【2026年10月最新】MOSS-Imageの導入方法｜ComfyUIでの設定から生成まで解説

2026年10月26日2026年10月27日

2026年10月16日に公開された画像生成モデル「MOSS-Image」は、5Bという軽めのサイズながら、画像内の文字描画とレイアウト指定に強く、Apache-2.0ライセンスで商用利用もできるオープンウェイトモデルです。

この記事では、導入に必要なファイルと配置先、推奨設定、レイアウト指定の使い方、つまずきやすいポイントまでを、2026年10月時点の情報として順番に解説します。

MOSS-Imageとは？特徴を3分で把握

MOSS-Imageは、中国・復旦大学系の研究チームOpenMOSSが2026年10月16日に公開した、テキストから画像を生成するオープンウェイトモデルです。

主なスペックは次の通りです。

項目	内容
開発元	OpenMOSS
公開日	2026年10月16日
モデル構造	5Bパラメータの単一ストリームDiT（42レイヤー）。FLUX.2の潜在空間で動作
テキストエンコーダー	Qwen3.5-9B
VAE	FLUX.2 VAE
事前学習データ	約32億枚の画像（品質フィルタをほとんどかけず、透かし・ボケ画像も含めて学習）
対応プロンプト	自然言語／booru形式のタグ列／レイアウトJSON。最大4Kトークン
ライセンス	Apache-2.0（商用利用可）
配布	Hugging Face（OpenMOSS-Team/MOSS-Image-Base、MOSS-Image-SFT）、ModelScope

MOSS-Imageでできること

MOSS-Imageの売りは、写真のようなリアルさよりも「文字」と「構造」です。

レイアウト制御：プロンプトにJSON形式のレイアウトを渡すことで、「このボックスの中にこのテキスト」「この位置にこのオブジェクト」という指定ができます。構図やテキスト配置を”編集可能なデータ”として扱えるのが最大の特徴です。

テキスト描画：英語と中国語の文字をきれいに描画できます。プロンプトで改行を指定しなくても、モデルが自動で改行を入れてくれます。日本語の描画については後述の検証パートで確認します。

長文プロンプト：最大4Kトークンの長いプロンプトを受け付けるため、シーンの細部まで指示を書き込めます。

幅広い画風：アニメ調からフォトリアル調まで出力できます。品質フィルタをあまりかけずに約32億枚の画像で学習しているため、表現の自由度が高く、特にアニメ系の絵の完成度が高いと評価されています。

ファインチューニング前提の設計：Base版はLoRA学習の出発点として公開されており、リポジトリには学習・推論のユーザーガイドと、プロンプトを整形する「Prompt Enhancer」スキルが同梱されています。

処理の流れ

ComfyUIで動かすときの構成はシンプルで、読み込む新しい部品はDiT本体だけです。

テキストエンコーダー（Qwen3.5-9B）とVAE（FLUX.2 VAE）は既存のローダーがそのまま使えます。

導入前に確認！SFT版とBase版の違い

MOSS-Imageには「Base」と「SFT」の2種類のチェックポイントがあります。

アーキテクチャとパイプラインは共通で、違いは学習の最終段階です。

項目	MOSS-Image-Base	MOSS-Image-SFT
位置づけ	事前学習済みの基盤モデル	Baseをキュレーション済みデータで教師ありファインチューニングしたもの
推論パラメータの蒸留	なし（学習情報をそのまま保持）	あり
出力の傾向	表現の幅が広いが、設定がシビア	テキストのまとまりとレイアウトが整いやすい
向いている用途	LoRA学習・独自ファインチューニングの出発点	日常的な画像生成・レイアウト生成
推奨ユーザー	学習をしたい人	ほとんどのユーザー

結論：通常の画像生成ならSFT版、LoRAを学習したいならBase版です。

公式リポジトリの比較画像では、同じプロンプトに対してSFT版のほうがホワイトボード上の文字がきれいにグループ化され、レイアウトが整理されていることが示されています。迷ったらSFT版を入れておけば問題ありません。

Base版は推論パラメータが蒸留されていないため、後述の推奨設定（50ステップ以上・CFG 3・SLG層22）を外すと画像が崩れやすくなります。

あわせて読みたい

MiniMax H3の応用スキルまとめ｜R2V・動画編集・音声クローンの実践手順を解説！ MiniMax H3の応用スキルを実践解説。R2V参照生成、動画編集、音声クローン、広告/EC活用に加え、公式のClaude Code向けプロンプト作成スキルの使い方までをまとめました…

ComfyUIでのMOSS-Imageの導入手順

ここでは、ComfyUIのコアノードを使ってMOSS-Imageを動かす手順を紹介します。

ComfyUIの導入方法はこちらの記事で詳しく解説しています。

あわせて読みたい

ComfyUIのインストールから使い方まで徹底解説！ ComfyUIは、ノードベースのワークフローを自由に組むことができる生成AIツールです。プロセスの可視化や操作が直感的に行える点が大きな特徴で、カスタマイズ性にも優…

ファイルサイズとVRAMの目安

ComfyUI向けに再パッケージされた重みには、精度違いのファイルが複数用意されています。

種類	ファイル	サイズ
DiT本体（SFT）	moss_image_sft_bf16.safetensors	10.2GB
DiT本体（SFT・軽量）	moss_image_sft_int8_convrot.safetensors	5.41GB
DiT本体（Base）	moss_image_base_bf16.safetensors	10.2GB
DiT本体（Base・軽量）	moss_image_base_int8_convrot.safetensors	5.41GB
テキストエンコーダー（フル精度）	qwen3.5_9b_bf16.safetensors	19.3GB
テキストエンコーダー	qwen3.5_9b_int8_convrot.safetensors	9.75GB
テキストエンコーダー（軽量）	qwen3.5_9b_w4a8_gptq.safetensors	7.34GB
VAE	flux2-vae.safetensors	336MB

