MOSS-ImageのBaseとSFTをM1 Maxで試した

MOSS-Image-BaseとMOSS-Image-SFTの公開重みをM1 Max 64GBで動かしてみた。OpenMOSSは2026年10月16日にBase版と、それを教師ありで追加学習（SFT）した版を公開した。
文字や物体の配置も指定できるというので、公式の例文とポスターのJSONに加え、4月のAnima比較と9月のQwen-Image 2.1検証で使った立ち絵・夕景も試した。BaseとSFTには各条件で同じ入力を渡し、過去モデルの画像は参考として並べた。

MOSS-ImageのBase・SFTと推奨設定

MOSS-Image公式リポジトリにはBase版とSFT版の配布先がある。立ち絵、走る場面、文字入り画像、JSONの配置指定を両方の重みで試し、同じ指示文と設定を渡した。

Baseの重みと同梱パイプラインはリビジョン 5f40f07a304541840b6019d2d34d30f966756787、SFTの重みは fc5de0d56fc910cbca6f6625a70f5f582b26deb1 に固定した。参照した公式GitHubリポジトリは 9d799c1e98a72d9f4e7c3d211072fd94cf365dee。
8ファイルのサイズはHugging Faceの公開一覧と同じだった。

5Bは画像生成部分の約50億パラメータを指す。テキストエンコーダーが指示文を数値に変え、DiTがシード42から作ったノイズを少しずつ更新し、VAEが最後に画像へ復元する。ダウンロードした重みは、テキストエンコーダーのほうが画像生成部分より容量が大きかった。

公式ユーザーガイドにある推奨値を下の表にまとめた。CFGは指示文の反映の強さを調整する値だ。
モデルは自然文、タグ列、JSONレイアウトを受け付ける。JSONレイアウトでは文字や物体の位置を座標で指定する。

ステップ数はノイズを更新する回数を決める。Eulerは1ステップずつ更新する計算法で、shift はその刻み方を変える値。今回はどちらも公式の標準値にした。CFGでは指示文を入れた側と、入れない側の計算結果を組み合わせる。ネガティブ欄に語を入れた場合、後者にはその語を使う。22番層のスキップも後者に適用した。

比較対象

過去4モデルは4月・9月に掲載した画像を使い、今回は再生成していない。比較条件は白背景の立ち絵と、夕暮れの城を背景に走る人物の2種類。人物はどちらも金髪で、白と金のローブを着ている。各モデル1条件1枚なので、画像間の違いをそのままモデル全体の優劣とは言えない。

生成条件

MOSSの人物作例は832×1216、文字とポスターは1024×1024で生成した。どちらも公式推奨の約100万画素に当たる。50ステップ、CFG 3、shift 5、シード42は共通。シードは生成に使う乱数の起点で、BaseとSFTを各条件1枚ずつ生成した。LoRAは見た目を追加学習した補助重みで、今回のMOSSには使っていない。NSFWは成人向けの内容指定を指す。
以下の「UI初期入力」は、公式Gradio UIに最初から入っている品質タグとネガティブタグの文字列だ。Gradio画面からは生成せず、これらをPython APIへ渡した。

BaseとSFTのモデルカードは、Python実行時のネガティブプロンプト既定値を空欄としている。一方、ユーザーガイドは品質を下げる語をネガティブ欄に入れるよう勧め、公式Gradio UIには品質タグとネガティブタグが初期入力される。
MOSSのガイドはタグ列にも対応すると書いている。初回は元のタグ列と同じ内容を英語の自然文に直し、画風も anime illustration と指定した。Base/SFTの2枚ともネガティブ欄はモデルカードの既定値に沿って空欄、uncond_skip_layers=[22] は有効にした。次のタグ列試験ではUIの初期入力を使った。
UI初期入力の文字列はPython APIの prompt と negative_prompt に渡した。

上の7条件では、画像サイズ、50ステップ、CFG 3、shift 5、層22のスキップ、シード42をBaseとSFTでそろえた。NSFWの2条件だけは内容指定を見るため、公式UIの品質・ネガティブ初期入力から外した。

比較画像はクリックすると単体で開ける。

BaseとSFTは同じパイプラインとシード42で画像の初期ノイズを作る。一方、過去4モデルの実装、ステップ数、CFGはそろっていない。同じシード番号でもMOSSと過去モデルの初期ノイズは同じにならない。

