> ## Documentation Index
> Fetch the complete documentation index at: https://docs.comfy.org/llms.txt
> Use this file to discover all available pages before exploring further.

# MOSS-Image 在 ComfyUI 中：文生图、编辑与布局工作流

> 在 ComfyUI 中本地运行 MOSS-Image：这是一个 5B 开放权重的图像模型，支持提示词增强、布局框、编辑 LoRA 以及从照片进行深度控制。

## 关于 MOSS-Image

MOSS-Image 是 OpenMOSS 的开放权重文生图模型：一个 5B 单流 DiT，可将完整的场景描述转换为一张成品图像。它在文字与排版至关重要的场景中表现最出色，因为它能渲染英文与中文字体，可接受约 4K token 的提示词，并且能读取描述每个对象和每行文字所在位置的 JSON 布局。权重以 Apache 2.0 发布，因此只需下载一次，即可在自己的 GPU 上运行，无需 API 密钥，也没有按图像计费的积分。

该系列包含两个模型。模板加载的是经过指令微调的 **SFT** 模型：它对文本的分组和场景的排布更整洁。**Base** 模型没有经过后训练，也没有进行 CFG 蒸馏，因此成为社区 LoRA 的起点。两者在同一节点图中运行，因此切换模型只需更换一个加载器。

在 ComfyUI 中，该模型以 int8 和 bf16 的单文件模型运行，文本编码器使用以 `moss_image` 类型加载的 Qwen3.5 9B，VAE 使用 FLUX.2 small VAE。文生图模板还内置了提示词增强器，它会在采样之前把简短的请求改写为完整的描述，所使用的正是模型本身已经需要的那个文本编码器。

**模型亮点：**

* 5B 单流 DiT，支持英文与中文双语文字渲染
* 原生布局引导：画出盒子，为每个盒子指定文字，文字盒子会渲染出自身的文字
* 文生图模板内置提示词增强器，一句话的想法就足够
* 两个模型：SFT 适合更整洁的布局，Base 适合微调与 LoRA 工作
* 约 4K token 的长提示词，以及宽高均为 16 的倍数的画布尺寸

**许可证**：[Apache 2.0](https://github.com/OpenMOSS/MOSS-Image)

**相关链接：**

* [GitHub](https://github.com/OpenMOSS/MOSS-Image)
* [模型指南（USERGUIDE）](https://github.com/OpenMOSS/MOSS-Image/blob/main/USERGUIDE.md)
* [Hugging Face（Comfy-Org）](https://huggingface.co/Comfy-Org/MOSS-Image)

**版本要求**：四个文生图模板需要 ComfyUI 0.42.0 或更高版本。图像编辑与颜色/深度控制模板需要 0.43.0 或更高版本。

> [!TIP]
>
> > [tab] 本地用户
> >
> > 请确保你的 ComfyUI 已经更新。
> >
> > * [ComfyUI 下载](https://www.comfy.org/download)
> > * [ComfyUI 更新教程](https://docs.comfy.org/zh/installation/update_comfyui.md)
> >
> > 本指南里的工作流可以在[工作流模板](https://docs.comfy.org/zh/interface/features/template.md)中找到。如果找不到，可能是 ComfyUI 没有更新。
> >
> > 如果加载工作流时有节点缺失，可能原因有：
> >
> > 1. 你用的不是最新版（每夜版）。
> > 2. 启动时有些节点导入失败。
>
> > [tab] 云端用户
> >
> > * [Cloud](https://cloud.comfy.org) 会在 ComfyUI 稳定版本发布后更新。
> >
> > 所以，如果你发现本文档中有任何核心节点缺失，可能是因为新核心节点尚未在最新稳定版中发布。请等待下一个稳定版发布。

## MOSS-Image 工作流

四个文本到图像模板都使用同一个子图。打开该子图即可访问加载器、采样器和画布尺寸。编辑模板以及颜色/深度模板使用各自的图，具体说明见下文对应章节。

> [card] [了解子图](https://docs.comfy.org/zh/interface/features/subgraph.md)
>
> 此工作流使用子图节点进行模块化处理。请查看子图文档，了解如何自定义和扩展工作流。

### MOSS-Image：文本到图像

仅凭提示词生成图像，无需输入文件。提示词增强器已开启，因此简短描述会在进入模型之前扩展为完整描述。实际使用的描述会显示在 `Preview Any` 中。

![MOSS-Image 文本到图像工作流预览](https://raw.githubusercontent.com/Comfy-Org/workflow_templates/main/templates/image_moss_image_t2i-1.webp)

