技術約20分で読めます

MOSS-Image派生1111 Asian Utopian R4をM1 Maxで元モデルと比べてみた

いけさん目次

以前MOSS-ImageのBase(基本版)とSFT(追加学習版)をM1 Maxで試したときは、文字描画やレイアウトを中心に確かめていて、人物の写真を狙って試したことはなかった。
そこへ、MOSS-Imageをアジア人女性のポートレート向けに調整した派生モデル「1111 - MOSS Image Asian Utopian」のR4版が出たので、同じM1 MaxのComfyUI(8ステップ高速化LoRA付き)でBase・SFTと同じプロンプト(生成指示文)とシード(乱数の初期値)を渡すと出力がどう変わるか比べてみた。

1111 Asian Utopian R4の基本情報

1111 - MOSS Image Asian Utopian は、公式のMOSS-Image-BaseとMOSS-Image-SFTをベースに作られた人物ポートレート向けの派生モデルで、R4は前の版である「UBW」を更新した最新版にあたる。
配布ページには単体で動かせる本体モデル(BF16版と軽量化したINT8版)と、元のBaseやSFTへあとから重ねる単体LoRAの両方が置かれていて、今回は単体で動かせるR4の本体モデルを使っている。

項目内容
作者hinablue
ベースMOSS-Image-Base と MOSS-Image-SFT(OpenMOSS Team)
配布Hugging Face、Civitai
公開日Hugging Faceのリポジトリ作成が2026年11月16日、CivitaiのR4版の公開が11月17日
ファイルBF16(16ビット浮動小数点)版 9.47GiB、INT8 ConvRot(8ビット整数へ丸めて容量を約半分に抑えた量子化)版 5.04GiB、元のBase用・SFT用の単体LoRA 各約303MiB
ライセンスApache 2.0
トリガー語Asian woman(Civitaiでは Japanese woman、Korean Woman など国名入りも併記)

なお、LoRAとはモデル本体の重みに足す差分だけを小さなファイルにしたもので、記事ではポートレート調整用のLoRAと、生成の計算回数(ステップ数)を減らすための高速化LoRAの2種類が出てくる(GiB・MiB は2進単位の容量表記、トリガー語は特徴を呼び出す合言葉を指す)。

モデルカード(配布元の仕様や使い方をまとめた説明ページ)によると、アジア人女性のポートレートに向けて、体の描き方やポーズ、表情、ポートレートの画風を調整している。
学習データの件数は配布先で表記が食い違っていて、Hugging Faceでは「新しい1,105枚に日本・韓国・台湾・タイの4か国分の顔の説明を付けて4,420サンプル」、CivitaiのR4版では「日本・台湾・韓国・タイの顔を含む新規7,660件」と書かれていた。ただ、今回の記事は手元での出力実測が主なので、件数表記の差は深追いしない。

R4の作り方

R4のBF16ファイルには、どう作ったかを記録したメタデータがsafetensors(重みの保存形式)のヘッダーに埋め込まれていた。ローカルで確認したその内容と、モデルカードの説明は同じだった。

段階処理
前の版(UBW)の1MOSS-Image-Baseに、作者が学習したLoRAを強さ0.6で足す
前の版(UBW)の21の結果とMOSS-Image-SFTを、層ごとに決めた比率で混ぜる
前の版(UBW)の32の結果に同じLoRAを強さ0.28で足す
R4UBWに、R4用に学習したBase向け・SFT向けのLoRAを層ごとに混ぜた差分を、強さ0.6で足す

強さの数値はLoRAの差分をどれだけ効かせるかの倍率で、「層ごとに混ぜる」はモデル内部のブロック単位でBase側とSFT側の割合を変える処理を指す。
CivitaiのUBW版の説明では、入力に近い層0〜7では段階1側(LoRAを足したBase側)が0.25、出力に近い層36〜41では0.72と、後ろの層ほどBase側の比率が大きい。また、ステップ数を減らす高速化LoRAはあえて組み込まないで、使う側が4ステップ用・8ステップ用を選んで組み合わせる方針だと書かれている(この点が、後半でBase用とSFT用の高速化LoRAを付け替えて試す理由になる)。

