MOSS-Image 全能生图:LoRA + 提示词模板工作流实测

MOSS-Image 是 2026 年 10 月 16 日开源的文生图模型,5B 参数的单流 DiT 主干,配 Qwen3.5-9B 文本编码器,主打的不是「又一个 SD 换皮」,而是复杂中英文文字渲染 + 布局控制——海报、信息图、带字插画这些别的模型容易崩的题材,它恰恰是最稳的那一批。

但模型刚放出来那几天,社区对它的评价很平淡:人像一般,细节偏油,姿势容易崩。真正让它翻身的,是一个后加的 LoRA。

这篇把「Kohaku 的 MOSS-SFT LoRA + 百 KB 级提示词扩写模板 + ComfyUI 全能生图工作流」整套拆开讲清楚:LoRA 到底修了什么、节点该怎么连、25 步 / CFG 3.0 为什么够用、本地部署最容易在哪一步报错。

⬇️ 夸克网盘高速下载(本地版全套)

点击按钮跳转 · 链接直达 · 无需提取码

一、先说结论:它到底值不值得上

一句话:MOSS-Image 本身是「文字能力最强的一批开源底模」,配上 Kohaku 的 LoRA 之后,基本补齐了人像和姿势这两个短板,可以当作全能型模型用;唯一的硬伤是它不做局部编辑,改图得靠别的工具。

拆开看三件事:

底模强在文字,不在审美。 MOSS-Image-Base 是纯 Base 模型,没做过后训练、也没做 CFG 蒸馏,官方推荐 steps ≥ 50、CFG 3.0~6.0、Shift 5.0、Euler 采样,并且专门实现了 Skip Layer Guidance(跳过负向分支的第 22 层)。它的强项是长提示词(支持 4K token)和文字排版,官方评测里长文本覆盖率平均 96.3%。
LoRA 补的是「人味」。 社区后续发布的 MOSS-SFT LoRA 修掉了两个最刺眼的问题:一是人物姿势/肢体崩坏,二是皮肤和布料的「油腻感」。加上之后人像质感提升非常明显。
提示词是胜负手,不是模型。 这套工作流真正的核心其实是那份上百 KB 的提示词扩写模板——模型对提示词的要求比多数底模高,提示写得越准,出图越接近你想要的东西。

MOSS-Image 配合 LoRA 后的整体效果

二、LoRA 到底改了什么

工作流里 LoRA 加载器的参数长这样:

节点	参数	值
LoRA 加载器(仅模型)	LORA 名称	`MOSS-SFT-2027_5.safetensors`
	模型	`MOSS-SFT-2027_5`
	权重强度	`1.00`

模型主体用的是 SFT 版(moss_image_sft_bf16.safetensors)。这一点值得强调:目前社区的共识是 SFT 版比 Base 版更值得日常使用,Base 版更偏「可再训练」的定位。

LoRA 的作用可以理解成两处:

摆人:多人群像、双人互动这类场景,原版经常出现手部畸形、关节扭曲、人物穿模;加 LoRA 之后这些情况基本消失。
去油:原版皮肤和塑料感材质偏「油腻」,LoRA 把皮肤质感、衣料褶皱、发丝细节拉回到更接近真实摄影的水平。

不要随便换别的 LoRA。 现阶段针对 MOSS-Image 的通用 LoRA 效果普遍不理想,社区实测结论是:要么用 Kohaku 这一套,要么不用,别叠一堆来路不明的适配器。

配合 LoRA 后的人像与动漫类效果

写实人像方向的成片质感

三、能力盘点:哪些题材稳,哪些是雷区

跑完一轮下来,覆盖面确实很广:

题材	表现	说明
人像 / 单人写真	★★★★★	LoRA 加持后质感提升最明显的一类
多人群像	★★★★☆	多人同框不再崩,但人数越多越不稳
电影感场景	★★★★★	光影、氛围、镜头语言都能还原
巨物 / 尺度奇观	★★★★★	靠提示词描述比例与遮挡关系,表现很稳
动漫 / 二次元	★★★★☆	知识库更新,新作角色也能认出来
海报 / 带字排版	★★★★★	这是 MOSS-Image 的主场,文字渲染是核心卖点
局部编辑 / 改图	★☆☆☆☆	唯一的硬伤,它本质是纯文生图模型

