MOSS-Image-SFT：5.1 亿参数的 text-to-image 模型已在 HuggingFace 发布

2026年10月11日，OpenMOSS-Team 团队在 HuggingFace 上发布了用于根据文本描述生成图像的模型 MOSS-Image-SFT。这是 MOSS-Image 系列中经过监督微调的版本，支持自然语言请求、标签序列以及用于控制文本和对象位置的 JSON 标记。

这意味着什么

该模型包含 51 亿参数，模型权重以 safetensors 格式发布。最大的文件占用 4.6 GB，整个仓库为 25.3 GB。许可证为 apache-2.0，通过 diffusers 运行。作者推荐 Python 3.10 或更高版本、支持 CUDA 的 NVIDIA GPU 以及 PyTorch 2.9 或更高版本。Transformer 和文本编码器以 bfloat16 运行，VAE 和初始噪声以 float32 运行。ComfyUI 可通过 ComfyUI Manager 使用原生插件。 开发者未说明显存要求，仓库中也没有量化版本。对于关注本地生成工具的人来说，一个具有开放权重并支持 diffusers 的模型出现，值得检查它是否适配当前的硬件。关于这一主题的最新消息，我们收集在 CPU3D 动态中。