> [card] [下载工作流](https://github.com/Comfy-Org/workflow_templates/blob/main/templates/image_moss_image_t2i.json)
>
> 下载 JSON，或在模板库中搜索 "MOSS-Image: Text to Image"

#### 开始使用

1. 将 ComfyUI 更新到 0.42.0 或更高版本
2. 转到 **模板** 并搜索 **MOSS-Image**
3. 选择 **MOSS-Image: Text to Image**
4. 下载 [模型下载](#moss-image-model-downloads) 中列出的模型
5. 在正向提示词中输入你的想法，然后点击 **队列**

### MOSS-Image Base：文生图

同一张工作流图，只是加载了 Base checkpoint。可用于将原始输出与 SFT checkpoint 进行对比，或作为 LoRA 训练的起点。

![MOSS-Image Base 文生图工作流预览](https://raw.githubusercontent.com/Comfy-Org/workflow_templates/main/templates/image_moss_image_base_t2i-1.webp)

> [card] [下载工作流](https://github.com/Comfy-Org/workflow_templates/blob/main/templates/image_moss_image_base_t2i.json)
>
> 下载 JSON，或在模板库中搜索 "MOSS-Image Base: Text to Image"

**示例输出**

![MOSS-Image Base 文生图示例输出](https://raw.githubusercontent.com/Comfy-Org/workflow_templates/main/output/image_moss_image_t2i_base.png)

#### 开始使用

1. 将 ComfyUI 更新至 0.42.0 或更高版本
2. 进入 **模板**，搜索 **MOSS-Image Base**
3. 选择 **MOSS-Image Base: Text to Image**
4. 下载 [模型下载](#moss-image-model-downloads) 中列出的模型，包括 `moss_image_base_int8_convrot.safetensors`
5. 在正向提示词中输入你的想法，然后点击 **队列**

### MOSS-Image：布局引导的文本到图像

根据提示词加上你绘制的布局生成图像。打开 `Create Bounding Boxes`，为每个元素拖出一个盒子；每个盒子都带有自己的描述文本，标记为文本的盒子会在其中渲染对应文本。`MOSS-Image Layout Prompt` 会把盒子转换成模型读取的布局提示词，因此盒子里的描述与你写的场景提示词都会被使用。

先绘制背景盒子，最后绘制前景元素：盒子按你绘制的顺序输出。如果你把某个盒子标记为文本，它就会被标注为 `text`，否则标注为 `object`。若要把一个包含人物的盒子标注为角色，请在 `MOSS-Image Layout Prompt` 的 `character_boxes` 中列出该盒子在 `Create Bounding Boxes` 预览里的编号，例如 `1, 3`。指向文本盒子的编号不会生效。两个布局模板都已填好该字段（SFT 中为 `2`，Base 中为 `1`），因此在加入队列之前，请对照你自己的盒子核对一下。

在至少连接一个盒子的情况下，`MOSS-Image Layout Prompt` 会输出一段 JSON 提示词：一段场景描述加上每个盒子对应的一项。布局模板默认关闭 `enable_prompt_enhancer`，因此这段 JSON 会原样传给模型。开启后，提示词增强器会改写文本，这可能会把盒子丢掉。

![MOSS-Image 布局引导的文本到图像工作流预览](https://raw.githubusercontent.com/Comfy-Org/workflow_templates/main/templates/image_moss_image_t2i_bboxes-1.webp)

> [card] [下载工作流](https://github.com/Comfy-Org/workflow_templates/blob/main/templates/image_moss_image_t2i_bboxes.json)
>
> 下载 JSON，或在模板库中搜索 "MOSS-Image: Layout-Guided Text to Image"

**示例输出**

![MOSS-Image 布局引导的文本到图像示例输出](https://raw.githubusercontent.com/Comfy-Org/workflow_templates/main/output/image_moss_image_t2i_bboxes.png)

#### 开始使用

1. 将 ComfyUI 更新至 0.42.0 或更高版本
2. 进入 **模板** 并搜索 **MOSS-Image**，然后选择布局变体
3. 下载 [模型下载](#moss-image-model-downloads) 中列出的模型
4. 在 `Create Bounding Boxes` 中为每个元素绘制一个盒子，然后为每个盒子输入描述文本。对于文本盒子，输入你希望渲染的文本
5. 在提示词中描述整体场景，然后点击 **队列**