多人场景不崩这点尤其值得单独说。MOSS-Image 的布局控制(JSON bbox 输入)加上长提示词能力,让「两个具体的人 + 明确的动作关系 + 明确的空间关系」能同时成立,这是很多底模做不到的。

海报类能出好,靠的是模型的文字渲染能力:它能生成清晰可辨的英文和中文,并且支持自动换行。需要精确控制换行位置时,官方建议在提示词里手动写 \n。

画廊中带完整提示词对照的示例

四、提示词扩写:整套方案里最被低估的一环

这是很多人看完会忽略、但实际上决定成败的部分。

MOSS-Image 对提示词的依赖非常强。一句「两个女生在咖啡店喝咖啡」直接喂进去,出来的东西会很空;而当提示词被扩写成 1500~2500 字、逐条写清镜头取景、人物造型、服装材质、环境痕迹、主辅光关系之后,出来的画面才是「可用级别」。

4.1 提示词扩写 Skill

对应的开源项目是 fisher-moss-prompt-expander,它做的事情是把一句话 / 一张参考图 / 一条修改要求,扩写成可以直接复制使用的详细中文提示词:

自由创作默认交付约 1500—2500 中文字的完整长稿,分 10~15 个自然段,每段承担不同视觉信息(取景裁切 → 人物造型 → 手部与接触 → 环境层次 → 光色材质)。
内部按「单主体 / 双人互动 / 多人群像 / 环境主导」四种骨架路由,再叠加巨物尺度、动作法术、海报版式、角色设定板等模块。
参考图模式下以可见画面为依据还原,不编造被遮挡的部分。

安装方式是把 skills/fisher-moss-prompt-expander 整个目录复制到 Agent 的技能目录(Codex 一般是 ~/.codex/skills/),然后用 $fisher-moss-prompt-expander: 调用。

项目同时提供一份 ComfyUI 精简执行模板,把全文粘到文本扩写节点的 system_prompt 里,产出英文 Caption 直接接正向提示词——这条路给不想装 Skill、只想在 ComfyUI 里跑的人用。

4.2 为什么本地小模型撑不住

这是实测里最关键的一条:这套模板本体就有上百 KB(网盘里那份 fisher-moss-prompt-expander-完整版.md 显示 104.3 KB),要塞进小参数量的本地 LLM 里做改写,上下文压力大,生成质量明显掉链子。

所以推荐做法是:扩写这步交给云端大模型,本地只负责加载 MOSS-Image 出图。

提示词模板与扩写节点

接在 ComfyUI 里的提示词扩写助手节点

五、完整工作流拆解

云端版(RunningHub 上的「全能生图王」)一共 25 个节点,拆开看其实很清晰。

5.1 模型加载四件套

节点	参数	值
UNET 加载器	UNET 名称	`moss_image_sft_bf16.safetensors`
LoRA 加载器(仅模型)	LORA 名称	`MOSS-SFT-2027_5.safetensors`(强度 1.00)
CLIP 加载器	CLIP 名称	`qwen3_5_9b_sft16.safetensors`
	类型	`moss_image`
VAE 加载器	VAE 名称	`flux2-vae.safetensors`

注意 CLIP 的类型必须选 moss_image,选错类型会直接加载失败。

5.2 采样器与 SLG

节点	参数	值
KSampler	steps	`25`
	cfg	`3.0`
	sampler	`euler`
	scheduler	`simple`
	denoise	`1.0`
SkipLayerGuidanceDiTSimple	single_layers	`22`
	start_percent	`0.000`
	end_percent	`0.500`
CLIP 文本编码器(负向)	负面提示词	`oil, worst quality, bad anatomy, watermark, jpeg artifact`

SLG 的 single_layers = 22 和官方推荐一致(22 / 24 / 26 层都有帮助)。官方同时提醒:关掉 SLG 会让画面过于真实、细节反而崩坏,所以这个开关别乱关。

