MOSS-Image Rapid-MOSS SFT 4步文本到图像工作流#
这个 ComfyUI 工作流通过将 MOSS-Image-SFT 与 Rapid-MOSS 4步适配器及其专用采样器相结合，提供快速、高质量的文本到图像生成。MOSS-Image Rapid-MOSS SFT 4步流程经过调优以确保速度，同时保持提示的准确性，非常适合用于摄影肖像、插图场景、原创角色概念和早期建筑构思。
所有内容都已设置好，您只需输入提示，选择尺寸，然后仅需四步即可渲染。适配器提供自己的采样器和噪声计划，同时安排无分类指导以在如此低的步骤数下保持结果稳定。如果您希望在 ComfyUI 中拥有一个快速的创意引擎，同时仍然尊重详细的提示，那么这个 MOSS-Image Rapid-MOSS SFT 4步工作流就是为您而设计的。
Comfyui MOSS-Image Rapid-MOSS SFT 4步工作流中的关键模型#
- MOSS-Image-SFT 由 OpenMOSS-Team 提供。主要的文本到图像模型，解释您的提示并在潜在空间中合成图像。它提供了在整个工作流中使用的 UNet 和文本编码器。OpenMOSS-Team/MOSS-Image-SFT
- Rapid-MOSS 4步适配器 LoRA。一个轻量级适配器，支持可靠的四步采样，并为 MOSS-Image-SFT 提供匹配的采样器和 sigma 计划，以获得最佳结果。darask0/MOSS-Image_4-step_adapter_lora
- MOSS Image VAE。用于将模型潜在变量解码为具有真实色彩和色调的 RGB 图像的变分自编码器。这里提供了适合 ComfyUI 的预打包权重。nif0/MOSS-Image-SFT-ComfyUI
- ComfyUI-KJNodes 指导工具。此工作流依赖于安排的无分类指导以保持四步结果的稳定性。参考实现和文档在此处。kijai/ComfyUI-KJNodes
如何使用 Comfyui MOSS-Image Rapid-MOSS SFT 4步工作流#
图形从模型和分词器加载开始，经过提示编码，然后进入 Rapid-MOSS 驱动的 4步采样器，最后进入 VAE 解码和保存。以下阶段引用了关键节点的画布名称。
模型和分词器加载器#
MOSSImageUNETLoader(#11) 加载 MOSS-Image-SFT UNet，实际上对潜在变量进行去噪。将其视为学习如何将噪声转化为符合您文本的结构的引擎。MOSSImageCLIPLoader(#10) 提供 MOSS-Image 文本编码器，因此您的提示可以转化为 UNet 理解的嵌入。确保与 UNet 的同一模型系列配对以避免不匹配。VAELoader(#12) 引入 MOSS VAE，将去噪后的潜在变量转化为像素。这种分离保持采样快速且解码准确。
提示和条件#
Prompt(#3) 是您输入文本提示的地方。节点将您的描述编码为嵌入；这里的清晰度和明确性会强烈影响构图、主题和风格。ConditioningZeroOut(#14) 为无分类指导提供无条件分支。它就像一个空的负面提示；如果您更喜欢自定义负面提示，请用另一个文本编码器替换它并将其连接到指导的负面输入。
快速4步适配和采样#
RapidMOSSAdapter(#2) 将 Rapid-MOSS 4步 LoRA 附加到基础模型，并输出匹配的sampler和sigmas包。将这些保持在一起以确保计划和去噪器对齐，以稳定的四步结果。ScheduledCFGGuidance(#13) 包装模型并应用时间感知计划的无分类指导。这样有助于图像遵循您的提示，而不会在如此短的计划内超出或失去细节。RandomNoise(#5) 为生成提供种子以获得可重现或多样化的结果。固定种子以迭代构图，或随机化以快速探索替代方案。EmptyFlux2LatentImage(#6) 通过在您选择的宽度和高度下创建空白潜在变量来设置画布尺寸。较大的尺寸可以捕获更多细节，但在四步中更难以构图；在接近目标纵横比的情况下开始并进行优化。SamplerCustomAdvanced(#7) 执行实际的四步去噪。它需要噪声、指导包装的模型以及 Rapid-MOSSsampler和sigmas，以便计划和预测器正是适配器所期望的。
解码和保存#
