跳过主要内容
🟢 MOSS-Image 指南已上线
阅读指南
MossImage
全部文章
教程

MOSS-Image 推荐设置：步数、CFG、Shift 与跳层

MOSS-Image 团队推荐的采样器、步数、CFG、shift、跳层和负面提示词设置，以及每一项分别影响什么。

MOSS-Image 团队推荐使用 flow-matching Euler 采样器搭配 sgm_uniform 调度器，至少 50 步，CFG 3，shift 5，无条件分支跳过第 22 层。这些数值发布在 GitHub README、USERGUIDE 和 Hugging Face 模型卡中。

本文先把所有推荐值汇总成一张表，再逐一解释每个参数改变了什么、什么时候该调整。如果你刚接触这个模型，建议先读 MOSS-Image 是什么？。逐节点的搭建步骤见 ComfyUI 指南。

MOSS-Image 的官方设置是什么？

官方默认值为：Euler 采样器，sgm_uniform 调度器，50 步或更多，CFG 3.0（范围 3.0-6.0），shift 5，uncond_skip_layers=[22]，负面提示词 nsfw, worst quality, bad anatomy, watermark, jpeg artifact。使用 MOSS-Image-SFT 检查点，输出尺寸在 1 到 2 百万像素之间。

设置项推荐值来源
检查点日常生成使用 MOSS-Image-SFTGitHub
采样器Flow-matching EulerGitHub / ComfyUI Wiki
调度器sgm_uniformComfyUI Wiki
步数50 或更多GitHub
CFG3（范围 3.0-6.0；短提示词可调高）GitHub
Shift5GitHub
跳层uncond_skip_layers=[22]；22、24、26 都可用Hugging Face
负面提示词nsfw, worst quality, bad anatomy, watermark, jpeg artifactUSERGUIDE
分辨率1M、1.5M 或 2M 像素；边长必须是 16 的倍数USERGUIDE
提示词语言推荐英文；支持中文及其他语言USERGUIDE
文本上限4096 tokenGitHub

为什么 MOSS-Image 需要 50 步？

MOSS-Image 发布时没有做任何推理参数蒸馏。README 把下限定在 50 步，论文的局限性一节也指出，Base 模型尤其依赖 50 步以上加仔细调整的 CFG。只有搭配社区的少步数 LoRA 时，减少步数才是安全的。

采样器是 flow-matching Euler 求解器。在 ComfyUI 中，这对应标准的 euler 采样器搭配 sgm_uniform 调度器，ComfyUI Wiki 有相关记录。团队没有公布推理速度数据，所以 50 步的耗时完全取决于你的硬件。

CFG 在 MOSS-Image 中起什么作用，为什么默认是 3？

CFG（classifier-free guidance，无分类器引导）控制模型相对于无条件输出有多严格地遵循提示词。团队推荐 3，给出的可用范围是 3.0 到 6.0。他们的建议是：短提示词可以调高 CFG，否则模型可依据的信息太少。

对于长提示词和 JSON 版式，保持 3 即可。这类提示词本身已经携带了足够多的条件信号。一个相关细节：MOSS-Image-Base 完全没有 CFG 蒸馏，这也是 GitHub README 引导日常用户使用 SFT 检查点的原因之一。

Shift 5 改变了什么？

Shift 调整 flow-matching 采样器的时间步调度，把更多的采样预算分配到噪声较大的那一端。官方值为 5，列在 README 中。除非你是有意做实验，否则保持 5 不动；团队没有公布其他可选值。

在 ComfyUI 中，shift 设置在 model-sampling 节点上，而不是采样器本身。ComfyUI 指南展示了它在默认工作流中的位置。

无条件跳层设置是什么？

uncond_skip_layers 设置会在计算引导的无条件（负面）分支时跳过一层 Transformer。Hugging Face 模型卡推荐 [22]，并说明 22、24、26 都可用。DiT 共有 42 层，所以这些层都位于网络的后半段。

这种技术通常称为 SLG（skip-layer guidance，跳层引导）。USERGUIDE 对取舍说得很直白：关闭 SLG 会让图像更真实，但细节可能出问题。如果你优先考虑文字准确和版式干净，就保持开启。如果你渲染的是文字很少的场景，想要更接近摄影的效果，可以试着关掉然后对比。

MOSS-Image 使用什么负面提示词？

USERGUIDE 给出的负面提示词是 nsfw, worst quality, bad anatomy, watermark, jpeg artifact。这是一份简短、通用的列表，团队没有针对特定风格发布变体。大多数工作直接照用即可，只有在反复出现某种瑕疵时才添加词条。

由于 MOSS-Image 使用的是带有真实负面分支的 classifier-free guidance，负面提示词在 CFG 3 及以上时是有效的。它同时也是 uncond_skip_layers 所修改的那个分支，所以这两个设置会相互影响。

