FineView | 欢视 MOSS 2 ASIAN 东亚

with RED-MOSS Merged acceleration v2.1

EULER / 6-8 Steps Simple / CFG=1 / LCS (Latent Color Subspace)

版本说明（Notes）：
该版本修复了 “RED-MOSS 1” 由于加速蒸馏痕迹过重，人物皮肤不好的问题。
Fixes the issue with "RED-MOSS 1" where the skin looked bad due to excessive acceleration distillation effects.

商用声明（Commercial Statement）：
MOSS 2 ASIAN 东亚 版本在 RED-MOSS 1 Merged acceleration 基础上进行了新的分层方案
并且通过引用 Moss Image - Better Nude 1.0 by @salttaro 在6步基础上获得了更好的东亚特征与Nude表现。
所以，该版本将会把 50% BUZZ 收入通过站内TIPS方式，回馈给贡献者。

为了便于监督，该版本将开放下载量展现与BUZZ⚡️收入展现。

为什么会有皮肤问题 Why does skin issues happen?

1. 频率分布不同。(Different frequency distributions. Images and text have high contrast, low to mid-frequency content: sharp edges, flat areas, so the error from 6 steps hardly shows up in these areas. A human face is dominated by mid-frequency features (skin tone transitions, the gradient from cheekbones to jawline, eye socket shadows), which are precisely the parts of the spectrum that are lost first in a few-step distillation. Text being "perfect" doesn't mean the model is good—it just means text isn't sensitive to this kind of error. ) 图表和文字是高对比、低中频的内容：边缘锐利、区域平坦，6 步的轨迹误差落在这些地方几乎不显现。人像脸是中频主导（皮肤明暗过渡、颧骨到下颌的渐变、眼窝阴影），恰恰是少数步蒸馏最先丢掉的那一段频谱。文字"完美"不代表模型好，只代表文字对这种误差不敏感。

2. 潜在分辨率摊薄。( Potential resolution dilution. FLUX.2 VAE uses 16× downsampling. In an 1MP image, a face might only occupy 8×10 latent patches—so the error from each of the 6 steps is spread across so few patches that the face ends up looking "plastic." 2D faces are already represented by lines and color blocks, so they don't need these gradients and are therefore unaffected. ) FLUX.2 VAE 是 16× 下采样。1MP 分辨率的图里，一张脸可能只占 8×10 个 latent patch——6 步里每一步的误差平均到这么少的 patch 上，脸就糊成"塑料感"。二次元脸本来靠线条和色块表达，不需要这些渐变，所以不受影响。

3. 三路合一时的平均效应。 (The averaging effect when combining the three paths. The objective functions of the three paths you're merging are different (direct regression / DMD / average flow). Any weighted average will prioritize erasing high-frequency details because high frequencies are the most inconsistent among the three. And the face is the area with the densest high-frequency changes in the image.) 合并的三条路径目标函数不同（直接回归 / DMD / 平均流）。任何加权平均都会优先抹掉高频细节，因为高频在三者间最不一致。而人脸是画面里高频变化最密集的区域。

如何修复 How do I fix it ？

经过高效的 Agents+VLM 分层测试：

• 低层 ratio_low（0–20）：构图、姿态、大结构 Composition, pose, overall structure

• 中层 ratio_mid（21–34）：五官位置与比例 Facial features placement and proportion

• 高层 ratio_high（35–41）：纹理、皮肤、发丝细节 Texture, skin, and hair details

高层携带的正是皮肤渐变、发丝边缘这些高频信息，而三条路径在高层的一致性最差——

一平均就抹平，人脸最先崩，而文字和图表因为依赖边缘对比、不依赖中频过渡，所以看起来没事。分块之后，你可以让高层偏向细节保留最好的那条路径，低层仍保持构图稳定。The high-level features carry high-frequency information like skin gradients and hair edges, but the consistency among these three paths is the worst at high levels—

When averaged out, everything gets smoothed out, and faces are the first to suffer. Text and charts, on the other hand, rely on edge contrast rather than mid-frequency transitions, so they look fine. After segmentation, you can let the high-level paths retain the best details while keeping the low-level structure stable.

以上信息仅代表 RED-MOSS 1 Merged acceleration v2 方案进行推导，不代表所有MOSS版本。

RED-MOSS 1 Merged acceleration

》REDMOSS-图片-T2I-LCS-6STEPS_v1 10/19 付费工作流 ⚡ Pay/Access WF

LCS (Latent Color Subspace) nodes for in-sampling color and sharpness control.