### MOSS-Image Base：布局引导的文本到图像

使用 Base checkpoint 的布局工作流。当你想要比较两个模型如何遵循相同的盒子布局时，这个工作流会很有用。

![MOSS-Image Base 布局引导的文本到图像工作流预览](https://raw.githubusercontent.com/Comfy-Org/workflow_templates/main/templates/image_moss_image_base_t2i_bboxes-1.webp)

> [card] [下载工作流](https://github.com/Comfy-Org/workflow_templates/blob/main/templates/image_moss_image_base_t2i_bboxes.json)
>
> 下载 JSON，或在模板库中搜索 "MOSS-Image Base: Layout-Guided Text to Image"

**示例输出**

![MOSS-Image Base 布局引导的文本到图像示例输出](https://raw.githubusercontent.com/Comfy-Org/workflow_templates/main/output/image_moss_image_t2i_bboxes_base.png)

#### 开始使用

1. 将 ComfyUI 更新到 0.42.0 或更高版本
2. 转到 **模板**，搜索 **MOSS-Image Base**，然后选择布局变体
3. 下载[模型下载](#moss-image-model-downloads)中列出的模型，包括 `moss_image_base_int8_convrot.safetensors`
4. 绘制盒子，为每个盒子添加描述，并撰写场景提示词
5. 点击 **队列**

### MOSS-Image：图像编辑

使用简短指令编辑一张照片。编辑 LoRA 运行在 SFT checkpoint 之上，你的指令会与来源图像一起编码，因此采样器会重绘同一画面，并且只应用所描述的更改。颜色、材质、服装和背景替换会保持面部、头发、姿势和构图不变。

需要 ComfyUI 0.43.0 或更高版本。

![MOSS-Image 图像编辑工作流预览](https://raw.githubusercontent.com/Comfy-Org/workflow_templates/main/templates/image_moss_image_edit-1.webp)

> [card] [下载工作流](https://github.com/Comfy-Org/workflow_templates/blob/main/templates/image_moss_image_edit.json)
>
> 下载 JSON 或在模板库中搜索 "MOSS-Image: Image Edit LoRA"

**输入素材**

> [card] [two\_women\_berets\_floral\_jackets.png](https://raw.githubusercontent.com/Comfy-Org/workflow_templates/main/input/two_women_berets_floral_jackets.png)
>
> 加载到 `Load Image`。任何照片都可以：该工作流会将其缩放到 1.0 MP 并保持其宽高比。

#### 开始使用

1. 更新 ComfyUI 到 0.43.0 或更高版本
2. 转到 **模板** 并搜索 **MOSS-Image: Image Edit**
3. 下载[模型下载](#moss-image-model-downloads)中列出的模型，包括 `moss_image_edit_lora_rank_64_bf16.safetensors`
4. 加载要编辑的照片，并仅在正向提示词中描述更改
5. 点击 **队列**

#### 编辑技巧

* **按照 LoRA 训练时的方式描述更改。** `Change only the X to Y. Keep the character, face, hair, pose, background and composition unchanged.` 效果最好。像 “improve it” 这样含糊的指令会给模型过多自由度。
* **将 `edit_format` 保持为 `Moss-Image-Edit`。** 两个编码节点都必须使用 LoRA 训练时所用的值。不同的值仍会返回图像，但人物身份、构图和精细细节会偏离来源图像。
* **将 CFG 保持在 4.0。** 负面分支对该 LoRA 很重要。较低的值可能会添加来源照片中不存在的项链等配饰。
* **最多连接四个参考图。** 连接后，编码节点会增加额外槽位，因此服装、面部和道具可以分别放入。在提示词中说明每张参考图的用途。

### MOSS-Image：颜色与深度控制

在保持照片几何结构不变的同时，重新调整姿态并重塑风格。工作流使用 MoGe 3 估算参考图的几何结构，并通过控制适配器 LoRA 将其传递给模型，因此姿态、构图和轮廓由映射图保持，而提示词决定角色、服装、场景和光照。

需要 ComfyUI 0.43.0 或更高版本。

![MOSS-Image 颜色与深度控制工作流预览](https://raw.githubusercontent.com/Comfy-Org/workflow_templates/main/templates/image_moss_image_color_depth_control-1.webp)

> [card] [下载工作流](https://github.com/Comfy-Org/workflow_templates/blob/main/templates/image_moss_image_color_depth_control.json)
>
> 下载 JSON，或在模板库中搜索 "MOSS-Image: Color & Depth Control"