VAEDecode(#8) 使用加载的 MOSS VAE 将最终的潜在变量转化为图像。此时颜色、纹理和细节变得可见。SaveImage(#9) 将结果写入磁盘，并带有明确的前缀，以便您可以跟踪 MOSS-Image Rapid-MOSS SFT 4步工作流的输出。使用新种子重新运行以快速建立选项库。
Comfyui MOSS-Image Rapid-MOSS SFT 4步工作流中的关键节点#
RapidMOSSAdapter (#2)#
这个节点是 MOSS-Image Rapid-MOSS SFT 4步方法的核心。它将 Rapid-MOSS LoRA 注入 UNet，并发布使四步采样工作的专用 sampler 和 sigmas 。仅在有理由偏离时调整 steps ；适配器围绕 4 设计。调整 lora_strength 让您在严格遵循 4步行为和较松散的去噪感之间取得平衡。
ScheduledCFGGuidance (#13)#
此指导包装器在短轨迹上应用无分类指导，改善提示的忠实度而不破坏图像。增加 cfg 以增强提示的吸引力和清晰的主题，或减少它以避免复杂场景中的过饱和和伪影。如果更改计划窗口，请保持与四步视野一致，以便指导保持平滑。
EmptyFlux2LatentImage (#6)#
在采样前使用此设置输出尺寸和纵横比。优先选择与常见扩散步幅对齐的尺寸，并保持纵横比合理，以减少拉伸。在迭代时，固定尺寸同时探索种子，以便构图差异归因于噪声而不是画布变化。
SamplerCustomAdvanced (#7)#
这个采样器使用适配器的 sampler 和 sigmas 并运行四个去噪步骤。不要在没有同时更改适配器的情况下交换不相关的采样器或计划，因为这种配对可以提供速度和稳定性。对于变体，请保持采样器-计划配对不变，仅更改种子、提示或指导。
Prompt (#3)#
您的文字在这里变成嵌入。以主题开头，然后添加构图和照明，最后以风格提示结束。保持简洁和具体，以帮助 MOSS-Image Rapid-MOSS SFT 4步流程在极少的步骤中解决自信的结构。
可选额外功能#
- 对于肖像，请指定框架、镜头提示和照明；对于插图场景，请包括媒介和调色板提示。
- 如果您想要自定义负面提示，请用另一个
CLIPTextEncode替换ConditioningZeroOut(#14)，并将其连接到ScheduledCFGGuidance(#13) 的负面输入。 - 在
RandomNoise(#5) 中锁定一个种子以迭代措辞；解锁它以探索快速变体。 - 从
ScheduledCFGGuidance(#13) 中的适度指导开始；仅在图像偏离提示时向上微调。 - 在
RapidMOSSAdapter(#2) 和SamplerCustomAdvanced(#7) 中保持适配器的四步配对，以获得速度和质量的最佳平衡。
致谢#
此工作流实现并基于以下作品和资源。我们诚挚感谢 OpenMOSS-Team 提供的 MOSS-Image-SFT，darask0 提供的 Rapid-MOSS 四步适配器和 ComfyUI 节点，以及 nif0 提供的 MOSS-Image-SFT 量化模型文件的贡献和维护。欲了解权威细节，请参阅以下链接的原始文档和代码库。
资源#
- OpenMOSS-Team/MOSS-Image-SFT
- GitHub: OpenMOSS/MOSS-Image
- Hugging Face: OpenMOSS-Team/MOSS-Image-SFT
- arXiv: 2610.23374
- darask0/MOSS-Image_4-step_adapter_lora
- Hugging Face: darask0/MOSS-Image_4-step_adapter_lora
- nif0/MOSS-Image-SFT-ComfyUI
- Hugging Face: nif0/MOSS-Image-SFT-ComfyUI
- r/comfyui/The Greatest Model Ever: MOSS-Image-SFT at 4 steps (workflow discussion)
- Docs / Release Notes: Reddit post
注意：使用参考的模型、数据集和代码需遵守其作者和维护者提供的相关许可证和条款。
