「MOSS-Image-SFT-GGUF」5.1Bのテキスト画像生成モデル: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 | unsloth/MOSS-Image-SFT-GGUF |
| まとめページ | MOSS-Image のまとめ(記事2本) |
| 公開日 | 2026-10-22 |
| ライセンス | apache-2.0 |
| 配布形式 | GGUF |
| 論文 | arXiv:2610.23374 |
| 出典の種類 | 公開元の一次情報(公式リポジトリの一次情報) |
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
Unslothより、OpenMOSSが開発した5.1Bパラメータのテキスト画像生成モデル「MOSS-Image-SFT」のGGUF量子化版となる「unsloth/MOSS-Image-SFT-GGUF」が公開されました。
本モデルは、自然言語プロンプト(英語および中国語)やタグシーケンス、JSON形式のレイアウト指定を入力として受け取り、画像を生成するtext-to-imageモデルです。Unsloth独自の「Unsloth Dynamic 2.0」技術を採用しており、画像生成時に測定された感度スキャンと重要度行列に基づいて各レイヤーの精度を最適化した混合精度(Mixed Precision)のGGUFファイルが提供されています。
スペック
資料に記載されている主な仕様および推奨設定は以下の通りです。
- パラメータ数: 5.1B(論文中では5B)
- アーキテクチャ: Single-stream Diffusion Transformer(DiT)。テキストエンコーダーとしてQwen3.5-9B(
Qwen3.5-9B-Q8_0.gguf)、VAEにはFLUX.2 small decoderを採用しています。 - 出力の仕様: デフォルト解像度は1024×1024(Python API利用時の画像寸法は16の正の倍数に対応)
- サンプラー: Flow-matching Euler
- 推奨ステップ数: 50ステップ
- 推奨CFGスケール: 3.0(Shift値は5)
- レイヤースキッピング設定: デフォルトのガイダンスでは1ステップあたり2回のTransformerフォワード処理を実施し、ネガティブブランチのインデックス22(0始まり)をスキップします。
- ライセンス: Apache 2.0ライセンス(商用利用を含むオープンな利用が許諾されています)
- 配布構成上の注意点: 今回配布されているGGUFファイルにはTransformer部分のみが含まれています。VAEおよびトークナイザーは
unsloth/MOSS-Image-SFT-FP8から、テキストエンコーダーはunsloth/Qwen3.5-9B-GGUFから別途用意して組み合わせる構成となっています。
性能・品質
公開元によって提示されている、bf16版Transformerとの出力比較(同一プロンプト、シード、初期ノイズ、bf16テキスト埋め込み、1024×1024、50ステップ、CFG 3、一般プロンプト8件+追加プロンプト4件の計12件のプロンプトによる測定)の精度データは以下の通りです。LPIPSは数値が低いほど元モデルに近く、SSIMは1.0に近いほど類似度が高いことを示します。
→ 横にスクロールできます
| File | Size | Bits per weight | LPIPS vs bf16 (mean) | LPIPS vs bf16 (max) | SSIM vs bf16 |
|---|---|---|---|---|---|
MOSS-Image-SFT-UD-Q3_K_XL.gguf |
2.84 GB | 4.47 | 0.281 | 0.493 | 0.713 |
MOSS-Image-SFT-Q4_K_M.gguf |
3.20 GB | 5.04 | 0.294 | 0.466 | 0.714 |
MOSS-Image-SFT-UD-Q4_K_XL.gguf |
3.42 GB | 5.38 | 0.213 | 0.412 | 0.780 |
MOSS-Image-SFT-UD-Q5_K_XL.gguf |
3.95 GB | 6.22 | 0.121 | 0.358 | 0.862 |
MOSS-Image-SFT-UD-Q6_K_XL.gguf |
4.53 GB | 7.13 | 0.106 | 0.354 | 0.883 |
MOSS-Image-SFT-Q8_0.gguf |
5.48 GB | 8.63 | 0.054 | 0.202 | 0.939 |
MOSS-Image-SFT-BF16.gguf |
10.17 GB | 16.00 | 0.000 | 0.000 | 1.000 |