**输入素材**

> [card] [fashion\_portrait\_red\_canyon.png](https://raw.githubusercontent.com/Comfy-Org/workflow_templates/main/input/fashion_portrait_red_canyon.png)
>
> 加载到 `Load Image`。工作流会从中估算几何结构，因此任何光照清晰的肖像都可以使用。

#### 开始使用

1. 将 ComfyUI 更新到 0.43.0 或更高版本
2. 转到 **模板**，然后搜索 **MOSS-Image: Color & Depth Control**
3. 下载[模型下载](#moss-image-model-downloads)中列出的模型，包括 `moss_image_color_depth_control.safetensors` 和 `moge_3_vitg_fp16.safetensors`
4. 加载参考照片，并描述你想要的角色和场景
5. 点击 **队列**

#### 控制技巧

* **`Render MoGe Geometry` 默认使用遮罩。** 仅控制轮廓。当面部轮廓、肩部和背景衰减也应跟随参考图时，将其切换为 `depth`：姿态会更严格，提示词的空间会更小。
* **`end_percent` 设置映射图保持多久。** 在 0.6 时，最后几步会自由渲染表面和光照。在 1.0 时，几何结构会固定到最后一步。
* **LoRA 是让映射图生效的关键。** 控制适配器会在控制节点之前加载，缺少它时该节点不会产生效果。
* **当估算结果不正确时，可以手动绘制映射图。** `Painter` 已包含在画面中：将其输出连接到 `depth_map`，近处为白色，远处为黑色。`color_map` 默认未连接，每个区域使用一种纯色，并且必须与输出尺寸匹配。

## MOSS-Image 模型下载

模型文件在 Hugging Face 上的 [Comfy-Org/MOSS-Image](https://huggingface.co/Comfy-Org/MOSS-Image) 仓库中，MoGe 3 几何估算模型除外，它在 [Comfy-Org/MoGe](https://huggingface.co/Comfy-Org/MoGe)。模板加载的是 int8 模型；两个模型的 bf16 版本也在同一仓库中，适合显存更大的情况。

> [card] [moss\_image\_sft\_int8\_convrot.safetensors](https://huggingface.co/Comfy-Org/MOSS-Image/resolve/main/diffusion_models/moss_image_sft_int8_convrot.safetensors)
>
> 扩散模型，指令微调模型。由两个 SFT 模板加载。

> [card] [moss\_image\_base\_int8\_convrot.safetensors](https://huggingface.co/Comfy-Org/MOSS-Image/resolve/main/diffusion_models/moss_image_base_int8_convrot.safetensors)
>
> 扩散模型，Base 模型。由两个 Base 模板加载。

> [card] [qwen3.5\_9b\_w4a8\_gptq.safetensors](https://huggingface.co/Comfy-Org/MOSS-Image/resolve/main/text_encoders/qwen3.5_9b_w4a8_gptq.safetensors)
>
> 四个文生图模板和图像编辑模板使用的文本编码器。用 `CLIPLoader` 类型 `moss_image` 加载。

> [card] [qwen3.5\_9b\_int8\_convrot.safetensors](https://huggingface.co/Comfy-Org/MOSS-Image/resolve/main/text_encoders/qwen3.5_9b_int8_convrot.safetensors)
>
> 颜色与深度控制模板加载的文本编码器。其他模板使用上面的 w4a8 版本。

> [card] [flux2-vae\_small.safetensors](https://huggingface.co/Comfy-Org/MOSS-Image/resolve/main/vae/flux2-vae_small.safetensors)
>
> MOSS-Image 使用的 VAE。

> [card] [moss\_image\_edit\_lora\_rank\_64\_bf16.safetensors](https://huggingface.co/Comfy-Org/MOSS-Image/resolve/main/loras/moss_image_edit_lora_rank_64_bf16.safetensors)
>
> 编辑 LoRA，297 MB。由图像编辑模板加载。

> [card] [moss\_image\_color\_depth\_control.safetensors](https://huggingface.co/Comfy-Org/MOSS-Image/resolve/main/loras/moss_image_color_depth_control.safetensors)
>
> 颜色/深度控制适配器 LoRA，313 MB。由颜色与深度控制模板以强度 1.0 加载。

> [card] [moge\_3\_vitg\_fp16.safetensors](https://huggingface.co/Comfy-Org/MoGe/resolve/main/geometry_estimation/moge_3_vitg_fp16.safetensors)
>
> MoGe 3 几何估计器，2.50 GB。由颜色与深度控制模板使用。来自 [Comfy-Org/MoGe](https://huggingface.co/Comfy-Org/MoGe)。

