무검열 MOSS-Image: 원하는 위치에 글자를 정확히 넣는 오픈 웨이트

디자이너와 판매자가 주목하는 이유

MOSS-Image는 글자를 그림의 일부로 제대로 다루는 오픈 이미지 생성 모델입니다. 제목, 가격, 손글씨 메모를 따옴표로 묶어 쓰면 영어든 중국어든 읽을 수 있는 글자로, 레이아웃이 지정한 자리에 정확히 나타납니다. 이 능력 하나로 재미있는 장난감이 쇼핑몰, 스튜디오, SNS 운영팀이 실제 업무에 쓰는 도구가 됩니다. 가중치는 무료로 내려받아 내 GPU에서 돌릴 수 있어 이미지당 비용도 없고, 프롬프트와 결과 사이에 온라인 필터도 없습니다.

이미지 안에 읽을 수 있는 중국어·영어 글자

대부분의 오픈 이미지 모델은 여전히 글자가 뭉개지며, 특히 중국어가 가장 취약합니다. MOSS-Image는 두 언어를 모두 그리도록 학습되었고, 공개 샘플도 이 강점을 적극 보여 줍니다. 우유·달걀·빵 장보기 목록을 중국어 손글씨로 적은 냉장고 메모, 메모로 가득한 화이트보드, 가게 간판, 포스터 헤드라인 등이 그 예입니다. 요령은 간단합니다. 넣고 싶은 단어를 따옴표로 감싸고 위치와 모양을 지정하세요. 예를 들어 "a bold red headline reading \"SUMMER SALE\" across the top"처럼 씁니다. 긴 문단보다 짧은 문구가 더 깔끔하게 나오며, 공개 비교에서는 SFT 체크포인트가 Base보다 글자를 더 단정하게 묶고 정렬합니다.

• 출력할 단어는 모두 원하는 언어 그대로 따옴표로 감싸세요.
• 글자가 놓일 표면을 묘사하세요: 포스트잇, 네온사인, 칠판, 잡지 표지 등.
• 글자 스타일을 지정하세요: 손글씨, 굵은 산세리프, 붓글씨 서예 등.
• 텍스트 블록은 짧게 유지하고, 긴 문구는 라벨을 붙인 여러 항목으로 나누세요.

강점을 발휘하는 곳: 포스터, 쇼핑몰 배너, 인포그래픽

글자와 배치가 강점이라, 예쁜 그림만으로는 부족한 작업에 잘 맞습니다. 온라인 판매자는 모서리에 가격 배지를 넣은 상품 배너 시안을 만들고, SNS 담당자는 이중 언어 제목이 들어간 커버를 초안으로 잡으며, 숏드라마와 웹툰 작가는 대사가 이미 들어간 포스터와 컷을 스케치합니다. 교사와 마케터는 화이트보드 설명 자료와 인포그래픽에, 식당은 메뉴판과 간판에, 브랜드 팀은 헤드라인만 바꾼 통일된 레이아웃을 대량으로 만드는 데 활용합니다.

비즈니스로 활용하기: 배너, 메뉴판, 광고 테스트

가장 큰 효과를 보는 쪽은 글자가 들어간 이미지를 빠르게 많이 만들어야 하는 소규모 팀입니다. 온라인 쇼핑몰은 상품을 가운데, 할인율을 스티커에, 제목을 두 언어로 넣은 일주일 치 프로모션 배너를 오후 한나절에 초안으로 뽑을 수 있습니다. 광고 대행사는 같은 JSON 레이아웃으로 문구만 바꾼 광고 시안을 수십 개 만들어 A/B 테스트 비용을 줄입니다. 카페와 식당은 메뉴판과 칠판, 인쇄소는 맞춤 포스터, 웹툰·숏드라마 제작사는 제목이 배치된 표지 시안을 만들고 마지막 다듬기는 디자이너가 맡습니다.