• A 自训练蒸馏 LoRA（rank 128，覆盖 42 层）固定 4 步直接回归真实 latent
  Euler + simple，CFG 1，4 步 （最终版本为6-8步）

• B lodestones 8-step DMD整模型级权重data-space DMD 蒸馏Euler + simple，CFG 1，8 步

• C congruency MFD（Base）LoRA（约 72 MB）Mean Flow Distillation 4–6 步

• 未加速的官方权重仍适用其原生参数：50 步、CFG 3、sgm_uniform、shift 5 （Unaccelerated official weights keep their native recipe: 50 steps, CFG 3, sgm_uniform, shift 5.）

技术说明 / Technical note: 三条路线的训练目标不同（A 为无教师直接回归，B 为 DMD 分布匹配， C 为平均流蒸馏），因此不保证可无损叠加；任何叠加结果均属新的独立派生作品，不在原作者质量担保范围内。

The three routes use different training objectives (teacher-free regression, DMD distribution matching, mean-flow distillation) and are not guaranteed composable without loss. Any combination is a new, independent derivative outside the original authors' quality guarantees.

Commercial Use & Modification Notice v2.0 — MOSS-Image Derivative

本文件依据 Apache License 2.0 §4（保留声明、标注修改）与 §6（商标）编写， 适用于本项目产出的全部 MOSS-Image 衍生权重、LoRA、量化模型、融合模型与打包 checkpoint。

Issued under Apache License 2.0 §4 (retain notices, state changes) and §6 (trademarks). It covers every MOSS-Image derivative produced by this project.

0. 版本记录 / Version history

版本日期变更v1.02026-10-18初版：单一加速路径（自训练蒸馏 LoRA）+ Base/SFT 混用v2.02026-10-18合并三条加速路线；新增融合权重、量化重打包、AIO 打包说明；v1.0 全文保留于附录 A

v1.0 remains in force for artifacts published before this revision and is reproduced verbatim in Appendix A. v2.0 supersedes it for all artifacts published after.

1. 基础组件与许可 / Base components and licenses

全部衍生作品建立在下列 Apache-2.0 组件之上。原始版权归各自作者所有，本项目不主张任何权利。All derivative works build on the Apache-2.0 components below. Copyright remains with the original authors; this project claims no rights over them.

组件 Component来源 Source许可 License

MOSS-Image Base https://huggingface.co/OpenMOSS-Team/MOSS-Image-Base Apache-2.0
MOSS-Image SFT https://huggingface.co/OpenMOSS-Team/MOSS-Image-SFT Apache-2.0
MOSS-Image 官方仓库 Official repo https://github.com/OpenMOSS/MOSS-Image Apache-2.0
ComfyUI 重打包 Repack https://huggingface.co/Comfy-Org/MOSS-Image Apache-2.0
文本编码器 Text encoder — Qwen3.5-9B https://huggingface.co/Qwen/Qwen3.5-9B Apache-2.0
VAE — FLUX.2-klein-base-4B https://huggingface.co/black-forest-labs/FLUX.2-klein-base-4B Apache-2.0

许可全文 / Full license text: https://www.apache.org/licenses/LICENSE-2.0

本项目同时使用 Base 与 SFT 两个官方变体，并在权重层面进行混合（见 §3.3）。
Both official variants — Base and SFT — are used, and are blended at weight level (§3.3).

2. 第三方加速权重 / Third-party acceleration weights

产物 Artifact作者 Author机制 Method许可

MOSS-Image-SFT-8-steps-dmd lodestones data-space DMD（SFT 基底）Apache-2.0
MOSS-Image-Turbo-MFDcongruency Mean Flow Distillation（基于 Base）Apache-2.0

• https://huggingface.co/lodestones/MOSS-Image-SFT-8-steps-dmd

• https://huggingface.co/congruency/MOSS-Image-Turbo-MFD

无隶属声明 / No affiliation. 本项目与 OpenMOSS、Comfy-Org、lodestones、congruency、 toxicdog 及其关联方（含 Freepik / Magnific）无任何隶属、赞助、授权或背书关系。 No affiliation, sponsorship, authorization or endorsement by the above parties is claimed or implied.

3. 加速方案合并 / Merged acceleration strategy

本节是本版本的核心变更。项目不再采用单一加速路径，而是将三条独立路线合并为统一技术栈。

This is the substantive change in v2.0: three independent acceleration routes are merged into one stack instead of being used in isolation.

