「Kromoss」1024px画像生成モデル:必要VRAM 32GB〜・配布ファイル一覧

「Kromoss」1024px画像生成モデル:必要VRAM 32GB〜・配布ファイル一覧

作例は配布元のモデルカードで公開されています。

基本情報

項目 内容
リポジトリ lodestones/Kromoss
まとめページ MOSS-Image のまとめ(記事2本)
公開日 2026-10-19
ライセンス apache-2.0
配布形式 safetensors
出典の種類 未確認(一次情報で裏付けできていない)(個人ユーザーのHFリポジトリのみで公式一次情報なし)

情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。

概要

テキストから高品質な画像を生成するオープンウェイトモデル「lodestones/Kromoss」がHugging Face上で公開されたと報告されています。ただし、本情報は個人開発者による公開リポジトリに基づくものであり、公式な検証や発表が完了していない未確認の情報である点にご注意ください。

Kromossは、OpenMOSS-Teamが公開しているベースモデル「MOSS-Image-Base」に対して、1024×1024ピクセルの解像度でフルファインチューニングを施したモデルとされています。テキストプロンプトを入力として画像を出力するText-to-Image(text-to-image)モデルであり、先行する派生版「MOSS-Image-SFT」と同様のアーキテクチャ、推論パイプライン、テキストエンコーダ(Qwen3.5-9B)、およびVAE(FLUX.2 small decoder)を採用しています。リポジトリの構成も互換性を保つように設計されており、既存の環境に対してドロップインで置き換えて利用できると説明されています。今回のファインチューニングは、ベースモデルにおいて課題とされていた画像のぼやけ(blurriness)を解消することを主眼に置いたものと報告されています。さらに、データ空間でのDMD(Distribution Matching Distillation)蒸留によって作成された、8ステップでの高速生成を可能にするLoRA「8-steps-dmd-lora.safetensors」も同時に提供されています。

スペック

公開されているモデルカードおよびリポジトリの情報に基づくスペックは以下の通りです。

  • アーキテクチャ: Transformerベースの拡散モデル。テキストエンコーダにQwen3.5-9B、VAEデコーダにFLUX.2 small decoderを採用しています。内部データ型として、Transformerとテキストエンコーダはbfloat16、VAEおよび初期ノイズ生成にはfloat32が使用されます。
  • 出力の仕様: 1024×1024ピクセルでの生成を基本としており、Python APIからの呼び出しでは16の正の倍数となる解像度指定に対応しています。
  • 推奨サンプリング設定(フルモデル単体): サンプラーはFlow-matching Euler、ステップ数は50ステップ、CFG(guidance scale)は3.0、Shiftパラメータは5です。レイヤースキッピング設定として、ネガティブブランチ側でインデックス22のレイヤーをスキップする設定が指定されています。
  • 推奨サンプリング設定(8ステップLoRA適用時): サンプラーはFlow-matching Euler(ComfyUIではKSamplerのeuler / simple設定)、ステップ数は8ステップ、CFGは1.0、Shiftパラメータは5です。ネガティブブランチを使用しないため、レイヤースキッピングは不要(none)とされています。
  • 高速化LoRA(8-steps-dmd-lora.safetensors)の仕様: fp32精度、rank 128、alpha 128で構成され、各ブロックの線形層(proj.q、k、v、o、ffn_up_gate、ffn_down)を対象としています。重みの差分がbfloat16の丸め幅に近いため、ベースモデルの重みに直接マージせず、未マージのまま適用することが推奨されています。
  • 学習仕様: 896×896ピクセル未満の画像を除外した44万8000枚(448k)の学習画像を使用し、更新ステップあたり64枚のスケールで1024ピクセル環境にて全Transformerパラメータを学習しています。最適化手法にはMuon-AdamWハイブリッド(学習率9e-6、ウォームアップ200ステップ)を採用し、切り捨て型ロジット正規分布(truncated logit-normal)のタイムステップ、最終ブロックのq/k正規化減衰、EMA(指数移動平均)係数0.999を適用しています。公開されている重みは、7000更新ステップ時点のEMA重みとされています。
  • ライセンス: リポジトリのメタデータ上はApache-2.0ライセンスと指定されています。

性能・品質

公開元がモデルカード上で提示しているベンチマーク結果は以下の通りです。PartiPrompts(100プロンプト)を対象にCLIP ViT-L/14スコアを計測した比較表が公開されています(Kromossに関する数値は更新ステップ2000時点の測定値とされています)。