5.3 采样步数怎么定

25 步是默认甜点,速度和质量的平衡点,绝大部分场景够用。
出现人物渲染不足、轻微肢体崩坏时,把步数往上调,50 步理论上最好。
CFG 在 3.0 ~ 3.5 之间调;提示词长、主体复杂可以往上,3.5 以上容易过饱和。

5.4 分辨率

官方推荐按总像素数而不是宽高来定:1M / 1.5M / 2M 像素为最佳区间,外推范围是 0.25M(512×512)到 4M(2K)。工作流里用 ImageScaleToTotalPixels 节点把分辨率对齐到总像素,再用 Resolution Selector 挑长宽比。

宽高必须是 16 的正整数倍,否则直接报错。

5.5 放大与 LLM 节点

1SeedVR2 高清放大(可关闭):出图后接 SeedVR2 做放大与再采样,是画面细节的主要来源之一。
RunningHub LLM API Pro Node:调用云端大模型做提示词扩写 / 图像反推,面板里可以自选模型(默认是 DeepSeek 系),温度 0.6、top_p 1.0、max_tokens 4096、上下文 114048。

模型加载与 SLG、采样参数

采样器参数与 LLM 扩写节点

六、四种实际玩法

6.1 图像反推:上传一张图,自动生成复刻提示词

上传参考图 → 调整比例 → 点生成 → LLM 节点自动写出一大段详细提示词 → 直接喂给 MOSS-Image 出图。

这条路的价值在于:你不用会写提示词。只要有一张满意的参考图,就能把它拆成结构化描述再复刻。

画廊里按题材分类整理的成片

上传参考图后自动反推提示词

6.2 反推 + 定向修改

在反推出来的提示词上继续改就行。比如参考图里有 GTA 风格的 Logo,直接在提示里写「不要 GTA 的 Logo,换成别的符号」,扩写时会把这条约束同步进最终提示词。

文字本身也能改——海报类需求里,想让标题换一句话,改提示词就行。

6.3 人像生成:一句话扩写成完整画面

写一句简单描述(比如「一个女生在咖啡店自拍」),扩写节点把它变成 1500 字以上的完整画面描述,再出图。实际观感是:同样的人像题材,加上 LoRA 之后皮肤质感和五官细节明显比原版干净。

人物生成流程:输入 → 扩写 → 出图

6.4 人物设定图:角色图 + 三视图合成

上传一张角色形象图,再叠一张该角色的「公格图」(多视角设定板),两者结合就能得到风格统一的人物设定图。做角色卡、做漫剧分镜前期,这条比纯文字描述稳定得多。

目前这套合成还是演示阶段,更完整的公格图写法还在整理中。

角色图与多视角设定板合成出设定图

七、本地部署避坑清单

这是踩坑最集中的部分,按顺序检查:

必须更新 ComfyUI 到支持 MOSS-Image 的版本。 MOSS-Image 的原生支持在 2026 年 10 月 16 日合入 ComfyUI master(commit e087d8f6 之后),而当时的 v0.41.3 正式版还不包含这个支持。不更新的话,CLIP 模型大概率直接报错——这是最高频的失败原因。
删掉 Mixlab 一类的第三方插件。 有人反馈更新 ComfyUI 之后界面出现断线、整个前端渲染异常,排查下来是某个 Mixlab 插件引起的,删掉即可恢复正常。
原生工作流不要和旧插件工作流混用。 从旧工作流切到原生支持时,不能只换模型加载节点——原生模型用了不同的 timestep multiplier,原来插件工作流里的 ModelSamplingSD3 节点必须换成 ModelSamplingAuraFlow(multiplier 1)。
反向提示词别删。 oil 这个负面词是针对原版油腻感准备的,即便上了 LoRA 留着也无害。
显存不够就降分辨率或关掉放大。 官方给了三种显存模式(GPU 常驻 / 组件调度 / 顺序回退),最后一种最省显存但更慢。

网盘里已经把插件、模型(含 LoRA、CLIP、VAE)、提示词模板、工作流 JSON 全部打包好了:

网盘资源清单:插件、模型、提示词模板与工作流

⬇️ 夸克网盘高速下载(ComfyUI 整合包)

