MOSS-Image en ComfyUI: texto a imagen, edición y flujos de diseño

Acerca de MOSS-Image

• DiT de un solo flujo de 5B con renderizado de texto bilingüe en inglés y chino
• Orientación de composición nativa: dibuja cajas, dale un texto a cada caja y las cajas de texto renderizan su propio texto
• Mejorador de prompts integrado en las plantillas de Texto a imagen, para que baste con una idea de una línea
• Dos checkpoints: SFT para composiciones más limpias, Base para ajuste fino y trabajo con LoRA
• Prompts largos de aproximadamente 4K tokens y tamaños de lienzo con ancho y alto múltiplos de 16

• GitHub
• Guía del modelo (USERGUIDE)
• Hugging Face (Comfy-Org)

Flujos de trabajo de MOSS-Image

MOSS-Image: Texto a imagen

Empezar

1. Actualiza ComfyUI a la versión 0.42.0 o posterior
2. Ve a Plantillas y busca MOSS-Image
3. Selecciona MOSS-Image: Text to Image
4. Descarga los modelos que aparecen en descargas de modelos
5. Escribe tu idea en el prompt positivo y haz clic en Queue

MOSS-Image Base: Texto a imagen

Empezar

1. Actualizar ComfyUI a 0.42.0 o más tarde
2. Ve a Template y busca MOSS-Image Base
3. Selecciona MOSS-Image Base: Text to Image
4. Descarga los modelos listados en descargas de modelos, incluido moss_image_base_int8_convrot.safetensors
5. Escribe tu idea en el prompt positivo y haz clic en Queue

MOSS-Image: texto a imagen guiado por diseño

Empezar

1. Actualiza ComfyUI a la versión 0.42.0 o posterior
2. Ve a Template y busca MOSS-Image, luego elige la variante de diseño
3. Descarga los modelos que se indican en descargas de modelos
4. Dibuja una caja por elemento en Create Bounding Boxes y escribe un texto descriptivo para cada caja. En una caja de texto, escribe el texto que quieres que se renderice
5. Describe la escena completa en el prompt y haz clic en Queue

MOSS-Image Base: texto a imagen guiado por diseño

Empezar

1. Actualiza ComfyUI a 0.42.0 o posterior
2. Ve a Plantillas, busca MOSS-Image Base y elige la variante de diseño
3. Descarga los modelos que aparecen en descargas de modelos, incluido moss_image_base_int8_convrot.safetensors
4. Dibuja las cajas, escribe una leyenda para cada una y redacta el prompt de la escena
5. Haz clic en Queue

MOSS-Image: edición de imágenes

Empezar

1. Actualiza ComfyUI a 0.43.0 o posterior
2. Ve a Template y busca MOSS-Image: Image Edit
3. Descarga los modelos indicados en descargas de modelos, incluido moss_image_edit_lora_rank_64_bf16.safetensors
4. Carga la foto que quieres editar y describe solo el cambio en el prompt positivo
5. Haz clic en Queue

Consejos para editar

• Formula el cambio tal como se entrenó el LoRA. Change only the X to Y. Keep the character, face, hair, pose, background and composition unchanged. es lo que mejor funciona. Una instrucción vaga como “improve it” le da al modelo demasiada libertad.
• Mantén edit_format en Moss-Image-Edit. Ambos nodos de codificación deben llevar el valor con el que se entrenó el LoRA. Un valor distinto sigue devolviendo una imagen, pero la identidad, el encuadre y el detalle fino se alejan de la fuente.
• Mantén el CFG en 4.0. La rama negativa importa para este LoRA. Los valores más bajos pueden añadir accesorios como un collar que no estaban en la foto de origen.
• Conecta hasta cuatro referencias. Los nodos de codificación ganan ranuras adicionales cuando los conectas, así que una prenda, un rostro y un objeto pueden ir por separado. Indica en el prompt para qué sirve cada una.

MOSS-Image: control de color y profundidad

Empezar

1. Actualiza ComfyUI a 0.43.0 o posterior
2. Ve a Template y busca MOSS-Image: Color & Depth Control
3. Descarga los modelos indicados en descargas de modelos, incluidos moss_image_color_depth_control.safetensors y moge_3_vitg_fp16.safetensors
4. Carga tu foto de referencia y describe el personaje y la escena que quieres
5. Haz clic en Queue

Consejos sobre el control

• Render MoGe Geometry usa la máscara de forma predeterminada. Solo se controla la silueta. Cámbialo a depth cuando el perfil del rostro, los hombros y la caída del fondo también deban seguir a la referencia: la pose se vuelve más estricta y el prompt tiene menos margen.
• end_percent define cuánto tiempo se mantiene el mapa. En 0.6 los últimos pasos renderizan la superficie y la iluminación con libertad. En 1.0 la geometría queda fijada hasta el paso final.
• El LoRA es lo que hace funcionar el mapa. El adaptador de control se carga justo antes del nodo de control, y sin él el nodo no tiene efecto.
• Pinta un mapa a mano cuando la estimación sea incorrecta. Painter ya está en el gráfico: conecta su salida a depth_map, blanco cerca y negro lejos. color_map no está conectado de forma predeterminada, toma un color plano por región y debe coincidir con el tamaño de salida.

