MOSS-Image工作流：Base/SFT对比与区域提示词

作者：AIwood爱屋研究室

导读
这篇教程整理作者演示的 MOSS-Image 文生图工作流、Base 与 SFT 版本切换、区域提示词，以及多组文字生成对比。重点是先把模型与参数对应好，再看文字准确性、人物质感和画面空间感，不把一张成功样图当作模型的普遍表现。

1. 更新 ComfyUI，再核对模型组件
作者在录制时介绍 ComfyUI 已增加相关支持，并演示先更新 ComfyUI，再下载配套模型。这里保留的是视频当时的使用方法，具体兼容版本仍应以你实际使用的工作流和模型说明为准。

画面中的流程包含主模型加载、CLIP 文本编码和 VAE 加载。主模型分别有 Base、SFT 版本，作者还介绍了 BF16 与 INT8 的选择。做版本对比时，他在同一条工作流中切换主模型，而不是同时更改多项设置。

文本编码器应使用该模型配套的版本。作者特别提醒，不要因为名称相近就直接拿另一个模型的提示词增强组件替代；VAE 则使用演示中的 Flux.2 VAE。本文不补写视频未完整展示的安装命令或模型存放路径。

2. 分清演示中的三组采样设置
视频涉及不同来源的参数，不能混成一套：

- 作者提到示例流程曾采用 25 步、CFG 2.5。他在自己的测试中观察到部分远景面部和画面细节存在问题。
- 作者口述其参考的团队推荐配置为 50 步、CFG 3.0，并称部分画面问题有所缓解。这是作者的测试说明，本文未独立复跑。
- 后面的 Base / SFT 对比样图使用 50 步、CFG 3.5，画面顶端也有相应标注。作者说明两个版本使用相同种子，约 2.0M 像素输出。

因此，复现对比时要同时记录版本、种子、步数、CFG 和尺寸，不能把 CFG 3.0 的口述推荐当作后续全部样图的实际配置。

工作流还展示了跳层引导：单层为 22，开始比例为 0.000、结束比例为 0.500。它们是这条演示流程中的具体值，迁移到其他版本时仍需核对对应说明。

3. 用区域提示词安排局部内容
约 03:15 起，作者演示边界框与 MOSS Image Layout Prompt 节点：按想要的区域划分填写对应提示词，再把生成的提示内容接入文本编码器。画面展示了框区域、提示词节点和连接关系，适合需要把不同内容放到指定区域的文生图尝试。

它是布局与区域提示词的演示，不等于完整的局部重绘或图生图教程；本文也不补写画面里没有展开的每个节点参数。

4. 如何看 Base、SFT 与 Qwen-Image 的对比
作者展示了产品包装、街边店铺、二次元场景、杂志封面、穿搭海报、直播画面和菜单等案例，并加入其称为 Qwen-Image 2.1 的对比结果。

可以沿着三个维度观察：

- 文字：不仅检查大标题，也放大查看小字、远景招牌、菜价和说明文字。作者认为不少案例中文字表现不错，但也当场指出了错字，并非每张图都完全正确。
- 人物与质感：作者主观感觉 Base 部分人物更接近日常照片；SFT 在一些样图中更锐利、对比更强，同时也可能显得更有 AI 感。菜单案例中，他又更偏好 SFT 的部分菜品外观。
- 空间与整体画面：作者认为部分 Qwen-Image 对比图的纵深感、空间感占优，也指出不同场景下各有优劣。

这些结论来自本次样图和作者观察，不能当作统一基准排名。实际使用时，建议先选与你任务相近的案例，保持条件可比，再决定使用哪个版本。

5. 留意作者在简介补充的更新
作者说明视频漏讲了一点：提示词最好结合项目提供的提示词增强 Skill。简介还追加了“8 步 LoRA、CFG 1”的测试更新，并称在其 5090D 环境下，约 4M 像素图片耗时 18 秒。

这段属于作者后续公开补充，与视频主体的 50 步对比不同；本文没有运行验证，也不将该速度推广到其他显卡、尺寸或工作流。

来源与资源
提示词增强说明：https://github.com/OpenMOSS/MOSS ... age-prompt-enhancer
作者模型、工作流及对比图：https://pan.quark.cn/s/8d02c4c477ff
ModelScope 模型文件：https://www.modelscope.cn/models/Comfy-Org/MOSS-Image/files
Hugging Face 模型页：https://huggingface.co/Comfy-Org/MOSS-Image

以上链接来自作者公开视频说明，本文未下载运行资源，也未独立确认包内内容、兼容性或许可。

本文依据完整可用的官方可见字幕、操作画面与作者公开说明整理；明显识别错误结合画面校正，未进行音频 ASR 转写。