過去記事のQwenとAnimaの出力には、MOSSへ足した公式UIの品質タグとネガティブタグを後から適用できない。4月のAnima系3モデルはネガティブ指定の記録もない。過去モデルとの差には入力条件の違いも含まれる。

検証環境とMPSでの起動

実験機はMacBook Pro M1 Max・64GB、macOS 27.0。公式の実行例はNVIDIA GPU向けのCUDAだが、ここではApple GPU向けのMPSを使い、Python 3.12.12の専用環境を作った。
実行時には PYTORCH_ENABLE_MPS_FALLBACK=1 を指定し、MPSで扱えない演算はCPUへ回す設定にした。

DiTとテキストエンコーダーは bfloat16、VAEは float32 で読み込んだ。bfloat16 は数値を16ビット、float32 は32ビットで扱う。

PyTorchがGPU計算を担い、Diffusersから公式パイプラインを呼び出した。Transformersは指示文を短い単位へ分けて数値にする処理で使う。スワップは、メモリからあふれたデータをストレージへ一時的に置く領域だ。

最初の実行では、手動ダウンロード時に公式配布の tokenizer/chat_template.jinja を取得しておらず、文章の処理で止まった。このファイルは指示文をテキストエンコーダー向けの形に整えるひな形だ。作業用 tokenizer_config.json の chat_template にQwen3.5-9Bのテンプレートを補い、後で公式のJinjaファイルと内容が一致すると確認した。次はMPS上の float64 計算で止まった。

時刻埋め込みは、生成が今どの段階かをモデルに伝える計算。float64 と float32 は計算に使う数値の精度を表す。フォールバックを有効にしてもこのエラーが出たため、BaseとSFTの作業用コピーに同じパッチを当てた。変えたのはこの計算をCPUで実行する部分だけで、重みは変更していない。CUDAで同条件の画像は生成していないため、MPS実行やパッチが画質へ影響したかは分からない。
公式ComfyUIノードの文章整形と照らすと、追加したテンプレートは今回試した自然文・タグ列・JSONの指示文で同じ <|im_start|>user 形式になった。
GPUへの転送後、torch.mps.driver_allocated_memory() が返したMPSドライバーの確保量は約27.75GBだった。

512×512・4ステップ・CFG 3・shift 5・シード42で A cat を送るとPNGを保存できた。生成処理は25.40秒、モデルのMPS転送は9.00秒。MPSドライバーの確保量は転送後27.75GB、生成後30.14GBで、生成後に確認したスワップ使用量は0。
4ステップの画像はぼやけていた。

公式の文字入りプロンプト

冷蔵庫のメモに中国語を書く公式ユーザーガイドの例文を、改行も含めてBaseとSFTへ同じように送った。
1024×1024、50ステップ、CFG 3、shift 5、Euler、層スキップ22、シード42、ネガティブ欄は空欄。
1024×1024はガイドの約100万画素の推奨範囲で、BaseとSFTのモデルカードに載るPython例と同じ解像度だ。

画像の下には、原寸PNGから付箋部分を切り出して拡大した画像も置いた。文字の判読には全体画像だけでは小さすぎる。

MOSS-Image-Base
（ユーザーガイド例文）

付箋の拡大

MOSS-Image-SFT
（同じ例文）

メモの拡大

macOSの文字認識は、原寸PNGのBase/SFT両方から指定の中国語3行を読み取った。OCRの信頼度は文字認識側が各行につける推定値で、Baseの2行目だけ0.50、SFTは3行とも1.00だった。
1.00でも文字の形や句読点まで完全に合っているとは言えない。SFT版のメモも3行読めるが、冷蔵庫の扉には貼られていない。
生成処理はBaseが1,189.91秒、SFTが1,189.43秒で、生成後のスワップ使用量はどちらも0だった。

A wide view of a refrigerator beside a kitchen counter with a fruit bowl. A small sticky note on the refrigerator door is handwritten in Chinese:
“记得买牛奶和鸡蛋！
牛奶两盒，鸡蛋一打。
顺便带一袋面包。”

JSONレイアウトでポスターの配置を指定した

公式ユーザーガイドのJSONレイアウト例をBaseとSFTで試した。
クリーム色の背景に青い山を置き、上部に EXPLORE と書く1024×1024のポスターだ。文字と山に個別の座標が付き、ガイドでは実験的な機能とされている。
両モデルへ同じJSON文字列を送り、ネガティブ欄は空にした。