八、我的判断

该用的人: 需要做海报、信息图、带字配图的人;做角色卡 / 漫剧分镜前期、需要长提示词精确控制的人;以及愿意折腾 LoRA 和工作流的 ComfyUI 老手。

先别上的人: 只想「打几个字就出图」的,MOSS-Image 的提示词依赖会让这条路径很痛苦;需要局部编辑 / 改图的,它帮不上忙;只有 8G 显存又不想折腾的,建议先用云端。

为什么值得试: 它把「长文本 + 布局 + 文字」这三件事同时做对了,这是绝大多数开源底模还在互相卷画质、但文字一写就崩的当下,少见的组合。加上 LoRA 之后补齐人像和姿势,基本盘已经齐了。

后续值得盯的两件事: 一是官方推进的 DMD 少步蒸馏(目标是压到 8 步甚至更少,直接解决速度问题);二是社区已有的 8 步 DMD 蒸馏版和 6GB 显存可训的微调框架,都在把门槛往下压。

九、上手 Checklist

ComfyUI 升级到含 MOSS-Image 原生支持的 master / nightly
删掉 Mixlab 类冲突插件
模型:UNET moss_image_sft_bf16 + LoRA MOSS-SFT-2027_5(强度 1.0)+ CLIP qwen3_5_9b_sft16(类型 moss_image)+ VAE flux2-vae
KSampler:euler / simple / 25 步 / CFG 3.0 / denoise 1.0
SLG:single_layers 22,start 0.000,end 0.500(别关)
负面提示词保留 oil, worst quality, bad anatomy, watermark, jpeg artifact
分辨率按总像素 1M~2M 选,宽高取 16 的倍数
提示词扩写走云端大模型,别指望本地小模型扛百 KB 模板
肢体崩就把步数往 30 / 50 调

总结

MOSS-Image 的定位很清楚:一个把「文字和布局」做到极致的 5B 开源底模。刚开源时因为人像平庸被低估,直到 Kohaku 的 SFT LoRA 补上了摆人和油腻两个硬伤,它才真正变成一个能当主力用的全能模型。

而让它从「能看」变成「能用」的,是那份上百 KB 的提示词扩写模板——模型给你能力上限,提示词决定你能不能摸到那个上限。25 步、CFG 3.0 这套参数不是玄学,是绕开原版崩坏点、同时保住速度的折中方案。

想继续往下挖,站内这两篇能直接接上:

《Fisher Pose 终极版:Qwen2.1 姿势与机位编辑器实测,8G 显存跑通》 —— 如果你要更精细地控制人物姿势与机位,这条比提示词硬写更稳。
《MiniMax H3 终极工作流:DMAD 加速 LoRA + 单节点二采,12 步跑通文戏武戏》 —— MOSS-Image 出静帧,接视频模型做动态,是目前最顺的一条生产线。
《MiniMax H3 武打视频生成工作流:12G 显存跑开源视频模型的工程拆解》 —— 如果最终要落到动作连续性上,视频那一端的工程细节在这篇。

你在用 MOSS-Image 时踩过什么坑?或者想看某个题材(海报 / 角色卡 / 巨物)的完整提示词对照?欢迎在评论区贴出来,一起把它调得更稳。

实用资源

OpenMOSS/MOSS-Image(GitHub) —— 官方仓库,含 Base / SFT 权重、用户指南与 ComfyUI 说明。
MOSS-Image 技术报告(arXiv:2610.23374) —— 5B 单流 DiT、PE 模块与 LLTB / RLA 评测细节。
Work-Fisher/fisher-moss-prompt-expander(GitHub) —— 提示词扩写 Skill、ComfyUI 模板与精选案例。
KohakuMossTrainer(GitHub) —— MOSS-Image 的 LoRA / LyCORIS 训练框架,6GB 显存可训适配器。
WorkFisher 全能生图王(RunningHub) —— 云端版工作流,免显卡直接跑。
灵感画廊 · 资料站 —— 完整提示词与全部工作流地址。

版权与许可提醒:MOSS-Image 权重遵循 Apache-2.0;提示词 Skill 与工作流同样以 Apache-2.0 发布,但工作流里引用的第三方 LoRA、角色与素材各有各的授权,商用前请单独确认。