# MOSS-Image Turbo для Mac: новый адаптер сокращает генерацию картинки

Источник: https://modelium.tech/zhurnal/moss-image-turbo-mlx-15-pass-mac/

22 октября появился Turbo-адаптер для MOSS-Image и версия 0.2.0 программы moss-image-mlx для Mac с Apple Silicon. По замеру автора, создание картинки около одного мегапикселя на M4 Pro занимает примерно две минуты. Это не новое базовое семейство моделей и не проверенный Modelium результат: мелкий текст и геометрия могут отличаться от обычного режима.

Хотите сделать изображение по текстовому описанию на своём Mac, не отправляя запрос на сервер генерации? 22 октября независимый разработчик опубликовал для MOSS-Image-SFT ускоряющий адаптер Turbo и версию 0.2.0 программы moss-image-mlx. Адаптер — небольшой добавочный файл к уже выпущенной модели, а не новая самостоятельная модель. Файлы есть в Hugging Face, пакет программы — в PyPI; при первом запуске их потребуется скачать. [s1](#src-s1) [s2](#src-s2)

## Что меняется для владельца Mac

Режим `--turbo` делает 15 вычислительных проходов вместо 100 у полного 50-шагового режима с двумя вычислениями на шаг. По данным автора, на Mac с M4 Pro и 8-битным вариантом модели создание изображения размером около одного мегапикселя заняло 117 секунд плюс 2 секунды на декодирование. Это **авторский замер на конкретной машине**, не обещание такой скорости на любом Mac. Пиковые 9,4 ГБ в том же тесте — измерение автора, а не минимальное требование к оперативной памяти. [s1](#src-s1) [s3](#src-s3)

Версия 0.2.0 действительно содержит параметр `--turbo`: он есть в опубликованном пакете Python и в закреплённом коде релизной метки. Сам адаптер `turbo_student.safetensors` присутствует в закреплённой ревизии Hugging Face. Программа также подгружает базовую MOSS-Image и адаптер, который убирает полосы на заливках; она выбирает 8-битный или более компактный вариант по объёму памяти Mac. Порог выбора внутри программы не следует принимать за проверенный минимум для вашего компьютера. [s1](#src-s1) [s2](#src-s2) [s4](#src-s4)

## Что известно о качестве

Автор сравнил изображения с обычной MOSS-Image-SFT, тоже с адаптером против полос, на 32 отложенных текстовых заданиях с одним фиксированным начальным числом (seed 101). По его оценке, новая версия чаще сохраняет детали и избегает повторяющегося «штампованного» рисунка прежнего ускоряющего метода. Это сравнение автора, а не независимый тест Modelium; на мелком плотном тексте и регулярных формах, например рядах предметов, карточка предупреждает о возможных ошибках. Метрика распознавания надписей считает наличие нужных символов, но не их порядок: высокая цифра сама по себе не доказывает правильную надпись. [s1](#src-s1) [s3](#src-s3)

## Нужно ли что-то менять сейчас

Если MOSS-Image уже даёт вам нужное качество и время ожидания не мешает, обновляться не обязательно. Если вы используете Mac с Apple Silicon и готовы работать через Python и командную строку, можно изучить официальный пример автора `pip install moss-image-mlx` и `moss-mlx "A poster titled HELLO" --turbo -o poster.png`. Это путь из документации, **редакция не выполняла генерацию на Mac**. Требуется Python 3.11 или новее, сеть при первоначальной загрузке пакета и весов; после загрузки данных не следует автоматически считать всё решение офлайн без самостоятельной проверки сети. Проверяйте надписи и детали на собственном запросе, а не только время. [s1](#src-s1) [s2](#src-s2)

Код и новый адаптер обозначены Apache-2.0; лицензии базовой MOSS-Image, используемой 8-битной конверсии и дополнительного адаптера также проверены отдельно. Публикация весов не равнозначна лицензии любого стороннего приложения; соблюдайте условия каждого компонента. [s1](#src-s1) [s4](#src-s4) [s5](#src-s5)

Это другой путь, чем ранее опубликованная экспериментальная восьмишаговая LoRA для ComfyUI: та статья не доказывает превосходства одного ускорения над другим. Для сравнения начинайте с [новости о базовой MOSS-Image](/zhurnal/moss-image-base-sft-local-generation/) и выбирайте способ запуска под свой компьютер. [s6](#src-s6)

## Источники

1. [VisualInference: MOSS-Image-SFT Turbo MLX, pinned README and model files](https://huggingface.co/VisualInference/MOSS-Image-SFT-Turbo-MLX/tree/4dd94eeb06457a12ad5ca8f3b2df5674d06378a7) — получено 2026-10-22
2. [moss-image-mlx v0.2.0 on PyPI](https://pypi.org/project/moss-image-mlx/0.2.0/) — получено 2026-10-22
3. [Авторская методика измерений Turbo](https://github.com/felix-ab/moss-image-turbo-research/blob/312fb21e302dbb234a83e02cf24db30257c5e15e/docs/how-the-numbers-work.md) — получено 2026-10-22
4. [moss-image-mlx v0.2.0 source CLI and pinned Turbo](https://github.com/felix-ab/moss-image-mlx/tree/28e872920c1edb4cdb7f1743b0a4bf3400557f71) — получено 2026-10-22
5. [OpenMOSS MOSS-Image-SFT model and license](https://huggingface.co/OpenMOSS-Team/MOSS-Image-SFT/tree/f972bd4b4b9e3852133cc5da954d87bc32cd8fb9) — получено 2026-10-22
6. [lodestones: MOSS-Image SFT 8-step DMD adapter](https://huggingface.co/lodestones/MOSS-Image-SFT-8-steps-dmd) — получено 2026-10-22