MOSS-Image : le ripack ComfyUI d'OpenMOSS-Team, workflows et exigences réelles

MOSS-Image est un modèle open source de génération d'images de 5 milliards de paramètres, et la nouvelle n'est pas le modèle : c'est que le jour même de sa sortie (16 octobre 2026), il était déjà dans ComfyUI, avec les fichiers découpés dans le bon format et quatre workflows prêts à charger. C'est la différence entre acheter une voiture d'occasion à remettre en état et en recevoir une qui démarre dès la livraison : ici les poids, l'encodeur et les fichiers de configuration sont là où ComfyUI les attend, et la seule vraie décision, c'est la place dont dispose votre GPU.

Ce qu'est MOSS-Image

MOSS-Image est un DiT (Diffusion Transformer) de 5B de paramètres publié par OpenMOSS-Team sous licence Apache 2.0, poids et code inclus. L'architecture complète qui tourne sur votre matériel est formée de trois pièces :

• Le DiT base de 5B — le générateur lui-même, dans les checkpoints MOSS-Image-Base (le point de départ, celui sur lequel faire un fine-tune) et MOSS-Image-SFT (raffiné sur des données curées : textes mieux regroupés et layout plus net).
• L'encodeur de texte Qwen3.5 de 9B — lit le prompt, jusqu'à 4 000 tokens, et transmet la représentation au DiT.
• La VAE de FLUX.2 — compresse et décompresse l'image ; dans le ripack figurent la version complète et une version « small ».

Trois caractéristiques le distinguent des modèles d'images que vous connaissez déjà. Le contrôle du layout : dans le prompt, vous pouvez inclure une structure JSON avec des bounding box et indiquer au modèle où placer chaque élément. Le rendu de texte : les textes dans l'image sont l'un des points forts déclarés. Et les styles : anime et photoréaliste, tous deux couverts, sans LoRA de tiers. Les réglages par défaut sont ceux du dépôt officiel : sampler Euler de flow matching, 50 steps, CFG 3, shift 5.

Le ripack ComfyUI : l'installation

Le jour de la sortie, Comfy-Org a intégré MOSS-Image en natif (PR #17095, 16 octobre 2026) — pas de plugin, pas de workflow de tiers. Le ripack officiel sur Hugging Face contient exactement les fichiers nécessaires, triés par dossier :

• diffusion_models/ — le DiT en bf16 (Base et SFT) et en int8_convrot
• text_encoders/ — Qwen3.5 9B en bf16, int8 et w4a8_gptq
• loras/ — color_depth_control et edit_rank_64_bf16
• vae/ — flux2-vae et flux2-vae_small

Chaque fichier se place dans le dossier qui lui correspond dans votre installation ComfyUI : c'est tout, rien d'autre à télécharger. Le ripack inclut quatre workflows prêts (text-to-image, text-to-image depuis Base, et deux layout-guided), et le mois dernier il a comptabilisé 3,7 millions de téléchargements — le signal le plus honnête que le flux fonctionne.

La configuration Python, si vous travaillez depuis le dépôt plutôt que depuis ComfyUI, exige Python 3.10+, PyTorch 2.9+, diffusers ≥ 0.38 et transformers ≥ 5.3, comme indiqué dans la model card de MOSS-Image-Base.

VRAM réelle : le tableau qui compte

Les 28 GB de poids en bf16 ne sont pas un nombre à prendre au pied de la lettre : c'est la somme de deux composants très différents. Le calcul :

Pièce	Paramètres	Poids en bf16
DiT	5B	5 × 2 octets = 10 GB
Encodeur Qwen3.5	9B	9 × 2 octets = 18 GB
Total poids	14B	28 GB

L'encodeur pèse 64 % du modèle. C'est la raison pour laquelle la version bf16 complète ne tient pas sur un GPU de 24GB : même en retirant tout le reste, l'encodeur seul occupe 18GB. La porte de sortie, ce sont les variantes quantisées déjà présentes dans le ripack.

Combinaison (fichiers du ripack)	Poids	VRAM réaliste*	Où ça tient
DiT bf16 + encodeur bf16	~28 GB	~31 GB	RTX 5090 32GB (juste), Mac Studio 512GB
DiT int8 + encodeur bf16	~23 GB	~26 GB	RTX 5090 32GB, Mac Studio 64GB
DiT w4a8 + encodeur w4a8	~8 GB	~11 GB	RTX 4070 Ti Super 16GB, RTX 3060 12GB (juste)

*Poids + ~3GB de runtime (activations, VAE, espace de travail du sampler) à 1024px avec 50 steps. Les poids sont calculés sur les paramètres effectifs (1 octet/paramètre en int8, ~0,56 en w4a8) ; le runtime est une estimation issue du comportement typique des DiT en inférence.

Deux conséquences pratiques. Si vous avez 24GB, la ligne du milieu est votre porte d'entrée sur un GPU 32GB et ne passe pas sur 24GB : avec 24GB, partez de la ligne w4a8 (~11GB), qui laisse de la marge pour la résolution et des steps en plus. Si vous êtes sur Mac avec mémoire unifiée, le modèle tient entier dans la RAM partagée, et la règle est la même : poids + marge.

Et les limites ?

• Les poids quantisés n'ont pas de benchmark officiel. Le tableau ci-dessus est le calcul en octets, pas une mesure de qualité : w4a8 sur l'encodeur est la quantification la plus agressive, et le texte rendu — le point fort déclaré du modèle — est justement ce qui souffre le plus de la compression. Vérifiez sur votre cas d'usage.
• Base vs SFT ne veut pas dire « base = moins bien ». SFT est raffiné sur des données curées et donne des layouts et des textes plus nets ; Base est le checkpoint sur lequel faire tourner vos LoRA. Si vous faites un ajustement personnalisé, partez de Base.
• La VAE est en float32 dans la distribution Base : elle est petite en absolu, mais elle ne se quantifie pas avec les deux autres poids.
• Les prompts longs ne signifient pas haute résolution. Les 4 000 tokens de prompt sont de la capacité de contexte, pas des pixels : les dimensions de sortie doivent quand même être des multiples de 16.

Voir aussi

• Modèles d'images en local : de SDXL à Qwen-Image — le panorama des générateurs qui tournent sur votre matériel
• ComfyUI 0.40 et comfy_attention — le moteur qui fait tourner ce workflow
• Quantification : tirer davantage du même matériel — comment lire les formats int8 et w4a8 du tableau ci-dessus

Sources

• OpenMOSS/MOSS-Image — dépôt GitHub
• Comfy-Org/MOSS-Image — ripack ComfyUI (Hugging Face)
• OpenMOSS-Team/MOSS-Image-Base — model card (Hugging Face)

En résumé

MOSS-Image apporte le format « DiT 5B + encodeur Qwen3.5 9B » sous licence Apache 2.0, et le ripack ComfyUI le rend installable en dix minutes : fichiers dans les bons dossiers, quatre workflows inclus. Le vrai coût, c'est la VRAM : 28GB de poids en bf16, avec un encodeur qui en pèse 18 à lui seul, et la porte de sortie sous 24GB, c'est la paire w4a8 qui descend à ~11GB réalistes. Si votre GPU a 16GB ou plus, vous avez un workflow d'images local qui gère le layout, le texte et les prompts longs — sans abonnement.

Article généré par IA