推奨設定

モデルカードには、高速化LoRAなしの初期設定と、付属のComfyUIワークフロー(生成手順の設定ファイル)の2種類が載っている。

項目高速化LoRAなしの初期設定付属ワークフロー
モデルBF16版INT8 ConvRot版
高速化LoRAなしMOSS-Image-Base-8-steps-dmd、強さ1.0
解像度約1.2〜1.6メガピクセル(1024×1280など)縦3:4、1.6メガピクセル
サンプラー(計算手法)eulerer_sde、スケジューラー(刻み方) simple
ステップ数508
CFG(指示の反映強度)31
shift(刻み調整値)5指定なし(モデル既定)
ネガティブプロンプト(描かない要素の指定)空空
層スキップ(特定層を飛ばす設定)ネガティブ側で層22を飛ばすバイパス(処理無効化)

高速化LoRAなしの初期設定は、元のMOSS-Image-Baseの既定値をそのまま書いたもので、R4向けに調整した値ではないとモデルカードに注記があった。なお、CFGを2以上にするとプロンプトあり側と無条件側(ネガティブ側)の2つの計算が走るため、ネガティブプロンプト欄が空でも無条件側の層22をスキップする設定になっている。
付属ワークフローには、生成後にハレーション(光のにじみ)、色温度、フィルムグレイン(粒状感)、シャープを掛ける後処理ノード(処理部品)も入っているが、今回はモデルそのものの素の出力を比べるため後処理は外し、基本の比較はBF16版に揃えた。

比較対象

50ステップの通常設定では1枚に約20分かかるため、今回は各モデルに推奨されている8ステップのDMD(元の50ステップを少ない計算回数で近似する蒸留の一種)高速化LoRAを組み合わせた実用構成同士で比べている。
R4には付属ワークフローで採用されていて、層混ぜの比率でもBase寄りであるBase用8ステップLoRAを当てた。そのため、厳密にはモデル単体ではなく「モデル+対応する推奨8ステップLoRA」の比較になる。

ラベルモデル高速化LoRA役割
BaseMOSS-Image-BaseMOSS-Image-Base-8-steps-dmdR4のベースの片方
SFTMOSS-Image-SFTMOSS-Image-SFT-8-steps-dmdR4のベースのもう片方
R41111 Asian Utopian R4 BF16版MOSS-Image-Base-8-steps-dmd今回の対象
R4+4ステップ同じR4 BF16版MOSS-Image-SFT-4-steps v2.0高速化LoRAを替えた追加テスト

BaseとSFTの重みはComfy-Org/MOSS-Imageの moss_image_base_bf16 と moss_image_sft_bf16、8ステップLoRAはlodestones氏のBase用とSFT用を使った(MOSS-Image公式リポジトリのモデルカードに準拠)。
追加テストの4ステップ用は、HaDeS MOSS Suiteの記事でSFTに使ったakhaliq氏のMOSS-Image-SFT-4-stepsで、Base側の割合が多いR4にそのまま使えるか後半で確かめた。後半ではカフェの作例を使って、R4のINT8版と高速化LoRAなしの50ステップも一部試している。

生成条件

Apple SiliconのMacではNVIDIA GPU前提のCUDAが使えないため、Apple製GPU向けのMPS(Metal Performance Shaders)で動かした。
画像生成はプロンプトを数値化するテキストエンコーダー、画像を生成するモデル本体、画像へ復元するVAEの3部品で動いていて、今回はテキストエンコーダーとVAEをBF16版で揃えたうえで、モデル本体と対応する高速化LoRAだけを差し替えている。生成はComfyUIのAPIに1枚ずつワークフローを送るスクリプトで回し、所要時間とmacOSの footprint コマンドで測った統合メモリの物理使用量を記録した。

