MOSS-Image 5B DiT 的 5GB 与 9GB 之辨:ComfyUI 各文件用途全解析

katefix9 · reddit · 2026-10-22

Reddit 上 katefix9 针对 MOSS-Image(5B DiT)的 ComfyUI repack 写了一份详尽文件说明,解决社区反复出现的「下 5GB 还是 9GB」困惑:

同一个 checkpoint,两种精度:9GB(10.16 GB)是 bf16,5GB(5.41 GB)是 int8 ConvRot 量化;Base 与 SFT 各有这两版
文本编码器才是大头:必须配 Qwen3.5-9B 编码器,bf16 版 19.31 GB,另有 int8(9.75 GB)与 w4a8 GPTQ(7.34 GB);ComfyUI 内置模板默认加载 w4a8
VAE 复用 flux2-vae:官方 checkpoint 附带 small 解码器(0.25 GB),完整版 0.34 GB
Base vs SFT:SFT 是在精选数据上微调的版本;Base 无后训练、无 CFG 蒸馏,更适合训 LoRA
采样参数:模板默认 25 步/CFG 2.5/ersde,比 README 推荐(50 步/CFG 3/shift 5、负分支跳过第 22 层)更轻
原生支持:新版 ComfyUI 原生加载,无需插件;shift 设置从 ModelSamplingSD3 换成 ModelSamplingAuraFlow
社区量化:已有 GGUF(Q2K 2.21 GB 至 Q80 5.71 GB)、Mac 可用的 MLX 4-bit DiT(2.86 GB)、8 步 DMD LoRA 与 4 步 LoRA v2(原生 Euler、CFG 1)

作者还留了个开放问题:w4a8 与 bf16 编码器在长 prompt(逼近 4K token 上限的密集文本/JSON 排版)下尚无正面对比。

「多模态」频道最新