MOSS-Image-Base
（公式JSON）

MOSS-Image-SFT
（同じJSON）

原寸PNGで同じ青色の閾値を使って文字と山の領域を測ると、どちらも指定範囲との差は文字で最大6ピクセル、山で最大4ピクセルだった。ガイドの bbox は中央を原点とする [上, 左, 下, 右] で、1024×1024では各軸が−512から512まで。下の指定範囲は各値に512を足し、画像左上を原点とするピクセル座標へ換算した。色の境目をどう拾うかで端の数値は変わり、厳密な物体検出ではない。
SFTは山に加えて下側の青い帯も描いた。生成処理はBaseが1,228.94秒、SFTが1,236.49秒だった。

{"summary": {"meta": ["poster"], "canvas": "single", "caption": "A minimalist travel poster with a cream background, a blue mountain illustration, and the title EXPLORE at the top."}, "items": [{"label": "text", "caption": "Large dark-blue uppercase title centered at the top.", "text": "EXPLORE", "bbox": [-416, -384, -288, 384]}, {"label": "object", "caption": "A flat blue mountain illustration in the lower center.", "bbox": [-192, -288, 384, 288]}], "bbox_coord_space": "abs_centralized", "bbox_format": "yxyx"}

MOSSの立ち絵・夕景を過去4モデルと比べた

過去の比較ではLoRAでキャラクターや喫茶店の背景をそろえた。MOSS向けのキャラクターLoRAは手元になく、今回は素のモデル同士を比べた。

白背景の立ち絵

最初の短い英文・空のネガティブ欄の結果は後述する。ここでは4月のタグ列に公式UIの品質タグを足し、ネガティブ欄もUI初期値の5語でそろえたBase/SFTのペアを主比較にした。

MOSS-Image-Base
（UI初期入力）

MOSS-Image-SFT
（同じ入力）

Qwen-Image 2.1
（9月の出力）

Anima preview3-base
（4月の出力）

WAI-Anima v1
（4月の出力）

WAI-Illustrious v160
（4月の出力）

同じタグ列・品質指定・ネガティブ指定を渡すと、SFT版はBase版より裾まで模様が広がった。ただし、両モデルとも片方の靴が主に見える。
QwenとAnimaの掲載済み作例に比べると、この2枚は顔と白い布の陰影が浅い。各モデル1枚ずつの参考比較だ。

1girl, solo, long blonde hair, blue eyes, white robe, gold embroidery, capelet, gold sash, long sleeves, long dress, standing, looking at viewer, full body, white background

best quality, masterpiece, 1girl, solo, long blonde hair, blue eyes, white robe, gold embroidery, capelet, gold sash, long sleeves, long dress, standing, looking at viewer, full body, white background

短い英文と空のネガティブ欄での初回結果

主比較の前に、BaseとSFTへ同じ短い英文を送り、ネガティブ欄をモデルカードの既定値どおり空にした。テキストエンコーダー、トークナイザー、VAE、推論コードは両モデルで同じ配布ファイルだったため、作業用コピーでも共用した。

初回のBaseとSFTを開く

Base版

SFT版

送った英文は次のとおり。ネガティブ欄は空欄。

An anime illustration of one young adult woman, shown full body standing and looking at the viewer against a plain white background. She has long blonde hair and blue eyes. She wears a long white robe with gold embroidery, a capelet, a gold sash, long sleeves, and a long skirt.

初回のBaseは肩と裾の模様が少なく、SFTでは肩布と腰帯の模様が増えた。どちらも片方の靴だけがはっきり見える。UI初期入力を使ったBase画像では肩・胸元・前垂れの模様がさらに増えた。タグ形式、品質タグ、ネガティブ指定を同時に変えたため、どの変更で模様が増えたかは、この2条件の比較では分からない。生成処理はBase初回1,151.64秒、SFT初回1,154.18秒、BaseのUI初期入力1,159.20秒、SFTのUI初期入力1,156.02秒だった。