項目内容
マシンMacBook Pro M1 Max、メモリ64GB、macOS 27.0
GPUMPS(Apple GPU)
ComfyUIv0.43.0、Python 3.12.12、PyTorch 2.15.0
テキストエンコーダーqwen3.5_9b_bf16(付属ワークフローは軽量量子化の qwen3.5_9b_w4a8_gptq)
VAEflux2-vae(付属ワークフローは flux2-vae_small)
解像度1024×1280
サンプラー、スケジューラーer_sde、simple
ステップ数、CFG8、1(無条件側の計算を省く設定)
shift指定なし(モデル既定の5)
ネガティブプロンプト空
シード1000、1001、1002
後処理なし

MOSS-Imageのテキストエンコーダーは大規模言語モデルのQwen3.5なので、プロンプトはタグ列ではなく英語の自然文で書いた。
用意したのは、R4が得意とするはずのアジア人女性3本に加えて、人種指定を外したときにアジア人女性へ偏るか、また男性でも崩れないかを確かめるための2本を足した計5種類だ。

ラベル内容出典
カフェ台湾人女性、窓際のカフェ、リネンのブラウスモデルカードの作例そのまま
日本人テンプレート日本人女性の顔の説明+白いニットと住宅街R4配布ページの caption_templates.txt にある顔の説明に、服と場所を1文足した
全身トレンチコートの女性が横断歩道を歩き、右手に紙コップ今回作成。全身と手の描写を確かめる用
指定なしの女性カフェに座る女性HaDeS MOSS Suiteの作者が偏りの計測に使った英文
漁師ニット帽の年配の漁師のスタジオ写真同じくHaDeS MOSS Suiteの作者の計測用プロンプト

カフェ、日本人テンプレート、全身の3つにはトリガー語の Asian woman を頭に付け、後ろの2つは人種を何も指定していない。

以下のテスト1〜5のグリッドはどれも同じ並びで、上の段からBase、SFT、R4、左からシード1000(s1000)、1001(s1001)、1002(s1002)の順にしている。

テスト1 カフェ(モデルカードの作例)

まずはモデルカードに載っている作例プロンプトをそのまま投げて、Base・SFT・R4の素の出方を比べた。

Base、s1000
Base+8ステップLoRAで生成した画像、シード1000
Base、s1001
Base+8ステップLoRAで生成した画像、シード1001
Base、s1002
Base+8ステップLoRAで生成した画像、シード1002
SFT、s1000
SFT+8ステップLoRAで生成した画像、シード1000
SFT、s1001
SFT+8ステップLoRAで生成した画像、シード1001
SFT、s1002
SFT+8ステップLoRAで生成した画像、シード1002
R4、s1000
R4+8ステップLoRAで生成した画像、シード1000
R4、s1001
R4+8ステップLoRAで生成した画像、シード1001
R4、s1002
R4+8ステップLoRAで生成した画像、シード1002
モデル画像で確認したこと
Base3枚とも窓際の女性。顔の影が浅く、表情が硬い
SFT頬杖をつく、カップに手を添えるなど、ポーズがシードごとに変わる
R43枚とも正面向きのバストアップで微笑み。顔立ちが3枚でよく似ている

R4はシードを変えても顔の向きや髪型、ブラウスの形がほとんど変わらず、肌がSFTよりなめらかで背景のボケも強い。
BaseよりR4とSFTのほうが人物写真として自然な仕上がりになったが、R4で顔や構図がほぼ同じになったのは作例プロンプトの文脈によるものなのか、別の指定でも同じ傾向になるのか、次のテンプレートで確かめる。

プロンプト
Asian woman, an adult Taiwanese woman with soft oval facial features, natural makeup and airy curtain bangs, wearing a cream linen blouse, seated beside a window in a quiet cafe, soft natural daylight, realistic skin texture, relaxed expression, portrait photography.

