‏نصب MOSS-Image روی ComfyUI و چیزی که ازش انتظار داشته باشی

MOSS-Image یه مدل متن به تصویر open-weight (یعنی وزن‌هاش رو می‌شه دانلود کرد و بدون API اجرا کرد) با ۵ میلیارد پارامتره. برای فهمیدن پرامپت از یه text encoder از خانواده Qwen استفاده می‌کنه و یه VAE به سبک Flux داره. VAE همون بخشیه که تصویر رو از فضای فشرده مدل به پیکسل واقعی برمی‌گردونه. این مدل از طریق ComfyUI لوکال اجرا می‌شه.

فرقش با بقیه مدل‌ها یه حالت چیدمان بر پایه JSON هست. یعنی قبل از ساخت تصویر روی بوم چندتا bounding box می‌کشی و برای هر کدوم یه توضیح می‌نویسی، مثلاً «یه پاگودای پنج طبقه» بالا سمت چپ. هدف اینه که هم کیفیت عکس بالا باشه و هم کنترل داشته باشی کجای قاب چی بیاد.

نصبش طبق روال معمول ComfyUI هست و نصب‌کننده خاصی نمی‌خواد. فایل‌های وزن مدل، VAE و text encoder رو از کارت مدل تو Hugging Face دانلود می‌کنی و هر کدوم رو تو زیرپوشه مخصوص خودش داخل پوشه models می‌ذاری. نویسنده توصیه می‌کنه یه workflow آماده برای MOSS-Image لود کنی، چون مدل به تنظیم خاص نودها وابسته‌ست. یه نکته مهم هم داره: اگه نود مربوطه تو workflow روشن نباشه، خروجی تار می‌شه و قابلیت باکس‌ها هم کلاً از کار می‌افته.

تو تست نویسنده، مدل حدود ۲۸ گیگابایت VRAM مصرف کرده. پس کارت‌های ۸، ۱۲ یا حتی ۱۶ گیگی کافی نیستن و عملاً کارت ۲۴ گیگی به بالا یا ۳۲ گیگی حرفه‌ای لازمه. این مصرف به خاطر اینه که مدل اصلی، VAE و text encoder همه با هم تو حافظه لود می‌شن. نسخه quantized رسمی هم فعلاً نیست، یعنی برای سیستم‌های ضعیف‌تر باید منتظر نسخه‌های سبک‌تر جامعه موند یا GPU ابری اجاره کرد.

به گفته نویسنده، حالت چیدمان بیشتر یه راهنمای کلیه تا ابزار دقیق. تو تست‌ها گاهی باکس‌ها چپ و راست جابه‌جا شدن و تو یه صحنه چهار باکسی از محله چینی‌ها، تابلوی چینی هم جای اشتباه نشسته و هم حروفش غلط دراومده. متن فقط برای انگلیسی و چینی پشتیبانی می‌شه و حتی اونجا هم یکدست نیست. در عوض منظره، چهره و نور تو ده‌ها پرامپت مختلف، از دریاچه‌های سوئیس تا پرتره‌هایی تو پاپوآ گینه نو، بدون روتوش عالی دراومدن.

نکات کلیدی:

• MOSS-Image یه مدل ۵ میلیارد پارامتری open-weight با VAE به سبک Flux و text encoder از Qwen هست.
• اجرای لوکالش روی ComfyUI حدود ۲۸ گیگابایت VRAM مصرف می‌کنه و نسخه quantized رسمی نداره.
• فایل‌ها از Hugging Face دانلود می‌شن و هر کدوم تو زیرپوشه خودش زیر models قرار می‌گیره.
• خاموش بودن نود مربوطه تو workflow باعث خروجی تار و غیرفعال شدن باکس‌ها می‌شه.
• رندر متن فقط برای انگلیسی و چینیه و خط‌هایی مثل نستعلیق اردو خوانا درنمیان.
• باکس‌های چیدمان گاهی جابه‌جا یا برعکس می‌شن، پس برای طراحی دقیق تولیدی هنوز آماده نیست.