复旦 OpenMOSS 团队把"写中文不乱码"做进了模型架构：5B 单流 DiT、JSON 坐标框控排版、Apache-2.0 直接商用。ComfyUI 官方支持 10 月 16 日已合入主干，int8 量化版扩散模型只有 5.41GB——16GB 显存的卡就能跑全套。这篇把文件怎么选、工作流怎么搭、哪些坑官方文档里已经写明但没人整理，一次讲完。
一、先说结论
- MOSS-Image 是复旦 OpenMOSS 发布的开源文生图模型，5B 参数单流 DiT，主打中文文字渲染 + Layout 坐标控版，适合海报、图文卡片、电商主图这类"图里必须有字"的场景
- 许可证 Apache-2.0，商用无 AGPL 那种传染义务，比 FLUX.2 的 dev 许可干净
- ComfyUI 原生支持已于 2026-10-16 合入官方仓库（PR #17095），但 v0.41.3 正式版还没带上，要用 master/nightly 或官方插件
- 量化路线齐全：官方 Comfy-Org 仓库有 int8_convrot 版扩散模型（5.41GB）+ W4A8-GPTQ 文本编码器（7.34GB），社区还有 8 步/4 步蒸馏版
- 本站核过 HF 官方仓库文件清单和官方文档，显存占用为按文件体积推算的估算值，非实测，口径见文末
二、环境硬件条件
官方 README 给的最低要求（NVIDIA 口径）：
| 项目 | 要求 |
|---|---|
| GPU | NVIDIA CUDA 卡；Python 路线要 PyTorch 2.9+ |
| Python | 3.10+ |
| ComfyUI | master/nightly（含 commit e087d8f6 之后），或装官方 moss-image 插件 |
| 依赖 | diffusers≥0.38、transformers≥5.3、accelerate≥1.10（Python 路线） |
A 卡（ROCm）玩家：官方只写 NVIDIA。ComfyUI 本身在 ROCm 上跑得通 FLUX 系（同为 DiT + 单文件加载），MOSS-Image 走的是标准 Load Diffusion Model + CLIP Loader 路线，理论上 ZLUDA/ROCm 版 ComfyUI 可尝试，但官方未验证，翻车概率不低，属"待复现"，别当承诺看。
按文件体积推算的显存档位（估算值，按权重体积 + FLUX 同类经验推算，非实测）：
| 档位 | 组合 | 推算依据 |
|---|---|---|
| 32GB+ | bf16 全家桶（DiT 10.16GB + TE 19.31GB + VAE 0.34GB） | 文件合计约 30GB，需 offload 或 48GB 更稳 |
| 16GB | int8 DiT（5.41GB）+ W4A8 TE（7.34GB）+ small VAE（0.25GB） | 合计约 13GB，配合 --lowvram 顺序加载可进 16GB |
| 12GB | int8 DiT + W4A8 TE + 文本编码器 offload 到内存 | 靠 ComfyUI 卸载机制，速度换容量，待复现 |
三、模型文件怎么选（HF 实测文件清单）
官方 ComfyUI 格式仓库 Comfy-Org/MOSS-Image（10-20 更新，下载量已破 129 万），文件体积为 HF API 读回的真实值：
| 文件 | 体积 | 放哪 |
|---|---|---|
| moss_image_sft_bf16.safetensors | 10.16GB | models/diffusion_models/ |
| moss_image_sft_int8_convrot.safetensors | 5.41GB | models/diffusion_models/ |
| moss_image_base_bf16 / int8 | 10.16 / 5.41GB | 同上（Base 版） |
| qwen3.5_9b_bf16.safetensors | 19.31GB | models/text_encoders/ |
| qwen3.5_9b_int8_convrot.safetensors | 9.75GB | models/text_encoders/ |
| qwen3.5_9b_w4a8_gptq.safetensors | 7.34GB | models/text_encoders/ |
| flux2-vae.safetensors / flux2-vae_small | 0.34 / 0.25GB | models/vae/ |
| moss_image_color_depth_control.safetensors | 0.31GB | models/loras/（控制 LoRA） |
Base 还是 SFT？ Base 是没做后训练的底模，保留完整训练信息，方便社区练 LoRA；SFT 是监督微调版，文字分组和版面更整齐。做海报/图文直接上 SFT；要练自己的 LoRA 才下 Base。 两个都别下错——Base 直接出图文字排版会散。