一般的な環境向けとして推奨されている MOSS-Image-SFT-UD-Q4_K_XL.gguf は、平均LPIPSが0.213となっており、標準的な Q4_K_M の0.294と比較して大きく改善されています。さらにbf16に近い品質を求める場合には、UD-Q5_K_XL(平均LPIPS 0.121)や UD-Q6_K_XL(平均LPIPS 0.106)、そして最も再現性の高い Q8_0(平均LPIPS 0.054、SSIM 0.939)が選択肢として挙げられています。また、stable-diffusion.cppを用いた4つの評価用プロンプトでの測定においても、Q8_0が0.109、UD-Q4_K_XLが0.188、UD-Q3_K_XLが0.336、Q4_K_Mが0.347となっており、動的量子化(UD)版が同等ビット数の標準量子化よりも優れた再現性を示しています。
モデルカードの説明によると、MOSS-Imageは微小な数値変化に非常に敏感であり、単一のレイヤーでbf16の丸めステップを1つ変更するだけでも平均0.041 LPIPSの差異が生じるとされています。そのため、この水準前後のスコア差は品質の劣化というよりも構図の微細な変化(composition shifts)に近い性質を持つと言及されています。
なお、元モデルである「MOSS-Image-SFT」自体のベンチマーク性能として、技術報告書(arXiv:2610.23374)では長文の英中テキスト描画を評価するベンチマーク「LongLongTextBench (LLTB)」において平均テキストカバー率96.3%を達成し、オープンウェイトモデルの中で最高水準(State-of-the-art)を記録したことが報告されています。また、レイアウトに富んだ画像生成をエンドツーエンドで評価する「RealLayoutArena (RLA)」においては、システム全体としての比較で2位、同一の強化プロンプトを用いたジェネレーター単体評価では1位を獲得したと公表されています。
得意なこと・想定用途
元モデルである「MOSS-Image-SFT」は、自然言語によるプロンプトだけでなく、タグシーケンスやJSON形式のレイアウト記述による緻密な構図制御を得意としています。特に、画像内に文字を描き込むテキストレンダリング能力に優れており、英語と中国語のバイリンガルで長文の文字描画を行える点が大きな特徴です。店舗の看板やホワイトボードの図解、冷蔵庫のドアに貼られた手書きの付箋メモなど、情報密度の高いグラフィックスやテキストを正確に配置したい場面で強みを発揮します。
また、元モデルは事前学習版である「MOSS-Image-Base」に対して教師ありファインチューニング(SFT)を施した派生モデルです。公開元の比較例によると、Baseモデルと比べてテキストの視覚的なグループ化が明瞭になり、ホワイトボードなどのレイアウトが一段と整理された構成で出力されるよう調整されています。加えて、バウンディングボックス形式(yxyx、abs_centralized 座標系)のJSONレイアウトプロンプトを受け付けるため、オブジェクトの配置位置や描画テキストを構造的にコントロールする編集用途や、レイアウト作成ツールと連携させたコンテンツ制作にも適しています。
今回公開されたGGUF量子化版の「unsloth/MOSS-Image-SFT-GGUF」は、こうした元モデルの高い表現力とテキスト描画能力を保ちながら、推論に必要なハードウェアのハードルを下げることを狙ったモデルです。Unsloth Dynamic 2.0によるレイヤーごとの重要度に基づいた混合精度量子化が施されているため、品質の低下を最小限に抑えつつ、GPUだけでなくCPUやMac環境などでも柔軟にMOSS-Imageを実行したい用途に向いています。
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-SFT 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。 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 GGUF 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
unsloth/MOSS-Image-SFT-GGUF 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 |
|---|---|
MOSS-Image-SFT-BF16.gguf |
10.17GB |
MOSS-Image-SFT-Q4_K_M.gguf |
3.20GB |
MOSS-Image-SFT-Q8_0.gguf |
5.48GB |