3.1 三条路线 / Three routes

路线 Route载体 Carrier加速原理 Mechanism采样要求 Sampling

• A 自训练蒸馏 LoRA（rank 128，覆盖 42 层）固定 4 步直接回归真实 latent
  Euler + simple，CFG 1，4 步 （最终版本为6-8步）

• B lodestones 8-step DMD整模型级权重data-space DMD 蒸馏Euler + simple，CFG 1，8 步

• C congruency MFD（Base）LoRA（约 72 MB）Mean Flow Distillation 4–6 步

• 未加速的官方权重仍适用其原生参数：50 步、CFG 3、sgm_uniform、shift 5 （Unaccelerated official weights keep their native recipe: 50 steps, CFG 3, sgm_uniform, shift 5.）

3.2 合并方式 / How they are combined

• 权重级融合：通过自研节点 Merge Models (INT8 ConvRot aware) 对权重线性混合， 混合前先反量化（INT8 ConvRot → BF16），混合结果为 BF16 （Weight-level blending via a custom node: linear interpolation by ratio, after dequantizing INT8 ConvRot to BF16; output is BF16.）

技术说明 / Technical note: 三条路线的训练目标不同（A 为无教师直接回归，B 为 DMD 分布匹配， C 为平均流蒸馏），因此不保证可无损叠加；任何叠加结果均属新的独立派生作品，不在原作者质量担保范围内。

The three routes use different training objectives (teacher-free regression, DMD distribution matching, mean-flow distillation) and are not guaranteed composable without loss. Any combination is a new, independent derivative outside the original authors' quality guarantees.

3.3 Base 与 SFT 混用 / Mixing Base and SFT

• 两个官方变体在同一项目内并存使用

• 支持权重级混合 W = r·W₁ + (1−r)·W₂，比例可调

• 混合只作用于二维线性投影；RMSNorm 等一维参数保留自 model1

• 混合模型会稀释加速效果，步数应相应上调至 6-NFE

Both official variants are used side by side. Weight blending is supported with a tunable ratio. Blending applies to 2-D linear projections only; 1-D parameters (RMSNorm etc.) are taken from model1. Blending dilutes acceleration, so step count must be raised accordingly.

3.4 量化与打包 / Quantization and packaging

操作 Operation说明

INT8 ConvRot 量化每层 4 个投影（qkv / o / ffn_up_gate / ffn_down）共 168 张量qkv 融合重打包proj.q/proj.k/proj.v → proj.qkv，重写量化元数据反量化INT8 ConvRot → BF16，供融合与训练使用；rope.bands 始终保留

FP32AIO 打包扩散模型 + 文本编码器 + VAE 合并为单文件 checkpoint通用布局model.diffusion_model.* / cond_stage_model.* / first_stage_model.*ComfyUI 布局model.diffusion_model.* / text_encoders.<sub>.* / vae.*

格式适用范围 / Format portability: int8_convrot、w4a8、w6a8 为 ComfyUI 专用量化布局， 其他运行时无法加载；面向通用运行时的打包仅使用 bf16 / fp16 / fp8。

int8_convrot, w4a8 and w6a8 are ComfyUI-specific layouts and are not loadable by other runtimes. Packages targeting general runtimes use bf16 / fp16 / fp8 only.

4. 修改清单（Apache-2.0 §4(b)）/ Statement of changes

相对于原始 MOSS-Image 权重，本项目做了以下实质性修改：

1. 蒸馏训练：对一个 rank-128 LoRA 执行固定 4 步的扩散蒸馏（无教师、无判别器）， 训练数据为自有数据集

2. 加速方案合并：将自训练蒸馏、lodestones 8-step DMD、congruency MFD 三条路线纳入统一技术栈（§3）

3. Base / SFT 混用：两个官方变体并存，并支持权重级按比例混合（§3.3）

4. 量化：INT8 ConvRot 量化（每层 4 个投影，共 168 张量）、FP8、W4A8、W6A8 导出

5. 布局重打包：分离 q/k/v 融合为 proj.qkv；反量化至 BF16；rope.bands 固定 FP32

6. 打包形态：AIO 单文件 checkpoint，支持通用三段式布局与 ComfyUI 布局双方案

Verbatim English summary: a rank-128 LoRA distilled for a fixed 4-step schedule on a private dataset; three acceleration routes merged into one stack; Base and SFT variants blended by ratio; INT8 ConvRot / FP8 / W4A8 / W6A8 exports; q/k/v projections fused into proj.qkv with rewritten quantization metadata; dequantization to BF16 with rope.bands pinned to FP32; AIO single-file checkpoints in both universal and ComfyUI layouts.