詳しい英文でSFT版を再試行

同じSFT版で指示文だけを変えた。公式Prompt Enhancerの詳しい描写を参考に、元の金髪・青い目・白と金のローブ・白背景を保ちながら、襟、肩布、袖、裾の刺繍と布の影、両足まで描く指示を加えた。公式スキルにあるJSONの作成・コンパイルは実行せず、英文を直接書いた。832×1216、50ステップ、CFG 3、shift 5、層スキップ22、シード42と空のネガティブ欄は、短い英文のSFT版と同じ。

短い英文のSFT画像では腰帯と肩布に模様が集まったが、こちらは襟、肩布、袖、前垂れ、裾まで金の刺繍が広がり、両方の靴も見える。Qwen・Animaの作例と比べると、顔と布の細かな影は少ない。同じ詳しい英文はBaseへ送っていないため、この差をSFT固有の効果とは言えない。生成処理は1,193.96秒（19分54秒）。

A full-body anime character illustration of one young adult woman standing straight and facing the viewer against a seamless plain white background. Center the figure with her head and both shoes fully visible. She has long flowing blonde hair, blue eyes, and a calm expression. She wears an elaborate ankle-length white ceremonial robe made of layered ivory cloth, with a short shoulder capelet, wide long sleeves, a long skirt, and a patterned gold sash with a central clasp. Fine gold filigree embroidery follows the collar, capelet, cuffs, front panels, and hem. Show the individual ornamental motifs, layered fabric folds, and soft shadows that separate the white cloth from the white background. Clean, precise anime linework, restrained cel shading, warm highlights on the gold, even studio lighting. No props or scenery.

城と夕景を背景に走る人物

4月のタグ列に公式UIの品質タグを足し、BaseとSFTへ同じ入力を渡した。ネガティブ欄もUI初期値の5語でそろえた。

MOSS-Image-Base
（UI初期入力）

MOSS-Image-SFT
（同じ入力）

Qwen-Image 2.1
（9月の出力）

Anima preview3-base
（4月の出力）

WAI-Anima v1
（4月の出力）

WAI-Illustrious v160
（4月の出力）

BaseもSFTも城と夕景は入ったが、この2枚だけでは走る腕振りと脚の運びを確認しにくい。SFTは片方の靴を前に出したものの、両腕は横に伸びた。
4月のWAI-Animaの作例は腕を曲げて走る姿になっている。MOSSの生成処理はBaseが1,160.42秒、SFTが1,149.25秒だった。

1girl, solo, long blonde hair, blue eyes, white robe, gold embroidery, capelet, gold sash, long sleeves, long dress, running, wind, hair blowing, dynamic pose, fantasy landscape, castle in background, sunset sky, dramatic clouds, grass field

best quality, masterpiece, 1girl, solo, long blonde hair, blue eyes, white robe, gold embroidery, capelet, gold sash, long sleeves, long dress, running, wind, hair blowing, dynamic pose, fantasy landscape, castle in background, sunset sky, dramatic clouds, grass field

An anime illustration of one young adult woman with long blonde hair and blue eyes, running through a grassy field in a dynamic full-body pose. Wind blows her hair and the long sleeves of her white robe. Her robe has gold embroidery, a capelet, a gold sash, and a long skirt. A castle stands in the background beneath dramatic clouds and a sunset sky in a fantasy landscape.

元画像の外見を文章だけで描けるか

4月の記事では、WAI-Illustrious v160とかなちゃんLoRAの立ち絵を元に、i2i（画像から画像を生成する方法）をデノイズ強度0.5で試した。デノイズ強度は元画像をどの程度変えるかを調整する値だ。
9月の記事でも同じ元画像をQwen-Image 2.1に入力して描き直した。

元画像は茶髪のサイドポニー、青いシュシュ、琥珀色の目、白と金のローブ、背景の金色の円が特徴だ。

WAI-Illustrious v160の元画像

同じように試す前に、今回使った公式Diffusersパイプラインの引数を確認した。__call__ は画像や strength を受け取らず、文章から画像を作る。
元画像を入力する代わりに、髪型、青いシュシュ、衣装、背景の円を英文に書き、文章だけで別の画像を生成した。

主比較では元画像の外見を説明した英文に公式UIの品質タグを足し、BaseとSFTへ同じ入力を渡した。画像そのものは入力していない。
元画像を入力した過去のi2i画像も並べるが、顔の一致度を同じ条件で測った比較ではない。