国内下载走 hf-mirror.com 或 ModelScope（openmoss 空间同名）。
四、ComfyUI 部署步骤（原生路线）
- 升级 ComfyUI 到含 MOSS-Image 支持的 master/nightly（10-16 合入，PR #17095），并重装当前
requirements.txt依赖 - 按上表放好三类文件：扩散模型、文本编码器、VAE
- 节点用三个标准加载器：Load Diffusion Model + CLIP Loader（type 选
moss_image） + Load VAE - 官方示例工作流在仓库
comfyui/moss-image/example_workflows/moss-image.json，拖进去即可 - 出图设置（官方推荐默认）：Euler / 50 步 / CFG 3 / Shift 5 / 负分支第 22 层跳过（SLG），1024×1024 起步
不想升 master 的，装 ComfyUI Manager 搜 MOSS-Image 装官方插件，走 HF 目录加载器（model_path 指向含 transformer/text_encoder/tokenizer/vae 的本地目录）。
分辨率规则：官方推荐 1M～2M 总像素，可外推 512×512（0.25M）到 2K（4M）；手动输入宽高必须是 16 的正整数倍，否则直接报错。
五、踩坑指南（官方文档写明但容易忽略的）
- v0.41.3 正式版没有原生支持——官方文档 10-19 明确写了这一点。装了"最新版"ComfyUI 找不到
moss_image类型不是你的问题，换 nightly 或走插件 - 插件工作流和原生工作流不能混用——只换模型加载器不够，要整条换原生工作流。原因：原生模型的 timestep multiplier 不同
- ModelSamplingSD3 节点不能照搬——插件工作流里的这个节点拿到原生路线会出坏图，原生调 shift 用 ModelSamplingAuraFlow（multiplier 1）
- TorchCompileModel 会吃掉 SLG/层跳过——要用 SLG 或改 block patches 就得 eager 执行，别图快开编译
- 文本编码上限 4096 token——超长提示词会被截断，别把整篇文案塞进提示词
六、避坑指南
- 别把 int8 版当"效果打折"：int8_convrot 是官方自己出的量化，不是第三方魔改；社区另有 lodestones 的 8 步 DMD 蒸馏版（下载 6.8 万）和 4 步版，出图快但细节以社区口径为准，单源待复现
- 12GB 以下显存别硬上 bf16 文本编码器：19.31GB 的 qwen3.5_9b_bf16 单文件就超卡，直接选 w4a8_gptq（7.34GB）
- 商用看许可证：模型 Apache-2.0，可闭源集成、可商用；但社区 LoRA（如 NSFW 类）另看各自许可，别混
- 想要文字控制力：官方带一个 color_depth_control LoRA（0.31GB），Layout 用 JSON 绝对像素坐标（1024×1024 画布坐标范围 -512～+512），做电商主图排版的值得研究官方 USERGUIDE
七、配置清单（照抄档）
| 你的卡 | 扩散模型 | 文本编码器 | VAE | 备注 |
|---|---|---|---|---|
| 24GB+（3090/4090/R9700） | sft_bf16 | qwen3.5_9b_int8 | flux2-vae | 质量优先，TE 用 int8 省 10GB |
| 16GB（4060Ti16G/5060Ti16G） | sft_int8_convrot | qwen3.5_9b_w4a8_gptq | flux2-vae_small | 官方量化全家桶 |
| 12GB | sft_int8_convrot | qwen3.5_9b_w4a8_gptq | flux2-vae_small | 需 offload，速度换容量，待复现 |
| 练 LoRA | base_bf16 | qwen3.5_9b_bf16 | flux2-vae | Base 底模 + 大显存 |
这套流水线也可以直接封进 VideoFree 的 MCP 工作流，智能体调节点出图，本站后续会出封装教程。
数据源：MOSS-Image 官方 README / USERGUIDE_ZH / comfyui README（OpenMOSS/MOSS-Image，GitHub）；Comfy-Org/MOSS-Image 文件体积为 HuggingFace API 读回值（2026-10-21）；模型发布于 2026-10-11，技术报告 arXiv:2610.23374。显存档位为按文件体积推算的估算值，非本站实测；社区蒸馏版效果为单源口径，待复现。