人工智能媒体生成模型量化深度学习模型推理服务【免费下载链接】MOSS-Image-SFT-FP8项目地址https://ai.gitcode.com/hf_mirrors/unsloth/MOSS-Image-SFT-FP8点击查看免费下载MOSS-Image-SFT-FP8是 OpenMOSS 5.1B 文生图text-to-image模型 MOSS-Image-SFT 的 FP8 / INT8 量化版配套 Qwen3.5-9B 文本编码器与 FLUX.2 小型解码 VAE。本文带你一次看懂它的 4 个核心采样参数50 步num_inference_steps、CFG 3guidance_scale、shift 5 以及负分支跳层uncond_skip_layers[22]——它们各自在干什么、默认值为什么这么选、新手该先动哪个。 先记住这张默认采样设置表官方参考工作流也是 README.md 与 Unsloth Studio 的默认值如下设置项默认值对应参数采样器Flow-matching Euler欧拉积分MOSSImageScheduler步数50num_inference_stepsCFG 引导强度3guidance_scaleShift5shift跳层负分支第 22 层0-baseduncond_skip_layers[22]负向提示词空negative_prompt这 4 个默认值在 pipeline_moss_image.py 的__call__签名里可以直接看到def __call__(self, promptNone, *, height1024, width1024, num_inference_steps50, guidance_scale3.0, negative_prompt, uncond_skip_layers(22,), ...)⚠️ 小提醒图像尺寸必须是 16 的正整数倍精度上模型只支持 bf16 / fp32不支持 float16。⏱️ 50 步num_inference_steps去噪的预算采样器是 Flow-matching Euler 调度器见 scheduler/pipeline_moss_image.py。每一步用一次两次因为要跑条件分支 负分支transformer 前向把潜变量沿 ODE 轨迹向前推进一格。50 步是质量—耗时的平衡点步数越多欧拉积分越贴近真实轨迹细节和文字渲染越稳步数减半到 25 左右速度约快一倍但复杂构图、长提示词、图内文字本模型擅长画招牌、便签等带文字画面更容易糊或跑偏超过 50 步收益递减1024×1024 下一张图要跑 100 步慢而提升有限。新手建议先固定 50 步把提示词调到满意再试 25 步看差异是否可接受。️ CFG 3guidance_scale为什么引导强度这么低CFG 即无分类器引导每步同时跑条件预测和负条件预测再按公式合成pipeline_moss_image.pyfinal uncond guidance_scale × (cond − uncond)传统 SD 类模型常用 CFG 7~9而 MOSS-Image 的默认只有3原因有二SFT 后的模型对提示词服从性已经很强高 CFG 容易过饱和、颜色发灰、画面用力过猛负分支本身被跳层削弱了见下文CFG 过高会放大负分支预测的噪声。调法效果降到 1.5~2画面更柔和自然但可能不贴提示词维持 3推荐起点升到 5 以上对比更强容易出现色彩溢出、细节塑料感guidance_scale1时负分支直接关闭每步只算一次前向速度最快适合信任提示词、快速出草图的场景。 shift 5塑造噪声调度曲线shift 写在 scheduler/scheduler_config.json 中shift: 5.0作用是把离散的 sigma 网格整体推向高噪声一侧。Flow-matching 模型的训练轨迹在num_train_timesteps1000上采样MOSSImageScheduler.set_timesteps会先按 shift5 生成推理网格再吸附回训练时的轨迹点上保证每一步都落在模型真正学过的噪声水平上shift 偏大如 5前段高噪声步占比更高——构图、大结构、文字排版的成型期更充分这正是招牌字、白板布局类画面好看的关键shift 调小步数更多花在低噪声段理论上细节更细但容易让构图阶段欠拟合除非你在做分辨率实验如非常规尺寸shift 5 不建议轻易改动。✂️ 负分支跳层uncond_skip_layers[22]省算力的巧劲这是 MOSS-Image 最有特色的默认设置transformer 共42 个 DiT block见 transformer/config.json 中num_layers: 42计算负分支时直接跳过索引为22的那一层0 基索引负分支的预测由缺了一层的残差输出代替负向提示词留空效果负分支变弱且变快CFG 3 叠上去后的引导力度恰好落在甜点位传uncond_skip_layers[]可关闭跳层恢复完整的两路前向更慢负分支预测更完整。⚙️ 进阶选项同一个接口还支持正向分支 SLGslg_layers[24], slg_scale3.0会额外增加一次跳层正分支前向作为修正项——这是 API 演示级设置并非官方调优推荐新手默认不用。 三套实用参数配方目标步数CFGshift跳层⚡ 快速预览2535[22]默认✅ 日常出图5035[22]默认 文字/排版精修50~642.5~35[22]默认调参顺序建议先动提示词 → 再动步数 → 然后 CFG → 最后才碰 shift。 相关模型与文件默认推荐权重MOSS-Image-SFT-INT8-ConvRot.safetensorsLPIPS 0.058优于纯 INT8 的 0.111 与 FP8 的 0.163文本编码器量化版MOSS-Image-SFT-text_encoder-INT8-ConvRot.safetensorsFP8 权重MOSS-Image-SFT-FP8.safetensors流水线与调度器实现pipeline_moss_image.py、scheduler/scheduler_config.json组件清单model_index.json 小结MOSS-Image-SFT-FP8 的默认参数不是随意填的50 步保证积分精度、CFG 3配合弱化的负分支获得恰到好处的引导、shift 5让高噪声阶段更充分以稳住构图与文字、负分支跳 22 层则在几乎不掉质的前提下省下可观算力。对新手而言默认值 调提示词就是最优起点需要提速时优先减步数、其次把guidance_scale降到 1shift 与跳层保持默认即可。赞分享人工智能媒体生成模型量化深度学习模型推理服务【免费下载链接】MOSS-Image-SFT-FP8项目地址https://ai.gitcode.com/hf_mirrors/unsloth/MOSS-Image-SFT-FP8点击查看免费下载相关推荐MOSS-Image-SFT采样参数一览表Steps 50、CFG 3、Shift 5如何影响出图质量MOSS Image SFT采样参数一览表Steps 50、CFG 3、Shift 5如何影响出图质量 本文带你快速搞懂 MOSS Image SFT 的采人工智能大模型基础模型多模态媒体生成50步还是8步MOSS-Image-Base-bf16采样参数完全指南Euler Flow Matching、CFG与Shift调优50步还是8步MOSS Image Base bf16采样参数完全指南Euler Flow Matching、CFG与Shift调优 MOSS Image人工智能大模型基础模型媒体生成本地部署MOSS-Image-Base采样参数全解析Steps、CFG、Shift与uncond_skip_layers调优指南MOSS Image Base采样参数全解析Steps、CFG、Shift与uncond_skip_layers调优指南 MOSS Image Base 是人工智能大模型基础模型媒体生成创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
