如何在 ComfyUI 中运行 MOSS-Image（官方节点，分步教程）

MOSS-Image 是一个 5B 参数的开源文生图模型，于 2026-10-16 以 Apache-2.0 许可证发布。它的强项是长双语文字渲染和 JSON 版式控制。ComfyUI 在发布当天就提供了支持。本指南依次介绍权重文件、两种安装路径、示例工作流的设置，以及最常见问题的解决办法。如果想先了解背景，请阅读 MOSS-Image 是什么或模型概览。

在 ComfyUI 中运行 MOSS-Image 需要什么？

你需要一块支持 CUDA 的 NVIDIA 显卡、一个较新版本的 ComfyUI，以及三组权重：MOSS-Image-SFT 扩散模型、Qwen3.5-9B 文本编码器和 FLUX.2 VAE。官方仓库要求 Python 3.10 或更高、PyTorch 2.9 或更高。官方显存需求尚未公布。

使用 SFT 检查点，不要用 Base。Hugging Face 模型卡把 SFT 描述为日常生成用的检查点。Base 是没有经过后训练的原始预训练模型，定位是 LoRA 和微调的起点。

Comfy-Org 重打包版本把模型拆成了适合 ComfyUI 的单个 safetensors 文件：

组件	文件	大小
扩散模型（bf16）	`moss_image_sft_bf16`	10.2 GB
扩散模型（int8）	`moss_image_sft_int8_convrot`	5.4 GB
文本编码器（int8）	`qwen3.5_9b_int8_convrot`	9.8 GB
文本编码器（w4a8）	`qwen3.5_9b_w4a8_gptq`	7.3 GB
VAE	`flux2-vae.safetensors`	340 MB

选一个扩散模型文件和一个文本编码器文件。bf16 模型加 int8 编码器是最大的组合；int8 模型加 w4a8 编码器是最小的。文本编码器和 VAE 都是标准组件。MOSS-Image 原封不动地复用 Qwen3.5-9B，VAE 则取自 FLUX.2-klein-4B，所以如果你已经有 FLUX.2 VAE，就不需要再下载一份。

应该走哪条安装路径：ComfyUI 核心还是 MOSS-Image 插件？

如果想要最精简的配置，用 ComfyUI 核心。支持代码在发布当天就通过 Kijai 的 PR #17095 合并进了 ComfyUI 核心（见 ComfyUI Wiki 的发布说明），所以正常更新 ComfyUI 即可。如果想直接加载 Diffusers 格式的文件夹，就用 ComfyUI Manager 里的"MOSS-Image"插件。

路径 A：ComfyUI 核心

把 ComfyUI 更新到包含 PR #17095 的版本（2026-10-16 之后发布的任何版本）。
下载上面列出的 Comfy-Org 重打包文件。
从 ComfyUI Wiki 模型页或重打包仓库加载示例工作流。

这条路径使用你已经熟悉的标准加载器节点，不需要安装任何自定义节点。

路径 B：ComfyUI Manager 插件

打开 ComfyUI Manager，搜索"MOSS-Image"并安装插件。
从 Hugging Face 把 Diffusers 仓库 OpenMOSS-Team/MOSS-Image-SFT 整个文件夹下载下来。
添加 MOSS-Image HF Loader 节点，并把它指向该目录。

如果你同时也通过 Diffusers 运行该模型、希望磁盘上只保留一份权重，这条路径会很方便。代价是要下载整个仓库，而不能按组件挑选量化文件。

权重文件放在哪里？

把扩散模型放到 ComfyUI/models/diffusion_models，Qwen3.5-9B 文本编码器放到 ComfyUI/models/text_encoders，FLUX.2 VAE 放到 ComfyUI/models/vae。重启 ComfyUI 或刷新节点列表，让加载器识别到新文件。这些都是 ComfyUI 的标准目录，不需要 MOSS 专用目录。

如果走路径 B，Diffusers 文件夹可以放在任何位置。MOSS-Image HF Loader 节点接受的是路径，而不是 models 目录中的条目。

搭建之前先快速检查一下：打开每个加载器节点，确认文件名出现在下拉列表中。文件缺失是首次运行失败最常见的原因。

如何搭建文生图工作流？

工作流是标准的 flow-matching 链路：加载模型、文本编码器和 VAE；编码正面和负面提示词；设置 shift 和跳层引导；用 Euler 搭配 sgm_uniform 调度器采样；解码。官方示例使用 1024 x 1024、50 步、CFG 3、shift 5 和跳层 22。

以下是示例工作流和 GitHub README 中的数值：

设置项	值	说明
分辨率	1024 x 1024	任意宽高比；宽高必须是 16 的倍数
步数	50	README 要求 50 或更多
CFG	3	范围 3.0-6.0；短提示词可调高
Shift	5
跳层（负面分支）	22	模型卡说明 22、24、26 都可用
采样器	Euler	Flow-matching
调度器	sgm_uniform

USERGUIDE 推荐输出 1M、1.5M 或 2M 像素。模型可以从 0.25M（512 x 512）外推到 4M（2K），但最佳区间是 1024 x 1024 及附近尺寸。