Model CLIP
MOSS-Image-Base, 50 steps, CFG 3 27.19
MOSS-Image-Base + LoRA, 8 steps, CFG 1 27.53
Kromoss, 50 steps, CFG 3 26.88
Kromoss + LoRA, 8 steps, CFG 1 27.82

公表された測定結果によると、8ステップの高速化LoRAと組み合わせた構成(Kromoss + LoRA, 8 steps, CFG 1)においてスコア27.82を達成しており、ベースモデル単体やベースモデルに同LoRAを適用したスコアを上回る最も優れた数値を示しています。その一方で、LoRAを適用しない単体運用(50 steps, CFG 3)におけるKromossのスコアは26.88にとどまり、元モデルであるMOSS-Image-Baseの単体スコア(27.19)には及ばない結果となっています。

得意なこと・想定用途

本モデルは、ベースモデルであるMOSS-Image-Baseが持つテキストからの画像生成能力を引き継ぎつつ、画像の鮮明さを向上させることを狙って開発されたとされています。元モデルの性能や機能として、自然言語によるプロンプト入力はもちろんのこと、タグの羅列やJSON形式で記述された空間レイアウトプロンプトを用いた画像生成に対応しています。JSONレイアウト機能では、バウンディングボックス(bbox_format: “yxyx"、bbox_coord_space: “abs_centralized")を指定することで、描画するテキストの配置や被写体の位置関係を細かく構造化して制御できるとされています。

Kromoss固有の想定用途としては、MOSS-Image-Baseにおいて指摘されていた画像のぼやけを低減させた1024×1024ピクセル解像度の画像生成が挙げられます。公式の派生版であるMOSS-Image-SFTと同一のファイル構造および推論構成を備えているため、既存のSFT向けワークフローの置き換え用途として利用できます。

また、同梱されている蒸留LoRA「8-steps-dmd-lora.safetensors」を活用することで、わずか8ステップ・CFG 1という極めて軽量な推論ステップ数で画像を生成できるよう設計されています。これにより、品質を維持しながら生成時間を短縮させたい場面や、構図を素早く検証するプロトタイピング用途などに向いていると報告されています。

動作環境

動作環境の目安(Local Model Watch 算出) — パラメータ数 5.1B(元モデル OpenMOSS-Team/MOSS-Image-Base の値)

手持ちのVRAM 選べる量子化 ファイルサイズ 必要メモリの目安
RTX 5090 など 32GB BF16 25.3GB 30.4GB

必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 この配布は LoRA 等のアダプタで、表は元モデル OpenMOSS-Team/MOSS-Image-Base を動かす要件です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。

手元で動かせるか

公開元の配布形式は safetensors です。

ライセンス apache-2.0(商用利用可): 商用利用を含めて自由に利用・改変・再配布できます。再配布時にライセンス文と変更点の告知が必要で、特許の許諾条項があります。

配布形式とライセンス表記から当サイトのコードが組み立てた判定です。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。

同クラスの既報モデル

当サイトが最近取り上げた、パラメータ数 4〜15B のモデルを、比較のために記事ログからコードが並べたものです。VRAM階層は当サイトの概算、ライセンスはモデルカードの記載です。

→ 横にスクロールできます

モデル パラメータ数 最小のVRAM階層 ライセンス 記事
Qwen/Qwen-Image-2.1-Turbo 7.1B 48GB qwen-research 「Qwen-Image-2.1-Turbo」8ステップで高速生成する画像生成モデル:必要VRAM 48GB〜(2026-11-17)
briaai/Fibo-2.0-dev 8.1B 32GB bria-fibo 「Fibo-2.0-dev」長文構造化キャプション対応の画像生成モデル:必要VRAM 32GB〜・配布ファイル一覧(2026-11-17)
Viggle/Qwen-Image-2.1-viggle-turbo 7.1B 48GB qwen-research 「Qwen-Image-2.1-viggle-turbo」4ステップの高速画像生成・編集モデル:必要VRAM 48GB〜(2026-09-23)

配布ファイル

lodestones/Kromoss で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。

ファイル サイズ
8-steps-dmd-lora.safetensors 1.19GB
diffusion_models/kromoss_bf16.safetensors 10.16GB
diffusion_models/kromoss_int8_convrot.safetensors 5.41GB
text_encoder/model-*-of-00004.safetensors 16.79GB(4分割)
text_encoders/qwen3.5_9b_bf16.safetensors 19.31GB
transformer/diffusion_pytorch_model-*-of-00003.safetensors 10.16GB(3分割)
vae/diffusion_pytorch_model.safetensors 250MB
vae/flux2-vae_small.safetensors 250MB