MOSS-Image 支持哪些分辨率？

MOSS-Image 在 1、1.5 或 2 百万像素下效果最佳，支持任意宽高比，并且可以外推到从 0.25 百万像素（512²）到 4 百万像素（2K）。宽和高都必须是 16 的倍数。这些规则来自 USERGUIDE。

16 像素规则源于架构本身：VAE 做 8 倍下采样，DiT 使用 2×2 潜变量 patch，因此有效步长为 16 px。一张 1024×1024 的图像会变成 4096 个 token。画布越大，token 数和耗时按比例增加。对于海报和信息图，1 到 2 百万像素的竖版比例是一个合理的起点。

MOSS-Image 接受哪些提示词格式？

MOSS-Image 接受自然语言提示词、booru 风格的标签序列、JSON 版式对象，以及三者的混合。渲染文字中的换行用 \n 或真实换行符控制。提示词上限为 4096 token，推荐使用英文，因为训练描述以英文为主。

对于 booru 标签，USERGUIDE 规定了顺序：质量、分级、元信息、年份、角色、系列、画师，最后是通用标签。

对于版式控制，提示词是一个 JSON 对象，包含 summary、items 数组、bbox_coord_space: "abs_centralized" 和 bbox_format: "yxyx"。每个 item 有 label（text、character 或 object）、描述、可选的 text 内容，以及一个以画布中心为原点、单位为像素的 bbox，格式为 [y_min, x_min, y_max, x_max]。论文的人类偏好测试发现，JSON 版式提示词得分 1622.87 Elo，而详细自然语言提示词为 1509.21，所以这种格式值得学习。字段说明见我们的版式 JSON 规范，完整示例见提示词指南。

应该用 MOSS-Image-Base 还是 MOSS-Image-SFT？

生成图片用 SFT。Base 是预训练模型，没有后训练也没有推理蒸馏，发布它是为了让社区能从一个干净的起点训练 LoRA 和全量微调。两个检查点架构相同，所以本文的设置对两者都适用。

GitHub README 描述 SFT 的输出文字分组更干净、白板式版式更有条理。如果你基于 Base 做微调，评估时要准备好依赖完整的 50 步、CFG 3 配方。

如何用 Diffusers 运行 MOSS-Image？

Diffusers 路径通过带 trust_remote_code=True 的自定义 pipeline 加载 SFT 检查点。GitHub 列出的要求：Python 3.10 或更高、PyTorch 2.9 或更高、NVIDIA CUDA、diffusers 0.38 或更高、transformers 5.3 或更高。bf16 DiT 权重为 10.2 GB。

from diffusers import DiffusionPipeline

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

这是模型卡中的加载代码。生成调用本身使用上面的设置：50 步、guidance scale 3、shift 5 和 uncond_skip_layers=[22]。官方 Gradio 应用提供三种显存模式：全部常驻 GPU、组件卸载和顺序卸载，供无法同时装下 DiT、9B 文本编码器和 VAE 的机器使用。官方还发布了 int8 DiT（5.4 GB）以及 int8 或 w4a8 版本的 Qwen3.5-9B（9.8 GB 或 7.3 GB）。

有没有更快的少步数设置？

官方没有。团队未发布蒸馏检查点，也没有推理速度数据。社区则有：发布后三天内，Hugging Face 上就出现了 4 步的"rapid-moss" LoRA 和 8 步的 DMD LoRA，还有 Kromoss 全量微调和 KohakuMoss LoRA 训练器。

这些适配器会改变步数，通常也会改变 CFG，所以加载它们之后本文的官方表格就不再适用。请按适配器作者的说明操作。截至 2026 年 10 月 20 日，Hugging Face 上 SFT 检查点有 16 个适配器，Base 有 15 个。它们都没有得到 OpenMOSS 的背书，所以在依赖某一个之前，先用你自己的提示词检查输出质量。如果你不想操心这些，可以直接在 MossImage 生成器中生成海报和文字密集型图片。

FAQ

我可以用少于 50 步来运行 MOSS-Image 吗？

用官方检查点不行；README 把 50 定为最低值。社区有 4 步和 8 步的 LoRA 可以加速，但它们不是官方的。

如果图片尺寸不是 16 的倍数会怎样？

模型的 16 px 步长意味着这些尺寸无法干净地映射到潜变量 patch 上。按照 USERGUIDE 的要求，生成前把每条边四舍五入到最近的 16 的倍数。

长文本提示词需要调高 CFG 吗？

不需要。官方指引是只在短提示词时才把 CFG 调到 3 以上。长文本和 JSON 版式已经携带足够的条件信息，保持 3 即可，让 50 步来完成工作。

关闭 SLG 会让 MOSS-Image 效果更好吗？

根据 USERGUIDE，关闭后图像看起来更真实，但可能破坏细节。做文字和版式工作时，保持 uncond_skip_layers=[22] 开启。

在 ComfyUI 里应该选哪个调度器？

按 ComfyUI Wiki 的说明，使用 euler 搭配 sgm_uniform。在 model-sampling 节点上把 shift 设为 5，CFG 保持 3。