57 位画师仅 3685 张图微调,MOSS-Image 5B 被开源社区验证为微调友好的潜力股
Turbulent-Bass-649 · reddit · 2026-10-23
Reddit 用户发布 MossAD-Demo,即对 OpenMOSS 的 MOSS-Image Base 5B 文生图模型做 Danbooru/E621 概念验证级全量微调,数据集仅 3685 张图、57 位画师风格。作者认为 MOSS-Image 已全面超越此前练的 MageFlow 4B 等中型架构。
为什么被看好
- 预训练用了 32 亿张图,5B 模型却有接近当年 SDXL 的知识广度
- 配 Flux2VAE 与 9B 文本编码器
- 原生支持 bounding box 布局提示,效果号称超过 Ideogram 4,作者称不看官方 USERGUIDE 等于浪费一半潜力
- 16GB 显存可较流畅运行,12GB 可用 int8 convrot 塞下
训练结果(单张 AMD MI300X 约 39 小时)
- 画师风格还原约 90%,且能迁移到画师从未画过的题材(furry 风画动漫少女、反之亦然)
- 每画师约 4.5k views 达 70-75% 风格准确率,7k views 达 85-90%;4k views 时风格只在画师自身领域生效
- 大部分训练可在便宜的 512px 进行,768/1024px 短阶段练手部与细节;升分辨率时学习率需减半(4e-5→2e-5→1e-5),否则 5 个 epoch 内即不稳定
- 目前未发现重大架构缺陷,主要问题是偶发不稳定、角色 LoRA 训练有难度
「多模态」频道最新
- 网友用 Glimpse API 搭 Figma 设计比对工具，5 处缺陷全抓中 — AndrewDai · 2026-10-24
- Hi3D v1.0 发布：一张图生成百万面片高精度 3D 网格 — linoy_tsaban · 2026-10-23
- 新研究:面部动作可改变同一句话传达的自信度 — Limor_Raviv · 2026-10-23
- 腾讯开源 WeVisOne-VL:一个模型统一检测分割抠图 OCR — _akhaliq · 2026-10-23
- 腾讯发布 Hy-Nomas-Bench:280 例测视频世界模型可控性 — _akhaliq · 2026-10-23
- 快手可灵 4.0 上线 Runware API：30 秒 1080p 原生音频视频 — aziz4ai · 2026-10-23