MOSS-Image-SFT-UD-Q3_K_XL.gguf |
2.84GB |
MOSS-Image-SFT-UD-Q4_K_XL.gguf |
3.42GB |
MOSS-Image-SFT-UD-Q5_K_XL.gguf |
3.95GB |
MOSS-Image-SFT-UD-Q6_K_XL.gguf |
4.53GB |
入手方法
「unsloth/MOSS-Image-SFT-GGUF」の重みファイルは、Hugging Faceのリポジトリ(unsloth/MOSS-Image-SFT-GGUF)から入手できます。本モデルはゲート付き(Gated)モデルではないため、Hugging Face上での事前のライセンス同意やアクセス申請を行わずにどなたでも直接ダウンロードできます。
配布形式はGGUF形式です。ただし、前述の通り本リポジトリで提供されているGGUFファイルにはTransformer部分のみが含まれています。画像生成を実行するためには、テキストエンコーダーとして unsloth/Qwen3.5-9B-GGUF の Qwen3.5-9B-Q8_0.gguf、ならびにVAEとトークナイザーとして unsloth/MOSS-Image-SFT-FP8 内に格納されているファイル一式を別途ダウンロードして組み合わせる必要があります。
本モデルを実行できるツールとしては、Unsloth Studioおよびstable-diffusion.cppが対応しています。
Unsloth Studioを利用する場合
Unsloth Studioでは、GUIの「Images」タブから「MOSS-Image-SFT」を選択し、本リポジトリのGGUFファイルを指定するだけで利用できます。内蔵されたstable-diffusion.cppエンジンにより処理が行われ、必要なVAE、トークナイザー、およびQwen3.5-9Bテキストエンコーダーは自動的にダウンロードされます。標準の設定として、解像度1024×1024、ステップ数50、CFG 3、Shift 5が適用されます。
stable-diffusion.cppを利用する場合
MOSS-Imageのサポートが含まれるstable-diffusion.cpp(master-975以降のビルド)を用いれば、CPU、Mac、GPU環境のコマンドラインから直接実行できます。hf download コマンドで必要なファイルを揃えたうえで、sd-cli を呼び出して推論を行います。
実行手順の例は以下の通りです。
hf download unsloth/MOSS-Image-SFT-GGUF MOSS-Image-SFT-UD-Q4_K_XL.gguf --local-dir moss
hf download unsloth/Qwen3.5-9B-GGUF Qwen3.5-9B-Q8_0.gguf --local-dir moss
hf download unsloth/MOSS-Image-SFT-FP8 vae/diffusion_pytorch_model.safetensors tokenizer/tokenizer.json --local-dir moss
./sd-cli --diffusion-model moss/MOSS-Image-SFT-UD-Q4_K_XL.gguf \
--llm moss/Qwen3.5-9B-Q8_0.gguf \
--vae moss/vae/diffusion_pytorch_model.safetensors \
--tokenizer moss/tokenizer/tokenizer.json \
--cfg-scale 3.0 --steps 50 -H 1024 -W 1024 -s 42 \
-p "a storefront sign that says \"UNSLOTH\" in bold clean letters, daytime, sharp focus" -o moss.png
このように、ローカル環境のCLIツールやGUIアプリケーションを通じて、最新のオープンウェイト画像生成モデルを手元で手軽に動かすことができます。
関連記事
- 「Kromoss」1024px画像生成モデル:必要VRAM 32GB〜・配布ファイル一覧
- 「DeepSeek-V4.1-Flash-1017-GGUF」VLMモデル:必要メモリ約560GB
- Unsloth v0.1.910-betaリリース:MacのMoE対応と新モデル追加
次に読むなら
- GPUのVRAMから探す(このモデルは32GBの階層から動きます) → VRAM別 ローカルモデル早見表
- 同じモデル系統を調べる → MOSS-Image 系統のまとめ(記事2本)
- このモデルを入手できる形式を調べる → GGUF形式の解説と対応モデル
- 同じ用途の他のモデルを探す → 画像生成・編集のモデル一覧