커뮤니티 반응과 사람들이 만드는 것들

창작자들이 이미지와 모델을 공유하는 Civitai에서 초기 댓글은 대체로 호의적입니다. 한 사용자는 실사 이미지 분야에서 가장 지식이 풍부한 오픈 모델 중 하나라고 평가하며 애니메이션과 사진 스타일을 모두 잘 소화한다고 칭찬했습니다. 약점도 지적됐습니다. 손과 팔다리가 가끔 어색하게 나오고, 작가 이름 스타일 태그는 거의 효과가 없으며, 기본 설정은 느립니다. 이미지당 100초 넘게 걸리던 것이 커뮤니티 터보 LoRA로 약 10분의 1로 줄었다는 보고도 있는데, 대신 피부가 조금 부드러워진다고 합니다. 공개 열흘 만에 GitHub 저장소는 약 1.9k 스타, Base 모델 페이지는 556개의 좋아요를 받았습니다. 사람들이 올리는 것은 가상의 레트로 여행 포스터, 2개 국어 잡지 표지, 손글씨 냉장고 메모와 화이트보드, 문구가 들어간 밈, 이름표가 붙은 애니 캐릭터 시트, 성인 모델의 화려한 해변 화보 등입니다.

• 크고 읽기 쉬운 제목의 레트로 여행·영화 포스터
• 중영 2개 국어 잡지 표지와 SNS 커버
• 밈용 손글씨 메모, 영수증, 화이트보드 개그
• 이름과 능력치를 적은 애니 캐릭터 시트
• 잡지 로고 글자를 넣은 성인 모델 수영복·핀업 화보

바로 복사해 쓰는 MOSS-Image 프롬프트 예시

이 모델은 세 가지 프롬프트 형식을 읽으며, 각각 어울리는 목적이 다릅니다. 자연스러운 문장은 사진과 포스터에 가장 좋고, 태그 나열은 애니메이션 및 커뮤니티 LoRA 사용자에게 익숙하며, JSON은 엄격한 레이아웃용입니다. 아래 템플릿에서 시작해 시드를 고정하고 한 번에 한 가지씩 바꿔 보세요:

• 자연어: "A cozy kitchen at morning, a handwritten note on the fridge reading \"milk, eggs, bread\", warm sunlight, photorealistic."
• 포스터: "Retro travel poster of a seaside town, large title \"VISIT CAPRI\" at the top in cream serif letters, grainy print texture."
• 태그: "adult woman, beach, sunset, bikini, film grain, 35mm, golden hour" (성인 캐릭터만).
• 인포그래픽: "Clean whiteboard with three numbered steps titled \"How to brew coffee\", simple marker drawings, flat lighting."
• 이중 언어 커버: "Magazine cover, Chinese headline in bold brush strokes, English subtitle \"Night Market Guide\" below, neon street at night."

JSON 레이아웃 프롬프트: 제목과 상품을 좌표로 고정

이 모델을 차별화하는 것이 바로 JSON 모드입니다. 헤드라인이 위쪽에 오기를 바라는 대신, summary로 장면 전체를 설명한 뒤 각 항목을 라벨, 캡션, 바운딩 박스, 선택적 텍스트와 함께 나열합니다. 박스는 yxyx 순서(위, 왼쪽, 아래, 오른쪽)로, 캔버스 중심을 기준으로 한 픽셀 좌표를 씁니다. 1024×1024 이미지라면 각 축이 -512부터 512까지이며, 숫자는 생성할 크기와 맞아야 합니다. OpenMOSS는 레이아웃 기능을 아직 실험적이라고 밝히고 있으니 박스 한두 개는 조정할 각오를 하세요. 시작용 뼈대는 다음과 같습니다:

{
  "summary": { "caption": "Bright summer shop banner, white studio background" },
  "items": [
    { "label": "title", "caption": "bold red headline", "bbox": [-460, -400, -300, 400], "text": "SUMMER SALE" },
    { "label": "product", "caption": "glass bottle of iced lemon tea", "bbox": [-220, -200, 380, 200] },
    { "label": "badge", "caption": "yellow round sticker", "bbox": [260, 260, 460, 460], "text": "-50%" }
  ],
  "bbox_format": "yxyx",
  "bbox_coord_space": "abs_centralized"
}

필드 이름은 공식 GitHub 저장소의 레이아웃 가이드를 따릅니다. 공식 Prompt Enhancer 스킬을 쓰면 한 문장을 상세한 설명이나 레이아웃으로 확장할 수도 있습니다.

