Scribble at 2026-10-19 08:07:16 Last modified: 2026-10-19 10:03:19
monochrome photograph, black and white, wide angle landscape of rugged jagged mountains, scattered alpine fir trees, natural wilderness, rocky cliffs, dynamic lighting, soft morning mist, sharp focus, 35mm lens photography, Fujifilm Acros
negative: tiling, repeating pattern, grid layout, symmetrical, artificial plantation, low quality
Steps: 50, Sampler: Euler, Schedule type: MOSS, CFG scale: 3, Seed: 2700469119, Size: 1376x768, Model: moss_image_sft_int8_convrot, Model hash: b4d1475bc7, Module 1: flux2-vae, Module 2: qwen3.5_9b_int8_convrot, RNG: CPU, Version: neo-2.30
中國の復旦大学や上海イノベーション研究所などが立ち上げた（OpenAI の設立よりも古い）OpenMOSS という研究プロジェクトの成果が、MOSS Image SFT/Base というオープン・ウェイトのモデルとしてリリースされている。僕が利用している Forge Neo でも、拡張機能が MOSS Image をサポートしているから、この拡張機能を導入して試してみている。
標準的な設定では50ステップとなっているため、生成する効率は非常に低い。なので 8 steps LoRA も幾つかの種類が出ているのだが、これらは暫く使ってみて諦めた。DMD などを応用した high speed LoRA を使うと、要素の多くがパターン化され繰り返して描写されてしまい、非常に低い品質の画像となってしまうからだ。なので、ちゃんと50ステップを費やして画像を生成させると、上のように納得のゆく精細度と描写の画像が出来上がる。
利用しているテキスト・エンコーダもパラメータが90億の Qwen 3.5 なのでプロンプトの理解力に優れている。それでも、上のプロンプトをご覧いただければ分かるとおり、従来のキーワードを羅列する方式でも十分に描いてくれるから助かる。要するに、キーワードどうしに矛盾が生じなければいいのだ。
そろそろ SDXL (Juggernaught XL) から他のモデルに移行してみようとは思うのだが、Krea 2 がデザイナー用途として開発されていて制御が正確にできそうだと思ったのだが、MOSS も選択肢の一つになりそうだ。正直、プロンプトを寧ろ自然な文章にしないといけないという Krea 2 の制約のほうが、僕には生成 AI の運用として不自然に思われるからだ。機械には、機械に適したコミュニケーションの方法というものがあって、僕がプログラミングをやってきたのは、つまるところ機械を制御して結果を出すための手段だからだ。人に喋るようにして結果を出せるなら面白いとは思うけれど、現実の人間どうしのやりとりでも分かるように、そこにはシステム開発よりも難しい問題がたくさんある。機械が思い込みや自己欺瞞に陥ったりするのだから、こういうリスクを抱えるくらいなら、キーワードを並べるだけで制御できる方がよほど効率的だし安心だ。