MOSS-Image-IDM-2-Steps

MOSS-Image-IDM-2-Steps

用两步、不带引导的方式从文字生成图片，是 MOSS-Image-SFT 的一个小适配器，另有第二个适配器可做轻度图片编辑。适合在本地运行图像生成的人。

由 akhaliq 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：这是一个单独的 LoRA 适配器，能让 MOSS-Image-SFT 图像模型用 2 步完成一张图，不使用无分类器引导。它是社区构建的版本，用 Intrinsic Distribution Matching 的损失组合训练。仓库里还有第二个适配器，用于小幅编辑。

适合谁：它适合在自己机器上运行文生图模型、想要更快生成速度的人，包括想在图片里生成清晰文字的人。

Industry | Who uses it | How they use it | Example
设计 | 海报和招牌设计师 | 快速起草文字较多的图片 | 做一块写着 MORNING BREW、有三行价格的黑板菜单
游戏 | 游戏界面美术 | 根据提示词勾勒界面风格 | 用两步试一个游戏界面概念
营销 | 内容创作者 | 快速制作漫画、海报或动漫风格的视觉图 | 生成一块带几行短文字的霓虹酒吧招牌
研究 | 扩散模型研究者 | 研究大型图像模型的少步蒸馏 | 把两步输出和 50 步教师模型对比

如果你需要大幅度的编辑，比如把草图变成照片或者上色，可以跳过它。

用在哪里：它在你自己电脑上的 Python 环境里运行，配合基础模型 MOSS-Image-SFT。

• Windows、macOS 或 Linux 上的 Python
• 编辑脚本需要低于 1.0 版本的 diffusers 库
• 同一个脚本需要 5.20 系列及以下的 transformers 库

Use case | Who | What they get back
两步文生图 | 图像创作者 | 来自 v1 检查点、文字清晰的图片
属性编辑 | 编辑人员 | 用 v2 适配器改发型或表情之类的内容
少步研究 | 研究者 | 可供对比的参考适配器和评测网格图

如何设置：你需要 Python、基础模型 MOSS-Image-SFT，以及这个仓库里的一个检查点。文生图选 v1，编辑选 v2。

1. 安装 Hugging Face 的 hub 工具。
2. 下载这个仓库里的文件。
3. 文生图用 v1 IDM export 750 检查点。
4. 编辑用折叠后的 v2 适配器和它的 inference_edit.py 脚本。

pip install -U huggingface_hub
hf download akhaliq/MOSS-Image-IDM-2-Steps

如何使用：选择与任务相符的检查点。模型卡说 v2 明显削弱了通用文生图，所以文生图请用 v1。编辑通过仓库里附带的 inference_edit.py 脚本在本地运行。

Checkpoint | Use for | Where
v1 IDM export 750 | 文生图，推荐 | runs/idm/export/000750/
v2 folded adapter | 属性编辑 | 仓库根目录或 adapter_v2

Tool | What it does
hf download | 把仓库文件下载到你的电脑
inference_edit.py | 用折叠后的 v2 适配器运行 2 步编辑
v1 IDM export 750 | 推荐用于文生图的适配器

示例：文生图时，你描述一块写着 MORNING BREW、有三行价格的黑板菜单，2 步的 v1 适配器就会返回这张图。编辑时，你提供一张人像，并要求 "long wavy auburn hair"，v2 适配器会返回同一个人、换了新发型的图片。

新手与专家：LoRA 适配器是一个小的附加文件，用来改变大模型的行为。这个适配器让图像模型用 2 步而不是 50 步完成一张图。第一次尝试，可以下载仓库，看看模型卡里的示例提示词，再写一个类似黑板菜单的。

它的谱系从 50 步的基础模型出发，经过 8 步和 4 步适配器，来到这个 IDM 的 2 步版本。每张图需要扩散 transformer 做 2 次前向计算，基础模型则是 100 次。取舍在于：编辑的延续训练伤害了普通生成，而且结构性编辑在 2 步下会失败。

从 MOSS-Image-SFT 基础模型开始
加入 2 步 LoRA 适配器
写下提示词，不做引导
两步后得到图片

注意事项：模型卡对比了基础模型和这个适配器生成一张 1024 乘 1024 图片的成本。

Title: 每张 1024 乘 1024 图片的 DiT 前向次数
MOSS-Image-SFT，50 步，CFG 3: 100 forwards
这个适配器，2 步，无 CFG: 2 forwards

• Editing limit: 表情或颜色这类属性编辑可行，但草图变照片、上色和大幅风格迁移不行。
• 一个包含 12 种类型的留出编辑测试里，2 步下的指令遵循得分约为 12 分之 1。
• 对于生产级编辑，模型卡指向的是 50 步的编辑方案。
• License: Apache 2.0。
• Cost to run: 未提及。它在你自己的机器上运行。
• Data it reaches: 你提供的提示词和图片，在本地处理。
• Not for: 2 步下的结构性图像变换，或用 v2 适配器做通用文生图。

Hugging Face 上的数据（2026年11月14日）

• 任务：text to image
• 最近 30 天下载：0
• 点赞：43
• 许可证：apache-2.0
• 语言：en, zh
• 基于：OpenMOSS-Team/MOSS-Image-SFT
• 标签：moss-image, lora, text-rendering, text-to-image, distillation, few-step, ml-intern

链接

• 模型：https://huggingface.co/akhaliq/MOSS-Image-IDM-2-Steps
• 文件：https://huggingface.co/akhaliq/MOSS-Image-IDM-2-Steps/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download akhaliq/MOSS-Image-IDM-2-Steps

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。