**模型存放位置**

```
📂 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
```

> [!NOTE]
>
> bf16 版本 `moss_image_sft_bf16.safetensors` 和 `moss_image_base_bf16.safetensors` 位于同一仓库中。如果显存足够，可以在 `UNET Loader` 中换用它们。

## 提示技巧

* **描述最终图像，而不是提出请求。** 该模型是在描述文本上训练的，因此请写出画面看起来是什么样，而不是写“帮我做一张海报”这样的指令。提示词增强器遵循同一规则，所以简短提示词仍然有效。
* **基础模型也读标签序列。** 关闭提示词增强器后，MOSS-Image-Base 既接受描述文本，也接受逗号分隔的标签，顺序为质量、评分、元信息、年份、角色、作品、画师，最后是通用标签，例如 `best quality, highres, hatsune miku, vocaloid, @foo bar, 1girl, blue hair`。
* **关闭提示词增强器以控制措辞。** 在子图节点上将 `enable_prompt_enhancer` 设为 `false`，提示词就会原样传给模型。开启提示词增强器时，`prompt_enhancer_seed` 会改变提示词的改写方式。两种设置都会在 `Preview Any` 中显示结果，因此可以对比。
* **自行控制换行。** 自动换行可能不会落在你期望的位置。当换行位置很重要时，在要渲染的文本中放入实际换行符或 `\n`。
* **位置很重要时，使用布局工作流。** 框会为每个元素和每个文本块向模型提供明确的位置，这比用文字描述位置更可靠。
* **将画布保持在推荐范围内。** `ResolutionSelector` 选择宽高比和像素数（默认 1 MP）。推荐输出范围为 1 MP 至 2 MP，模型可在约 0.25 MP 至 4 MP 之间外推；宽度和高度必须是 16 的倍数。
* **从模板设置开始，然后为官方效果放慢速度。** 模板使用 `er_sde` 采样器、以 CFG 2.5 运行 25 步。基础模型的官方设置是 `euler` 采样器、CFG 3、50 步，因此如果结果效果不足，可以尝试这些设置。
* **在基础模型上为短提示词调高 CFG。** 基础模型的官方 CFG 范围是 3.0 到 6.0，高于模板的 2.5。短提示词要关闭提示词增强器才能原样传给模型：长提示词保持 3.0，需要时再调高。
* **保持负面提示词简短。** 模板默认附带 `nsfw, worst quality, bad anatomy, watermark, jpeg artifact`。
* **跳过层引导使用第 22 层。** 子图节点上有一个 `SLG` 开关，22 是官方层号。关闭它可能看起来更真实，但可能丢失细节；其他层只能在子图内部调整。
* **基础模型用于微调。** 在 MOSS-Image 上训练 LoRA 时，请冻结文本编码器。

## 高于 2 MP 的输出

推荐输出范围是 1 MP 至 2 MP，模型最多可外推到约 4 MP。再大的尺寸就落在外推范围之外，因此大图要靠分步放大，而不是一次画一张巨大的画布。

模板给采样器接的是固定的 `Empty Flux 2 Latent`，所以这一步要在子图里改：

1. 第一遍在 1 MP 或 2 MP 下渲染。
2. 解码结果，用 `Upscale Image` 在像素空间放大，再用 `VAE Encode` 编码回去。直接放大潜空间是对潜张量重采样，丢掉的细节第二遍补不回来。
3. 把编码后的潜空间接到采样器上，替换 `Empty Flux 2 Latent`，1.5 倍放大时把 `denoise` 设为约 0.6：更低会保留第一遍，更高会重做构图。

重复“放大再重绘”，不要直接跳到最终尺寸。从 2 MP 一次跳到 8K 往往只是重复细节而不是增加细节，而 8K 画布需要 `VAE Decode (Tiled)`。

## 参考图与提示词增强器

子图节点上有一个可选的 `ref_image (for llm)` 输入。它只进入提示词增强器，不进入扩散模型：MOSS-Image 本身没有图像输入，无法照搬参考图。提示词增强器开启时，图像会影响它写出的描述文本；关闭时，这个输入会被忽略。

提示词增强器跑在模型本来就要加载的 Qwen3.5 文本编码器上，通过 `Generate Text` 节点执行，系统提示词取自官方的 MOSS-Image 提示词增强 skill。输出长度由 `max_length` 控制，模板中是 4096 token。在 `MOSS-Image: Text to Image` 和 `MOSS-Image Base: Text to Image` 模板里，`prompt_enhancer_seed` 可以复现同一段描述，`Preview Any` 显示最终送到采样器的文本。


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.