STEP

ComfyUIを最新版に更新

Moss-Imageは、多くのGPUパワーが必要になりますので、余裕をもって準備をしておきましょう。

導入前に「ComfyUI」を起動して最新版に更新しておきましょう。

更新が完了したらデータのインストールに進みます。

# ポータブル版・手動インストール版の場合
cd ComfyUI
git pull

# 依存パッケージも更新しておく
pip install -r requirements.txt --upgrade

STEP

モデルデータを入手する

次に、動画を生成するためのモデルデータを入手します。

OpenMOSS公式のリポジトリ（OpenMOSS-Team/MOSS-Image-SFT）はDiffusers形式で分割されているため、ComfyUIのコアノードで使う場合はComfy-Org版の単一ファイルを使います。

必要なのは次の3種類です。

DiT本体（diffusion_models）
テキストエンコーダー（text_encoders）
VAE（vae）

順番にダウンロードを進めます。

コマンドで一つにまとめたい方はこちらの内容を入力します。

# DiT本体
cd ComfyUI/models/diffusion_models
wget https://huggingface.co/Comfy-Org/MOSS-Image/resolve/main/diffusion_models/moss_image_sft_int8_convrot.safetensors

# テキストエンコーダー
cd ComfyUI/models/text_encoders
wget https://huggingface.co/Comfy-Org/MOSS-Image/resolve/main/text_encoders/qwen3.5_9b_w4a8_gptq.safetensors

# VAE
cd ComfyUI/models/vae
wget https://huggingface.co/Comfy-Org/MOSS-Image/resolve/main/vae/flux2-vae.safetensors

STEP

「ComfyUI」を起動してワークフローを開く

今回は公式で配布されている総合ワークフローを使用します。

ワークフローデータは、公式に公開されている公式ワークフローをダウンロードして使用します。

または、ComfyUIの左タブにある「テンプレート」からMoss-Imageを検索して表示することも可能です。

STEP

プロンプトを入力して画像生成を開始！

ダウンロードしたワークフローデータをComfyUIの画面にドラッグ＆ドロップで読み込みます。

ノードが正常に反映されているか確認します。

Moss-Imageのtext2imageでは、シンプルなプロンプトで質の高い動画を作成できます。

プロンプトには、情景などを自然言語の形式で文章入力します。

Anime illustration, wide establishing shot. A young woman with silver shoulder-length hair and a navy school blazer sits on the railing of a seaside station platform at golden hour, holding a straw hat against the wind. The ocean and a distant lighthouse fill the background on the left; a departing train blurs on the right. Warm backlight, soft rim lighting on her hair, pastel sky with scattered clouds, clean lineart, detailed background, 16:9.

その後「▷Queue」ボタンをクリックして生成を開始します。

Moss-Image（ComfyUI）で生成した画像

アニメ①

ポスター②

実写③

生成のコツ

OpenMOSS推奨は50ステップ・CFG 3、解像度は1〜2MPで縦横とも16の倍数が基本です。

短い案から広げたい場合はプロンプトアップサンプリングを有効にすると、短いアイデアが生成前に詳細なシーン記述へ拡張されます。

あわせて読みたい

【Qwen Image Edit 2511】完全ガイド！ComfyUIでの使い方と実践まで徹底解説！ Qwen Image Edit 2511は、Alibaba（アリババ）が作った「Qwen-Image」シリーズの最新バージョンです。 Qwen-Image-Edit-2509をベースに改良された画像編集特化モデルで…

MOSS-Imageのよくあるエラーと対処法

「MOSS-Image Layout Prompt」ノードが見つからない: ComfyUIが古いバージョンです。コアサポートは2026年10月16日にマージされたため、それ以前のリリースには含まれていません。git pullで最新版に更新するか、Desktop版は安定版の更新を待ってください。
CUDA out of memory（VRAM不足）: まずDiTをbf16からint8（moss_image_sft_int8_convrot）に、テキストエンコーダーをw4a8 GPTQ版に切り替えます。それでも足りない場合は、解像度を1MP（1024×1024）以下に下げてください。起動オプションに--lowvramを付けると、テキストエンコーダーがCPUに退避されてピーク使用量が下がります。

生成画像が崩れる・細部がつぶれる: Skip Layer Guidance DiT Simpleノードがつながっているか、single_layersが22になっているかを確認してください。特にBase版はSLGなしでは崩れやすくなります。ステップ数が25以下の場合は50に上げてみてください。
解像度を指定するとエラーになる: 幅・高さが16の倍数になっていない可能性があります。1920×1080なら1920×1088に、1366×768なら1360×768のように調整してください。1280×720や1024×1024はそのまま使えます。

文字が指定と違う内容になる: 文字列をダブルクォートで囲んでいるか、改行位置を\nで明示しているかを確認してください。長い文章は、改行なしだとモデルが勝手に折り返すため、意図しない位置で切れることがあります。
モデルを読み込めない（Load Diffusion Modelにファイルが出ない）: ファイルの配置先がmodels/diffusion_models/になっているか確認してください。models/checkpoints/に置いても認識されません。配置後は「R」キーでリストを更新します。

あわせて読みたい

Stable Diffusion WebUI Forge Neoとは？インストール手順・使い方をForge Classicとの違いも交えて解説！ Stable Diffusion WebUI Forgeの開発が一段落した後を引き継ぐ形で登場した「Forge Neo」。 Flux・Qwen-Imageなど最新モデルに対応しつつ、軽量・高速な動作を実現した…