MOSS-Image는 무검열일까? NSFW LoRA와 성인 아트

로컬에서 실행하면 오픈 웨이트에는 온라인 필터가 없습니다. 프롬프트도 완성된 이미지도 검사하지 않으므로, 무엇을 그릴지는 전적으로 사용자가 정합니다. OpenMOSS는 NSFW 체크포인트를 공개하지 않았고 학습 데이터 필터링 방식도 밝히지 않았으므로, 노골적인 묘사는 커뮤니티 애드온에 달려 있습니다. AlphaSignal의 전언 보도에 따르면 트리거 워드 moss_xvstyle을 쓰는 "Moss-image-nsfw-uncensored-lora"가 며칠 만에 등장했고 Base와 SFT 모두에서 작동한다고 하지만, Hugging Face나 Civitai 페이지에서는 확인되지 않았으니 신중하게 다루세요. 인기 있는 성인 장르는 명백한 성인 캐릭터의 수영복·란제리 화보, 핀업 포스터, 판타지 커버 아트입니다. GPU 설정을 건너뛰고 싶다면 Spicy AI가 브라우저에서 비슷한 무검열 이미지 생성을 제공합니다.

1. 넣고 싶은 단어는 따옴표로 감싸고 위치를 지정하세요.
2. 캐릭터 외형은 태그로, 조명과 분위기는 완전한 문장으로 쓰세요.
3. 시드를 고정하고 실행할 때마다 한 가지만 바꾸세요.
4. 등장인물이 모두 성인(18세 이상)임을 명시하고, 실존 인물을 동의 없이 묘사하지 마세요.

SFT vs Base: 어떤 체크포인트를 고를까

두 체크포인트는 같은 5B 아키텍처를 공유하지만 대상 사용자가 다릅니다. SFT는 엄선된 데이터로 지도 파인튜닝을 거쳤고, 공식 비교 이미지에서 글자 묶음과 페이지 레이아웃이 더 정돈되어 있으므로 그냥 좋은 이미지를 원한다면 이쪽을 불러오면 됩니다. Base는 이 후속 학습을 건너뛰어 원본 모델에 더 가까우므로 LoRA나 풀 파인튜닝의 출발점으로 더 적합합니다.

실행 방법: Hugging Face, ComfyUI, diffusers, API

쉬운 진입 경로는 네 가지입니다. 가장 빠르게 테스트하려면 OpenMOSS-Team의 무료 Hugging Face Space를 쓰세요. 로컬 작업이라면 최신 nightly 빌드의 ComfyUI가 모델을 네이티브로 지원하며, Comfy-Org의 재패키징 파일을 기본 로더로 불러오면 됩니다. 공식 저장소의 플러그인도 diffusers 폴더를 불러올 때 여전히 유용합니다. 개발자는 diffusers 0.38 이상에서 커스텀 pipeline_moss_image와 trust_remote_code로 가중치를 불러올 수 있으며, Python 3.10+, PyTorch 2.9+, NVIDIA GPU가 필요합니다. 직접 호스팅하고 싶지 않은 팀은 MOSI API 플랫폼으로 호출할 수 있습니다.

• 기본 샘플링: 50스텝, CFG 3, shift 5, 플로 매칭 Euler.
• 너비와 높이는 16의 배수여야 하며, 공식 예시는 1024x1024와 1456x1456을 사용합니다.
• 가이던스가 스텝마다 두 번 계산되므로 증류 모델보다 느립니다.
• 커뮤니티의 8스텝 DMD 증류 버전은 품질을 약간 희생하는 대신 초안을 훨씬 빠르게 뽑아 줍니다.

