MOSS-Image-SFT: text-to-image модель на 5,1 млрд параметров вышла на HuggingFace

11 октября 2026 года команда OpenMOSS-Team опубликовала на HuggingFace модель MOSS-Image-SFT для генерации изображений по текстовому описанию. Это supervised fine-tuned версия из семейства MOSS-Image, которая поддерживает запросы на естественном языке, последовательности тегов и JSON-разметку для управления расположением текста и объектов.

Что это значит

Модель содержит 5,1 млрд параметров, веса выложены в формате safetensors. Самый большой файл занимает 4,6 ГБ, весь репозиторий — 25,3 ГБ. Лицензия — apache-2.0, запуск через diffusers. Автор рекомендует Python 3.10 или новее, NVIDIA GPU с поддержкой CUDA и PyTorch 2.9 или более поздней версии. Transformer и текстовый энкодер работают в bfloat16, VAE и начальный шум — в float32. Для ComfyUI доступен нативный плагин через ComfyUI Manager. Требования к видеопамяти разработчик не уточняет, квантованных сборок в репозитории нет. Для тех, кто следит за локальными инструментами генерации, появление модели с открытыми весами и поддержкой diffusers — повод проверить, вписывается ли она в текущее железо. Свежие новости по этой теме собираем в ленте CPU3D.