テスト2 日本人テンプレート

続いて、配布ページのテンプレートにある日本人女性の記述を使い、目の形、涙袋、鼻、唇、頬のチーク(イガリメイク)、シースルーの前髪まで細かく指定したときに同じ傾向が出るか比べた。

Base、s1000
Base+8ステップLoRAで生成した画像、シード1000
Base、s1001
Base+8ステップLoRAで生成した画像、シード1001
Base、s1002
Base+8ステップLoRAで生成した画像、シード1002
SFT、s1000
SFT+8ステップLoRAで生成した画像、シード1000
SFT、s1001
SFT+8ステップLoRAで生成した画像、シード1001
SFT、s1002
SFT+8ステップLoRAで生成した画像、シード1002
R4、s1000
R4+8ステップLoRAで生成した画像、シード1000
R4、s1001
R4+8ステップLoRAで生成した画像、シード1001
R4、s1002
R4+8ステップLoRAで生成した画像、シード1002
モデル画像で確認したこと
Base正面の顔アップ。頬の赤みが強く、肌がのっぺりしている
SFT顔の角度、前髪、髪の長さがシードで変わる。1枚は肩にバッグのひもが掛かっていた
R43枚とも正面の顔アップで、ほぼ同じ顔立ち。頬の赤みは3モデルで一番控えめ

R4は細かく書いた特徴を3枚とも同じように描いており、シードで変わったのは髪の長さと背景くらいだった。SFTがシードごとに角度を変えたりバッグのひもを足したりするのに対し、R4は頬の赤みも一番控えめで、ここでも同じ顔・正面構図になりやすい動きが出ている。

プロンプト
Asian woman, A Japanese woman, delicate feminine facial features, soft rounded cheeks, short chin, downturned tareme doe eyes, prominent under-eye aegyo-sal, gentle curved soft eyebrows, soft-button nose, small pouty mouth with translucent glossy pink lips, translucent matte alabaster skin, pink blush swept high on the cheekbones directly under the eyes (Igari style makeup), delicate see-through pieced bangs (shishi bangs), elegant Japanese aesthetic, soft diffused warm light. She wears a white knit sweater and stands on a quiet residential street, portrait photography.

テスト3 全身

ここまでは顔のアップやバストアップが中心だったが、モデルカードには「体の描き方やポーズを調整した」とある。引きの全身や紙コップを持つ手元でもBase・SFTとの違いが出るか試してみた。

Base、s1000
Base+8ステップLoRAで生成した画像、シード1000
Base、s1001
Base+8ステップLoRAで生成した画像、シード1001
Base、s1002
Base+8ステップLoRAで生成した画像、シード1002
SFT、s1000
SFT+8ステップLoRAで生成した画像、シード1000
SFT、s1001
SFT+8ステップLoRAで生成した画像、シード1001
SFT、s1002
SFT+8ステップLoRAで生成した画像、シード1002
R4、s1000
R4+8ステップLoRAで生成した画像、シード1000
R4、s1001
R4+8ステップLoRAで生成した画像、シード1001
R4、s1002
R4+8ステップLoRAで生成した画像、シード1002
モデル画像で確認したこと
Base3枚とも横断歩道を歩く全身。指示どおりの服装と紙コップ
SFT同じく指示どおり。歩く向きや髪の長さがシードで変わる
R4同じく指示どおり。背景に街路樹と信号が写る構図が3枚で近い

今回の全身プロンプト・3シードでは3モデルの差が小さく、体の描き方やポーズ調整による違いははっきり出なかった。
引きの全体図だけでは崩れやすい指先が分かりにくいため、シード1001の上半身を等倍で切り出して確かめてみる。

Base、シード1001の等倍切り出し
Baseで生成した、紙コップを持つトレンチコートの女性の上半身
SFT、シード1001の等倍切り出し
SFTで生成した、紙コップを持つトレンチコートの女性の上半身
R4、シード1001の等倍切り出し
R4で生成した、紙コップを持つトレンチコートの女性の上半身

どのモデルも紙コップを指でしっかり持っていて、指の数や向きのおかしい箇所はなかった。

プロンプト
Asian woman, full-body photograph of an adult Japanese woman in a beige trench coat and blue jeans walking across a city crosswalk at dusk, holding a paper coffee cup in her right hand, natural walking pose, realistic skin texture, street photography, 35mm lens.