使用 USERGUIDE 给出的这条负面提示词：

nsfw, worst quality, bad anatomy, watermark, jpeg artifact

提示词最长可达 4096 token。每个数值的完整解释见 MOSS-Image 推荐设置。

MOSS-Image Layout Prompt 节点是如何工作的？

MOSS-Image Layout Prompt 节点把手绘的框转换成模型可读的 JSON 版式格式。你用 Create Bounding Boxes 绘制区域，给每个区域设置标签和描述，为文字区域添加文字内容，节点就会输出送入正面提示词的 JSON。

该 JSON 使用 bbox_format: "yxyx"（[y_min, x_min, y_max, x_max]）和 bbox_coord_space: "abs_centralized"，即以画布中心为原点的绝对像素坐标。在 1024 x 1024 的画布上，坐标范围是 -512 到 +512。标签为 text、character 或 object。

作者把版式 JSON 标记为实验性功能，但论文报告它在人类偏好测试中胜过自然语言提示词。因为提示词本身就是版式，你可以只改一个描述或一个框然后重新生成，不需要任何图像条件。完整结构见版式 JSON 规范页。

第一条测试提示词应该用什么？

从 OpenMOSS 在 README 和模型卡里自带的示例开始：冰箱上一张写着三行手写中文的便签。纸面很素，任何文字错误都一目了然，而且你可以和官方样例对比。提示词中的真实换行会变成便签上的换行。

A wide view of a refrigerator beside a kitchen counter with a fruit bowl. A small sticky note on the refrigerator door is handwritten in Chinese:
记得买牛奶和鸡蛋！
牛奶两盒，鸡蛋一打。
顺便带一袋面包。

检查要点：三行都在，顺序正确，没有多字或漏字。如果在 CFG 3、50 步下能做到这一点，安装就是正确的。然后换一行英文做对比，再把同样的文字通过 Layout Prompt 节点、每行一个 text 框试一遍。

你也可以在首页的 MossImage 生成器里试试这条提示词，对比结果。

常见问题如何解决？

大多数问题分两类：显存不足，以及文字渲染出错。显存问题用更小的权重文件或更小的画布解决。文字问题用更高的 CFG、更多的步数，以及在提示词中给出精确的引号文字来解决。

显存不足

切换到 moss_image_sft_int8_convrot（5.4 GB）和 qwen3.5_9b_w4a8_gptq（7.3 GB）。
缩小画布。1M 像素是保证质量的推荐下限；如果只是测试，512 x 512 也可以。
官方 Gradio 应用提供三种模式（全部常驻 GPU、组件卸载、顺序卸载）。ComfyUI 会自己处理卸载，但原理相同：常驻组件越少，显存占用越低。

项目没有公布显存数字，所以要实际测试，不要凭假设。

文字乱码或缺失

把 CFG 往 3.0-6.0 区间的上限调。短提示词尤其需要更高的 CFG。
增加步数。50 是下限，不是目标。
把要渲染的文字放在引号里，并描述它的位置和样式。
用 \n 控制换行，不要指望模型在你想要的地方自动换行。
中文长文本略弱于英文。论文报告中文长文本 92.4，英文 97.1，因为训练描述以英文为主。

细节发白或不稳定

关闭跳层引导会让图像看起来更接近照片，但 USERGUIDE 警告细节可能出问题。做文字工作时保持跳层 22 开启。

训练自己的 LoRA

只在扩散模型上训练。文本编码器在官方模型中是冻结的，应该保持冻结；微调它会破坏 DiT 学到的映射关系。

能用少步数 LoRA 让 MOSS-Image 更快吗？

可以，用社区的 LoRA。发布后几天内，社区就发布了 4 步的"rapid-moss" LoRA 和 8 步的 DMD LoRA。两者都可以通过标准 LoRA 加载器加载。它们不是官方发布，项目也没有公布推理速度数据，所以请把它们当作实验来看待。

它们存在的原因：Base 模型没有蒸馏，需要 50 步以上加 CFG 3，速度很慢。少步数 LoRA 用一些质量换速度。做文字密集型工作时要仔细检查输出，减少步数后最先退化的就是文字渲染。

SFT 模型页在模型树下列出了适配器和微调。截至 2026-10-20，显示有 16 个适配器和 14 个微调。

ComfyUI 之外还有哪些选择？

如果 ComfyUI 不是你的工具，MOSS-Image 也可以通过官方 Gradio 应用、Diffusers pipeline、SGLang、vLLM-Omni 和托管的 Hugging Face Space 运行。截至 2026-10-20，没有官方托管 API。

Gradio 应用。 包含在 GitHub 仓库中，提供上面描述的三种显存模式。
Diffusers。 需要 diffusers 0.38 或更高、transformers 5.3 或更高：

from diffusers import DiffusionPipeline

pipe = DiffusionPipeline.from_pretrained(
    "OpenMOSS-Team/MOSS-Image-SFT",
    custom_pipeline="pipeline_moss_image",
    trust_remote_code=True,
)

SGLang。 Day-0 支持；见 docs.sglang.io。
vLLM-Omni。 Day-0 支持；vLLM recipe 覆盖 Base 模型。
Hugging Face Space。 官方演示在浏览器中运行，无需安装。

如果你想用 Layout Prompt 节点并可视化地控制每一项设置，ComfyUI 仍然是最佳选择。