入手方法

lodestones/Kromossのモデル重みおよび関連ファイルは、Hugging Faceのリポジトリから入手できます。本リポジトリはゲート付き(Gated)モデルではないため、事前の利用申請や同意手続きを行わずにダウンロード可能です。配布形式は主にsafetensors形式で提供されており、DiffusersパイプラインおよびComfyUI環境から利用できます。

Diffusersでの利用

Diffusersを利用して推論を行う場合、以下のパッケージを事前にインストールすることが推奨されています。

pip install "diffusers>=0.38" "transformers>=5.3" "accelerate>=1.10" "safetensors>=0.6" "Pillow>=10"

Pythonコードからの基本的な呼び出し手順は以下の通りです。パイプラインにはカスタムパイプラインとして pipeline_moss_image を指定し、Transformerとテキストエンコーダをbfloat16、VAEをfloat32で読み込みます。

import torch
from diffusers import DiffusionPipeline

pipe = DiffusionPipeline.from_pretrained(
    "lodestones/Kromoss",
    custom_pipeline="pipeline_moss_image",
    trust_remote_code=True,
    torch_dtype={"default": torch.bfloat16, "vae": torch.float32},
)
pipe.scheduler = type(pipe.scheduler).from_config(pipe.scheduler.config)
pipe.to("cuda")

image = pipe(
    "a tabby cat holding a sign that says KROMOSS",
    height=1024,
    width=1024,
    num_inference_steps=50,
    guidance_scale=3.0,
    uncond_skip_layers=[22],
    generator=torch.Generator("cpu").manual_seed(42),
).images[0]
image.save("kromoss.png")

8ステップLoRAを使用する場合は、ベースの重みに直接マージせず、フォワードフックを介して適用することが指示されています。以下はリポジトリで提示されている適用コードの例です。

from safetensors.torch import load_file

def apply_lora(transformer, path, strength=1.0):
    state = load_file(path, device="cuda")
    modules = dict(transformer.named_modules())
    for key in [k for k in state if k.endswith(".lora_down.weight")]:
        name = key[len("diffusion_model."):-len(".lora_down.weight")]
        down, up = state[key].float(), state[key.replace("lora_down", "lora_up")].float()
        scale = strength * state[f"diffusion_model.{name}.alpha"].item() / down.shape[0]
        def hook(module, args, out, down=down, up=up, scale=scale):
            return out + (scale * (args[0].float() @ down.T) @ up.T).to(out.dtype)
        modules[name].register_forward_hook(hook)

apply_lora(pipe.transformer, "8-steps-dmd-lora.safetensors")
image = pipe(
    prompt,
    height=1024,
    width=1024,
    num_inference_steps=8,
    guidance_scale=1.0,
    generator=torch.Generator("cpu").manual_seed(42),
).images[0]

ComfyUIでの利用

現在のComfyUIマスターブランチでは、MOSS-Imageのネイティブサポートが組み込まれています。単一ファイル形式の重みは、Comfy-Orgの配布形式と同様に結合された proj.qkv を持つbf16形式を採用しています。各コンポーネントを以下のディレクトリに配置してロードします。

  • kromoss_bf16.safetensors(または量子化版の kromoss_int8_convrot.safetensors): models/diffusion_models/ に配置し、Load Diffusion Modelノードで読み込みます。
  • qwen3.5_9b_bf16.safetensors: models/text_encoders/ に配置し、Load CLIPノードでタイプを moss_image に設定して読み込みます。
  • flux2-vae_small.safetensors: models/vae/ に配置し、Load VAEノードで読み込みます。
  • 8-steps-dmd-lora.safetensors: models/loras/ に配置し、LoraLoaderModelOnlyノードで強度(strength)を1として接続します。

LoRAを併用する際は、KSamplerの設定をサンプラー euler、スケジューラ simple、ステップ数8、CFG 1に設定します。また、リポジトリ内には独自のTransformerフォルダを単一ファイル形式に変換する convert_to_comfy.py や、W8A8量子化形式へ変換する quantize_convrot.py も用意されています。

関連記事

次に読むなら

出典

この記事は未確認情報を含みます。 公式の一次情報で裏が取れ次第、更新履歴を追記して反映します。