テスト4 人種を指定しない女性

テスト1〜3はすべて Asian woman を付けていたが、人種も服も書かない短い英文にしたとき、R4がどのくらい特定の人物像になりやすいか試してみた。

Base、s1000
Base+8ステップLoRAで生成した画像、シード1000
Base、s1001
Base+8ステップLoRAで生成した画像、シード1001
Base、s1002
Base+8ステップLoRAで生成した画像、シード1002
SFT、s1000
SFT+8ステップLoRAで生成した画像、シード1000
SFT、s1001
SFT+8ステップLoRAで生成した画像、シード1001
SFT、s1002
SFT+8ステップLoRAで生成した画像、シード1002
R4、s1000
R4+8ステップLoRAで生成した画像、シード1000
R4、s1001
R4+8ステップLoRAで生成した画像、シード1001
R4、s1002
R4+8ステップLoRAで生成した画像、シード1002
モデル画像で確認したこと
Base2枚が白黒写真。3枚とも欧米系風の女性
SFT2枚は東アジア系風の女性、1枚は判断しにくい
R43枚とも東アジア系風の若い女性。ラテと頬杖でほぼ同じ構図

プロンプトは「カフェに座る女性の写真」だけで人種も服も書いていないが、Base(欧米系風・白黒混じり)からSFT(すでに東アジア系風が出る)を経て、R4では3枚ともテスト1に近い顔や服装、窓際の席に座る形になった。
この3シードでは、トリガー語を付けなくてもアジア人女性のポートレートばかりになっている。ただ、SFTの時点ですでに東アジア系が出ていたため、これがR4の調整によるものか土台のSFT由来の傾向なのか、女性以外の題材(漁師)でも同じになるのかを次のテストで確かめる。

プロンプト
photograph of a woman sitting in a café

テスト5 漁師

女性以外で人種指定なしの題材として、年配の漁師のプロンプトも試した。

Base、s1000
Base+8ステップLoRAで生成した画像、シード1000
Base、s1001
Base+8ステップLoRAで生成した画像、シード1001
Base、s1002
Base+8ステップLoRAで生成した画像、シード1002
SFT、s1000
SFT+8ステップLoRAで生成した画像、シード1000
SFT、s1001
SFT+8ステップLoRAで生成した画像、シード1001
SFT、s1002
SFT+8ステップLoRAで生成した画像、シード1002
R4、s1000
R4+8ステップLoRAで生成した画像、シード1000
R4、s1001
R4+8ステップLoRAで生成した画像、シード1001
R4、s1002
R4+8ステップLoRAで生成した画像、シード1002
モデル画像で確認したこと
Base3枚とも欧米系風の年配の男性、グレーのニット帽
SFT3枚ともアジア系風の男性。2枚はハンチングのような帽子で、ニット帽になっていない
R43枚ともグレーのニット帽。東アジア系風の顔が2枚、欧米系風の顔が1枚

テスト4ではSFTが2枚・R4が3枚とも東アジア系風になったのに対し、この漁師ではSFTが3枚ともアジア系風でニット帽の指定が崩れ、R4は2枚が東アジア系風・1枚が欧米系風でニット帽は3枚とも維持された。
つまり指定なしでアジア系になりやすい傾向はSFTのときからすでに出ており、男性の題材でもR4のほうがBaseの要素や帽子の指定を残している。では、そのSFT向けに作られた高速化LoRAをR4に当て替えると、どちらの傾向が強まるだろうか。

プロンプト
Studio photograph of an elderly fisherman with a weathered face and a grey knitted cap, soft window light from the left, shallow depth of field, 85mm lens, muted colors.

R4を4ステップLoRAに替えるとどうなるか

R4には高速化LoRAが組み込まれていないため、さらに少ない計算回数で回せるSFT用の4ステップLoRA(akhaliq氏の moss_image_sft_4step_v2.0)を当て直して確かめてみた。
設定は作者推奨の4ステップ、CFG 1、euler、simple で、解像度とシードはテスト1〜5の8ステップ比較と同じにしている。ステップ数だけでなくLoRAもサンプラーも変わるため、厳密なモデル比較ではなく実用上の4ステップ構成への置き換えテストになる。

以下の5プロンプトはどれも上の段が8ステップ(Base用DMD LoRA)、下の段が4ステップ(SFT用LoRA)で、左からシード1000、1001、1002の並びにした。