VRAM, 속도, 양자화 버전

OpenMOSS는 최소 VRAM 수치를 공개하지 않았습니다. 대신 Gradio 데모에 세 가지 메모리 모드가 있습니다. GPU resident는 모든 것을 그래픽카드에 올려 속도를 내고, Component는 구성 요소를 CPU와 GPU 사이에서 옮기며, Sequential은 가장 느리지만 메모리를 아끼는 최후의 수단입니다. 메모리 부족 오류가 나면 Sequential로 바꾸거나 해상도를 낮추거나 양자화 파일을 써 보세요. Hugging Face에는 커뮤니티가 만든 Base 모델의 양자화 파생 모델 13개가 올라와 있습니다. 품질과 지원 범위가 파일마다 다르므로 GGUF나 FP8 같은 형식과 필요한 로더를 각 모델 카드에서 확인하세요.

KohakuMossTrainer로 나만의 스타일 학습

오픈 웨이트의 진가는 파인튜닝에서 드러납니다. 출시 이틀 뒤 공개된 KohakuMossTrainer는 두 체크포인트 모두에 대해 풀 파인튜닝과 LyCORIS·LoRA 어댑터를 지원하며, README에 따르면 어댑터는 6GB VRAM만으로도 학습할 수 있습니다. DiffSynth-Studio도 풀 파인튜닝과 LoRA를 지원합니다. 불과 10일 만에 Hugging Face에는 Base 모델 기반 어댑터 41개와 파인튜닝 모델 36개가 등록되었습니다. 화풍 모델부터 색 밴딩을 부드럽게 해 주는 커뮤니티 DeBand LoRA 같은 보정용까지 다양합니다. 학습은 Base로 하고, 캡션은 실제 프롬프트와 같은 스타일로 맞추며, LoRA가 배워야 할 글자도 포함하세요.

FLUX.2, Qwen-Image, Z-Image와 비교

이 모델들을 나란히 비교한 공식 벤치마크는 아직 없으니, 점수표가 아닌 실용적인 비교로 봐 주세요. 뚜렷한 차이는 크기, 레이아웃 제어, 편집 기능입니다:

크기는 각 모델의 공개 릴리스 노트를 기준으로 했습니다. 이 모델은 아직 정량적 벤치마크를 공개하지 않았습니다.

출처

• Base 모델 카드 (Hugging Face)
• SFT 모델 카드 (Hugging Face)
• OpenMOSS 저장소 및 레이아웃 가이드 (GitHub)
• 기술 보고서 (arXiv 2610.23374)
• 공식 온라인 데모 (Hugging Face Space)
• ComfyUI 형식 가중치 (Comfy-Org)
• 커뮤니티 댓글 (Civitai 아카이브)
• 커뮤니티 NSFW LoRA 보도 (AlphaSignal, 미확인)

다른 무검열 이미지 모델 가이드

• 무검열 Midjourney
• 무검열 DALL·E
• 무검열 Stable Diffusion
• 무검열 Flux
• 무검열 Nano Banana
• 무검열 Nano Banana 2
• 무검열 Nano Banana 2.1
• 무검열 Nano Banana Pro
• 무검열 Ideogram
• 무검열 Leonardo AI
• 무검열 Seedream
• 무검열 Seedream 5.0
• 무검열 Krea
• 무검열 Kroma
• 무검열 Qwen-Image
• 무검열 Adobe Firefly
• 무검열 GPT Image 2.5
• 무검열 Fibo 2.0 Dev
• 무검열 Fibo 2.0 Edit Turbo
• 무검열 GPT Image 2
• 무검열 Text to Image
• 무검열 Z-Image Turbo
• 무검열 Z-Image
• 무검열 FLUX.2
• 무검열 FLUX.2 [dev]
• 무검열 FLUX.2 [pro]
• 무검열 GPT Image 1.5
• 무검열 AI Head Swap
• 무검열 AI Cloth Swap
• 무검열 Qwen-Image-2.1 LoRAs
• 무검열 Wulver
• 무검열 AI Face Swap