MOSS-Image-Base
（文章のみ・UI初期入力）

MOSS-Image-SFT
（同じ文章）

Qwen-Image 2.1
（元画像を入力）

Anima preview3-base
（denoise 0.5）

WAI-Anima v1
（denoise 0.5）

BaseとSFTの両方で、英文に書いた髪型、青い髪留め、白と金の衣装、金色の円は描かれた。SFTのほうは肩と裾の模様が増えた。
顔立ちと服の形は元画像と違うが、元画像を入力していないため、i2iでの保持能力とは結び付けられない。英文では元画像の琥珀色の目も指定していない。
生成処理はBaseが1,147.47秒、SFTが1,143.18秒だった。

best quality, masterpiece, An anime illustration of a young adult woman with brown hair in a side ponytail tied with a blue scrunchie, standing full body facing the viewer. She wears a long white robe with gold embroidery, a capelet and a gold sash. A large muted gold circle is behind her against a pale background.

生成速度

同じM1 Max上の記録を比べた。MOSSの秒数は公式パイプラインの生成呼び出し時間で、指示文の処理、画像の更新、VAEによる復元を含む。モデルの読み込み、MPS転送、PNG保存は含まない。まずBase/SFTへ同じ入力を送った7条件の実測値を並べる。

MOSSのモデルカードによると、今回のCFG 3では画像生成部分を1ステップにつき2回計算する。過去記事のQwenはCFG 1だ。

立ち絵、夕景、元画像の文章化、NSFWは832×1216で、冷蔵庫とポスターは1024×1024。各行は50ステップ、CFG 3、シード42で、生成後のスワップ使用量は0だった。初回の短い英文や、詳しい英文のSFT版は、該当する作例の節に時間を記録した。

過去モデルとの速度比較は、白背景の立ち絵と走る場面に絞った。MOSSとQwenはDiffusers、ほかの3モデルはComfyUIで動かし、ステップ数やCFGもモデルごとに違う。

作例ごとの使い分け

以下は各条件1枚の作例に限った選択で、モデル全体の性能順位ではない。過去モデルとは指示文、LoRA、ステップ数、CFGも異なる。

参考リンク

• MOSS-Image公式リポジトリ（公開日、Base/SFT、Python実行例）
• MOSS-Image-Baseユーザーガイド（推奨設定とJSONレイアウト）
• MOSS-Image-Baseモデルカード（重みとライセンス）
• MOSS-Image-SFTモデルカード（追加学習版の重み）
• 公式Prompt Enhancer（詳しい英文の組み立て方）
• WAI-AnimaをAnima・Illustriousと比べた技術記事（4月の立ち絵・走る場面・i2iの出力）
• Qwen-Image 2.1をM1 Maxで試した技術記事（9月の比較画像と生成時間）

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。

4月・9月の記事と同じ2種類の内容を試した。MOSSのBaseとSFTには同じ英語の自然文を送り、人物は25歳の成人と書いた。解像度、50ステップ、CFG 3、shift 5、シード42は前の立ち絵と同じ。
公式UIのネガティブ初期値にある nsfw は内容指定と衝突するため、この2条件ではネガティブ欄を空にした。公式UIの品質入力を使った主比較とは別の例外だ。過去4モデルは掲載済みのぼかし画像を使う。
2種類は NSFW. の有無に加えてポーズと背景も違うため、タグの効果だけを比べる実験ではない。

nsfwタグなし

森の泉の端で、足を水につけて座る全身像。nsfw の文字は送らない。

MOSS-Image-Base
（今回）

MOSS-Image-SFT
（同じ入力）

Qwen-Image 2.1
（9月の出力）

Anima preview3-base
（4月の出力）

WAI-Anima v1
（4月の出力）

WAI-Illustrious v160
（4月の出力）

生成処理はBaseが1,132.28秒、SFTが1,133.58秒。ぼかし画像では座る姿勢と森の背景を確認できた。

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

An anime illustration 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。

MOSS-Image-Base
（今回）

MOSS-Image-SFT
（同じ入力）

Qwen-Image 2.1
（9月の出力）

Anima preview3-base
（4月の出力）

WAI-Anima v1
（4月の出力）

WAI-Illustrious v160
（4月の出力）

生成処理はBaseが1,131.51秒、SFTが1,132.87秒。両方とも構図は指定に近いが、顔と画風の細部は掲載用画像でぼかしている。

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

NSFW. An anime illustration 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.