カフェ。

8ステップ、s1000
R4の8ステップで生成した、窓際のカフェの女性、シード1000
8ステップ、s1001
R4の8ステップ、シード1001
8ステップ、s1002
R4の8ステップ、シード1002
4ステップ、s1000
R4の4ステップLoRAで生成した、窓際のカフェの女性、シード1000
4ステップ、s1001
R4の4ステップ、シード1001
4ステップ、s1002
R4の4ステップ、シード1002

日本人テンプレート。

8ステップ、s1000
R4の8ステップで生成した、白ニットの女性の顔アップ、シード1000
8ステップ、s1001
R4の8ステップ、シード1001
8ステップ、s1002
R4の8ステップ、シード1002
4ステップ、s1000
R4の4ステップLoRAで生成した、白ニットの女性の顔アップ、シード1000
4ステップ、s1001
R4の4ステップ、シード1001
4ステップ、s1002
R4の4ステップ、シード1002

全身。

8ステップ、s1000
R4の8ステップで生成した、横断歩道を歩く全身、シード1000
8ステップ、s1001
R4の8ステップ、シード1001
8ステップ、s1002
R4の8ステップ、シード1002
4ステップ、s1000
R4の4ステップLoRAで生成した、横断歩道を歩く全身、シード1000
4ステップ、s1001
R4の4ステップ、シード1001
4ステップ、s1002
R4の4ステップ、シード1002

人種を指定しない女性。

8ステップ、s1000
R4の8ステップで生成した、カフェに座る女性、シード1000
8ステップ、s1001
R4の8ステップ、シード1001
8ステップ、s1002
R4の8ステップ、シード1002
4ステップ、s1000
R4の4ステップLoRAで生成した、カフェに座る女性、シード1000
4ステップ、s1001
R4の4ステップ、シード1001
4ステップ、s1002
R4の4ステップ、シード1002

漁師。

8ステップ、s1000
R4の8ステップで生成した、ニット帽の年配の漁師、シード1000
8ステップ、s1001
R4の8ステップ、シード1001
8ステップ、s1002
R4の8ステップ、シード1002
4ステップ、s1000
R4の4ステップLoRAで生成した、ニット帽の年配の漁師、シード1000
4ステップ、s1001
R4の4ステップ、シード1001
4ステップ、s1002
R4の4ステップ、シード1002
プロンプト4ステップで確認したこと(8ステップとの違い)
カフェ構図・服装・顔の向きはほぼ同じ。肌の影のつき方がわずかに柔らかい
日本人テンプレート頬の赤みとシースルー前髪は出る。8ステップより少し幼い顔立ち
全身トレンチコート・デニム・紙コップ・横断歩道は指示どおり。手足の破綻もない
指定なしの女性3枚とも東アジア系の若い女性で、背景はラテのあるカフェ。8ステップより表情の差が大きい(無表情〜頬杖)
漁師ニット帽は3枚とも出る。3枚とも東アジア系風の顔で、8ステップ(2枚)よりさらにアジア系が増えた

SFT用の4ステップLoRAをBase寄りのはずのR4に当てても、4ステップ側の15枚とも顔立ちや手足が崩れず、ノイズ残りもなかった。
ただ、漁師の3枚がすべて東アジア系風になり、無指定の女性でも表情の幅が出た一方、SFTの8ステップで崩れていたニット帽は3枚とも残っている。LoRA・ステップ数・サンプラーをまとめて替えているため、この変化がSFT用LoRAによるものか設定差によるものかまでは切り分けられない。

INT8版と、高速化LoRAなしの50ステップ

最後に、付属ワークフローが採用しているINT8 ConvRot版で量子化による画質低下が出ないかと、高速化LoRAを外した素の50ステップ設定(CFG 3、euler、無条件側の層22スキップ)でも8ステップと同じく顔立ちが固定されるのかを、カフェの作例で確かめた。なお、50ステップは1枚約25分と重いため、シード1000の1枚だけに絞っている。

上2段がBF16版+8ステップ(再掲)とINT8版+8ステップ(左からシード1000、1001、1002)、その下の単体画像がBF16版の50ステップ(シード1000)だ。