5. 商用状态 / Commercial status

依据 Apache License 2.0 §2 与 §3：

• ✅ 允许商业使用，包括集成进产品、SaaS、收费分发

• ✅ 允许修改与再分发

• ✅ 不要求开源衍生作品（非 copyleft）

• ✅ 附带明示专利授权

• ✅ 不限制生成内容的用途

Permitted: commercial use (including product integration, SaaS, paid distribution), modification, redistribution; no obligation to open-source derivative works; express patent grant; no restriction on the purpose of generated output.

义务 / Obligations:

1. 再分发时附带本文件与 Apache-2.0 许可全文

2. 保留原始版权与归属声明

3. 标注修改内容（§4）

4. 不得暗示原作者或第三方加速权重作者为你背书（§6）

5. 若再分发融合模型，须同时保留各上游作者的许可声明

6. 不在许可范围内 / Not covered

1. 训练数据版权 — 权重许可不延伸至训练数据本身

2. 生成内容的权利 — 肖像权、商标权、著作权由使用者自行确保合规

3. 内容合规 — 成人内容等用途受分发平台条款与当地法律约束，不受 Apache-2.0 限制亦不被其许可

4. 上游加速权重的质量 — lodestones / congruency / toxicdog 的产物均为社区或商业公司发布， 其 README 标注为进行中的工作（WIP），本项目不为其正确性、稳定性或安全性作任何担保

7. 免责声明 / Disclaimer

本衍生作品按 "AS IS" 提供，不附带任何明示或默示担保，包括但不限于适销性、特定用途 适用性与不侵权担保。作者不对因使用本作品产生的任何直接或间接损失负责。完整条款见 Apache License 2.0 §7–§8。

Provided "AS IS", without warranty of any kind, express or implied. See Apache License 2.0 §7–§8.

附录 A：v1.0 原文（保留）/ Appendix A — v1.0 as published

以下为 v1.0 声明的核心条款，原文保留以备追溯。完整版见 COMMERCIAL_NOTICE.md。

基础模型：MOSS-Image Base / SFT（Apache-2.0）、ComfyUI 重打包（Apache-2.0）、 Qwen3.5-9B 文本编码器（Apache-2.0）、FLUX.2-klein-base-4B VAE（Apache-2.0）。

修改（v1.0）：

1. 加速器蒸馏训练——rank 128 LoRA，覆盖全部 42 层的注意力、FFN、时间步与输出投影， 从纯噪声以固定 4 步调度直接回归真实图像 VAE latent（direct-distill，无教师、无判别器）， 自有数据集。

2. 三种加速策略并存——自训练蒸馏、lodestones 8-step DMD、congruency MFD（Base）。

3. Base 与 SFT 权重混用——按百分比线性插值，反量化后融合，比例可调。

4. 量化与布局重打包——INT8 ConvRot 反量化至 BF16；分离 q/k/v 融合为 proj.qkv 并重写量化元数据。

商用：Apache-2.0 允许商业使用、修改、再分发，不要求开源衍生作品，附明示专利授权， 不限制生成内容用途。义务为保留声明、标注修改、不得暗示背书。

不覆盖：训练数据版权、生成内容的权利（肖像/商标/著作权）、内容合规。

免责：AS IS，无任何明示或默示担保。

附录 B：关键技术参数 / Appendix B — technical parameters

项值DiT 结构42 层，dim 3072，24 heads，ffn 8192，128 通道 latent量化张量数168（42 层 × 4 投影）INT8 ConvRotint8_tensorwise，ConvRot groupsize 256W4A8asym_w4a8_int8，group_size 16，带 codebookW6A8w6a8_int8，group_size 16，无 codebook，打包宽度 3K/4FP8逐张量 float8_e4m3fn + weight_scale保留 FP32rope.bands训练规模rank 128

基础许可 Base license Apache License 2.0 许可全文
https://www.apache.org/licenses/LICENSE-2.0

更新日期 Updated2026-10-18上一版本 Previousv1.0（附录 A / COMMERCIAL_NOTICE.md）

如需引用本声明，请保留完整内容并注明来源。
If you reference this notice, keep it intact and cite its source.