并排跑完，免费起步。需要可复现的版式、离线控制，或者一个能拿来微调的底模时，再把 MOSS-Image 装到本地。

来源

MOSS-Image in ComfyUI: Text-to-Image and Layout Workflows —— ComfyUI 官方教程，上面那张 workflow 的逐节点说明
MOSS-Image · GitHub —— 权重、推理代码与示例 workflow 文件