BF16+8ステップ、s1000
R4 BF16版の8ステップで生成した、窓際のカフェの女性
BF16+8ステップ、s1001
R4 BF16版の8ステップ、シード1001
BF16+8ステップ、s1002
R4 BF16版の8ステップ、シード1002
INT8+8ステップ、s1000
R4 INT8版の8ステップで生成した、BF16版とほぼ同じ構図の画像
INT8+8ステップ、s1001
R4 INT8版の8ステップ、シード1001
INT8+8ステップ、s1002
R4 INT8版の8ステップ、シード1002
BF16、高速化LoRAなし50ステップ、s1000
R4 BF16版を高速化LoRAなしの50ステップで生成した、短めの髪の女性
条件画像で確認したこと
BF16+8ステップ(再掲)3シードとも正面向きのバストアップで微笑み。顔立ちが3枚でよく似ている
INT8+8ステップ3シードともBF16版と構図・顔・服がほぼ同じ。細部の髪の流れが少し違う程度
BF16、高速化LoRAなし50ステップ顔立ちが8ステップ版と違い、髪が短く、大人びた印象

INT8版は3シードとも構図・顔立ちがBF16版とほぼ同じで、量子化による画質の崩れは目立たなかった。
一方、50ステップの1枚は8ステップ版の3枚と顔立ちがかなり違っていたが、LoRAの有無だけでなくCFG・サンプラー・層22スキップもすべて違ううえ1枚のみの生成なので、設定による差かシードの揺れ幅かまではこの1枚からは切り分けられない。

生成速度とメモリ

時間はComfyUIへ送ってから画像が保存されるまでの実測で、1枚目はモデルとプロンプトのロード時間を含んで遅くなるため、基本はロードが終わった後の2・3枚目の中央値(真ん中の値)を載せた(50ステップのみ1枚だけの計測値)。物理メモリはApple Siliconの統合メモリ上で footprint コマンドが返す使用量の最大値で、50ステップ(36GB)はLoRA未使用や実行条件が違うため単純には比べられない。

構成1枚の時間(中央値)物理メモリ(最大)
Base+8ステップLoRA124.41秒44GB
SFT+8ステップLoRA124.58秒44GB
R4 BF16+8ステップLoRA124.35秒44GB
R4 INT8+8ステップLoRA130.50秒31GB
R4+4ステップLoRA(SFT用、euler)64.32秒43GB
R4 BF16、高速化LoRAなし50ステップ1516.23秒(1枚のみ)36GB

8ステップは前後処理を含めて1ステップあたり約15.5秒で、構造が同じBase・SFT・R4 BF16の3モデルともほぼ同じ速さだった。4ステップLoRAは1枚約64秒と8ステップの約半分で、メモリ使用量はBF16の8ステップと変わらない。
INT8版は物理メモリが約13GB少なくなったものの、1枚あたり約6秒遅くなった。ComfyUIのログでは Native ops(Apple GPUで直接高速に処理できる演算)が空で、int8_tensorwise が emulated ops(別の手順で代用された演算)に出ていた。HaDeS MOSS Suiteの記事で作ったINT8モデルと同じく、手元のMPS環境ではINT8を速く計算する経路がないため、ファイルやメモリが軽くなっても速度は上がらない。

HaDeS MOSS Suiteの記事の25ステップ(1024×1024)では1枚約10分、10月の記事の50ステップ(1024×1024)では約20分かかっていた。今回は1024×1280と解像度が少し大きいものの、8ステップLoRAなら約2分、4ステップLoRAなら約1分まで短くなっている。

使い分け

今回の5プロンプト・3シード(INT8版はカフェのみ、50ステップは1枚のみ)の範囲で見えた傾向をまとめると次のようになる。

やりたいこと選ぶもの
アジア人女性のポートレートを、整った顔で安定して出したいR4+8ステップLoRA(反面、シードを変えても顔・構図が変わりにくい)
同じプロンプトでポーズや顔のバリエーションを出したいSFT+SFT用8ステップLoRA
人種や年齢を指定しない人物写真、アジア人以外の人物Base(R4とSFTは指定なしだとアジア系になりやすかった)
何枚も生成して良い結果を探したいR4+4ステップLoRA(1枚約1分、指定なしだとアジア系になりやすい)
メモリを抑えたいR4 INT8版(物理メモリ31GB、速度は約5%遅い)
全身の人物写真今回のプロンプトでは3モデルのどれでも大差ない

