За 22-31 октября 2026 года независимые авторы опубликовали около десятка инструментов вокруг открытой модели MOSS-Image-SFT (5B DiT, текстовый энкодер Qwen3.5-9B, VAE Flux2): LoRA для инструкционного редактирования MOSS-Image-Edit-HQ, двухстадийный пайплайн MOSS-PiD-SuperFast-HighRes с рендером до 2816x1536, 4-битную сборку moss4gb для видеокарт с 4 GB памяти, прозрачную LoRA с альфа-каналом и набор ComfyUI-нод. Все перечисленные ссылки проверены (HTTP 200), а веса и воркфлоу доступны для скачивания прямо сейчас.

image
image
image

Что произошло

С 22 по 31 октября 2026 года в открытом доступе на Hugging Face появилась серия артефактов вокруг MOSS-Image-SFT. Инструкционный edit-LoRA akhaliq/MOSS-Image-Edit-HQ на рекомендуемом чекпоинте armV5 работает с 50 шагами и CFG 3 и требует порядка 20+ GB VRAM. Пайплайн lvladikov/MOSS-PiD-SuperFast-HighRes устроен в две стадии: черновик генерируется в 704x384 за 4 шага, после чего пиксельный декодер NVIDIA PiD доводит кадр до 2816x1536 ещё за 4 шага, без VAE-декода. Сборка AEUPH/moss4gb квантует DiT в NF4 4-bit примерно до 2,6 GB и заменяет текстовый энкодер кэшем эмбеддингов, что позволяет запускать модель на видеокарте с 4 GB памяти на разрешении 256x256. Также вышли прозрачная LoRA genai-craft/transparent-lora-for-moss-image с прямым альфа-каналом и генерацией до 1,2 Mpx, вариант SFT_clear с меньшим шумом и более сочными цветами, LoRA пиксель-арта 8x8 с триггером pxl8x, слайдер против «кукольных» лиц, PixText для автоматического исправления сломанных надписей под лицензией Apache 2.0 и несколько ComfyUI-нод для bbox-лейаутов и карточек персонажей.

Контекст

MOSS-Image-SFT — открытая диффузионная модель на архитектуре DiT с текстовым энкодером Qwen3.5-9B и VAE Flux2. Новая базовая версия за эту неделю не выходила: развитие экосистемы целиком уходит в слой LoRA-адаптеров и ComfyUI-пайплайнов, которые наращивают способности поверх одних и тех же весов без дообучения базовой модели. Паттерн повторяет траекторию предыдущих открытых диффузионных семейств, где конкуренция смещается от размера базовой модели к адаптерам, воркфлоу и инструментам. При этом артефакты выпускали независимые авторы, а не один вендор, поэтому опубликованные характеристики пока подтверждены их собственными описаниями.

Почему это важно для индустрии

Для индустрии главное в этой неделе — смещение конкуренции из слоя весов в слой LoRA и пайплайнов. Продуктовые команды могут собирать генеративные функции из готовых блоков, не дообучая базу: стоимость инференса и кастомизации снижается, порог входа для открытых image-моделей падает на порядок, а путь MVP смещается от обучения собственной модели к интеграции готовых весов, то есть недели вместо месяцев. Появление связки «черновой DiT плюс пиксельный декодер NVIDIA PiD» и 4-битных портов с кэшем эмбеддингов показывает, что ускорение и удешевление инференса теперь собираются из воспроизводимых приёмов, а не требуют новой базовой модели. Если темп сохранится, вероятна консолидация в сервисный слой: hosted-обёртки над готовыми пайплайнами, маркетплейсы LoRA и шаблонные графы как отдельные продукты с конкуренцией в UX поверх одинаковых весов.

Почему это важно для пользователей

Всё перечисленное работает в self-hosted сценарии через ComfyUI: это не облачный сервис, у него нет API и SLA, поэтому возможности упираются в вашу видеокарту. На машине с 4 GB памяти запускается квантованная сборка moss4gb, которая годится для малых разрешений вроде 256x256 и демо на слабых машинах. Конфигурации с 20+ GB VRAM открывают полный уровень качества, включая 50-шаговый инструкционный эдит Edit-HQ armV5. Пайплайн с декодером NVIDIA PiD рендерит кадры до 2816x1536 суммарно за 8 шагов, прозрачная LoRA даёт изображение с альфа-каналом до 1,2 Mpx, а PixText встраивается в пайплайн для ремонта сломанных надписей. На этих блоках за выходные реально собрать MVP вида «инструкционный эдит плюс прозрачный фон плюс ремонт текста».

Что пока неизвестно / ограничения

Открытым остаётся ряд вопросов. В источниках нет замеров латентности и данных о железе, на котором PiD выдавал кадры до 2816x1536 за 4 шага, поэтому заявления о «генерации в реальном времени» являются экстраполяцией за пределы опубликованных фактов; величина trade-off между качеством и скоростью против полного пайплайна с VAE-декодом тоже не приведена. Клейм «Edit-HQ бьет chinoll по качеству» — неформальная community-оценка: нет опубликованной методологии сравнения, абляций и протокола суждений. Для moss4gb не измерена деградация качества NF4-квантования относительно полной точности, а кэш эмбеддингов фиксирует набор промптов и снижает гибкость. Наконец, версии обновляются быстро: Edit-HQ уже на v7, у каждой версии свои воркфлоу, поэтому собранный сегодня граф может потребовать перенастройки при обновлении весов.

Источники

Автор

Look at AI, редакция