Descargas de modelos de MOSS-Image

📂 ComfyUI/
├── 📂 models/
│   ├── 📂 diffusion_models/
│   │      ├── moss_image_sft_int8_convrot.safetensors
│   │      └── moss_image_base_int8_convrot.safetensors
│   ├── 📂 text_encoders/
│   │      ├── qwen3.5_9b_w4a8_gptq.safetensors
│   │      └── qwen3.5_9b_int8_convrot.safetensors
│   ├── 📂 vae/
│   │      └── flux2-vae_small.safetensors
│   ├── 📂 loras/
│   │      ├── moss_image_edit_lora_rank_64_bf16.safetensors
│   │      └── moss_image_color_depth_control.safetensors
│   └── 📂 geometry_estimation/
│          └── moge_3_vitg_fp16.safetensors

Consejos para escribir prompts

• Describe la imagen finalizada, no la solicitud. El modelo se entrenó con descripciones, así que escribe cómo se ve la imagen en lugar de una instrucción como «hazme un póster». El mejorador de prompts sigue la misma regla, por eso un prompt corto sigue funcionando.
• Base lee secuencias de etiquetas. Con el mejorador desactivado, MOSS-Image-Base acepta etiquetas separadas por comas además de descripciones, en el orden documentado: calidad, puntuación, meta, año, personaje, serie, artista y luego las etiquetas generales; por ejemplo best quality, highres, hatsune miku, vocaloid, @foo bar, 1girl, blue hair.
• Desactiva el mejorador de prompts para controlar la redacción. Establece enable_prompt_enhancer en false en el nodo del subgrafo y tu prompt llegará al modelo sin cambios. Con el mejorador activado, prompt_enhancer_seed cambia cómo se reescribe el prompt. Ambas configuraciones muestran el resultado en Preview Any, así que puedes comparar.
• Controla los saltos de línea tú mismo. Los saltos automáticos pueden no quedar donde quieres. Coloca saltos de línea reales o \n en el texto que quieres que se renderice cuando importe la posición de un salto.
• Usa el flujo de trabajo de diseño cuando importe la colocación. Las cajas le dan al modelo una posición explícita para cada elemento y cada bloque de texto, lo cual es más fiable que describir posiciones en prosa.
• Mantén el lienzo en el rango recomendado. ResolutionSelector elige la relación de aspecto y la cantidad de megapíxeles (1 MP por defecto). El rango de salida recomendado es de 1 MP a 2 MP y el modelo extrapola desde aproximadamente 0.25 MP hasta 4 MP; el ancho y el alto deben ser múltiplos de 16.
• Parte de las configuraciones de la plantilla y luego ve más despacio para conseguir el aspecto oficial. Las plantillas ejecutan 25 pasos con CFG 2.5 y el sampler er_sde. Las configuraciones oficiales de Base son 50 pasos con CFG 3 y el sampler euler, así que pruébalas si un resultado se queda corto.
• Sube el CFG para prompts cortos en Base. El rango oficial de CFG para MOSS-Image-Base va de 3.0 a 6.0, por encima del 2.5 que traen las plantillas. Desactiva el mejorador con un prompt corto para que llegue al modelo tal cual, mantén 3.0 con uno largo y súbelo según sea necesario.
• Mantén el prompt negativo corto. Las plantillas incluyen nsfw, worst quality, bad anatomy, watermark, jpeg artifact.
• La orientación con salto de capas se ejecuta en la capa 22. El nodo del subgrafo incluye un interruptor SLG, y 22 es la capa oficial. Desactivarla puede dar un aspecto más realista, pero puede contraer el detalle; a las demás capas solo se puede acceder dentro del subgrafo.
• Base es para el ajuste fino. Cuando entrenes una LoRA en MOSS-Image, congela el codificador de texto.

Superar los 2 MP

1. Genera la primera pasada a 1 MP o 2 MP.
2. Decodifica el resultado, redimensiónalo en el espacio de píxeles con Upscale Image y luego codifícalo de nuevo con VAE Encode. Ampliar el latente lo remuestrea directamente y hace perder detalle que la segunda pasada no puede recuperar.
3. Alimenta al sampler con el latente codificado en lugar de Empty Flux 2 Latent y ajusta denoise a aproximadamente 0.6 para un paso de 1.5x. Un valor más bajo mantiene intacta la primera pasada; uno más alto rehace la composición.

Imágenes de referencia y el potenciador de prompt