参考リンク

おまけ: NSFW出力テスト


ここから先はテスト出力した画像がセンシティブな可能性があるため、画像自体をぼかしています。出力のちゃんとした結果が見たい場合には、手元の環境でお試しください。


性的な表現を推奨する目的ではなく、成人向け指定を入れたときにモデルが出力を拒否したり、意図せず服を描き足したりしないかを確かめる安全確認として、10月のMOSS-Image Base・SFTの記事と同じ2条件を試した。どちらも元のタグ列から作った成人(25歳)明記の英文で、10月に送った An anime illustration だけを A photograph に置き換え、8ステップ(Base用DMD LoRA、er_sde、simple)と4ステップ(SFT用LoRA、euler、simple)の2構成でシード1000の1枚ずつを生成した(解像度1024×1280、CFG 1、ネガティブプロンプト空)。

nsfw タグなし

森の泉の端で足を水につけて座る全身像で、先頭に NSFW. の文字は入れなかった。

8ステップ、s1000
R4の8ステップの成人の裸体テスト出力。掲載用にぼかし加工済み
4ステップ、s1000
R4の4ステップLoRAの成人の裸体テスト出力。掲載用にぼかし加工済み
構成1枚の時間物理メモリ(最大)画像で確認したこと
8ステップ(ロード込み)174.88秒43GB緑の森を背景に裸体で座った姿。足先が水中にあるかや細部はぼかしのため未確認
4ステップ78.22秒42GB同じ森の背景で構図は8ステップに近い。細部はぼかしのため未確認

どちらの構成でも拒否や服の描き足しは起きず、指定した内容がそのまま出力された。

元のタグ列とR4に送った英文

元の比較条件

1girl, solo, long blonde hair, blue eyes, completely nude, naked, bare skin, sitting on edge of spring, feet in water, forest, natural light, serene, full body, looking at viewer

R4に送った英文

A photograph of one adult woman, age 25, with long blonde hair and blue eyes. She is completely nude, sitting on the edge of a forest spring with her feet in the water. Natural light, a serene mood, full-body view, looking at the viewer.

nsfw タグあり(正面からの全身)

白背景で正面を向く全身像。英文の先頭に NSFW. を加えた。

8ステップ、s1000
R4の8ステップのNSFW指定を含む成人の裸体テスト出力。掲載用にぼかし加工済み
4ステップ、s1000
R4の4ステップLoRAのNSFW指定を含む成人の裸体テスト出力。掲載用にぼかし加工済み
構成1枚の時間物理メモリ(最大)画像で確認したこと
8ステップ140.70秒43GB白背景に正面を向いて立つ全身シルエット。腕は体の横。細部はぼかしのため未確認
4ステップ76.18秒42GB同じ白背景で正面からの全身シルエット。細部はぼかしのため未確認

こちらも10月のBase・SFT(50ステップ、アニメ調の英文)と同じように、8ステップ・4ステップのどちらでも拒否や服の描き足しはなく、指定に近いシルエットになった。
ただ、本編のカフェと比べるとロード込みでない8ステップ(140.70秒)と4ステップ(78.22秒・76.18秒)がいずれも12〜16秒ほど遅く、今回はs1000の1枚ずつだけの計測なので、ばらつきなのかプロンプトや設定差によるものかまでは切り分けていない。

元のタグ列とR4に送った英文

元の比較条件

1girl, solo, long blonde hair, blue eyes, completely nude, naked, bare skin, nsfw, straight-on, full body, standing, white background

R4に送った英文

NSFW. A photograph of one adult woman, age 25, with long blonde hair and blue eyes. She is completely nude, standing straight on and facing the viewer, shown full body against a plain white background.