MOSS-Image SFT 和 Base：该用哪个

• 出图：先用 SFT。OpenMOSS 自己的对比图里，SFT 的文字分组更清楚，版面更整齐。
• 训练 LoRA 或继续微调：用 Base。OpenMOSS 特意没给它做后训练，保留了全部训练信息，更容易在上面训练。
• 天空或纯色背景上出现细细的竖向色条，是 SFT 的问题。加一个下面的修复 LoRA，或者换成不会出现色条的 Base。

两个模型用同一个工作流，只换扩散模型文件。四个 ComfyUI 模板的参数完全一样。OpenMOSS 的用户指南是为 Base 写的，建议的步数更多：Base 没有针对 CFG 等参数做过后训练，要配合合适的参数才能出好图。

色条是颜色偏移，不是亮度变化，所以平时不容易看出来，看天空或纯色墙面时才明显：宽 1024 px 时间隔约 21 px，宽 768 px 时约 16 px。下面的修复方法都是在 SFT 模型后面接一个核心节点 LoraLoaderModelOnly；合并好的 int8 文件除外，它直接替换模型文件。

• Destripe LoRA（nynxz，1.9 MB）：对画面改动最小。宽 768 px 时强度 1.0，宽 1024 px 时 1.5。
• DeBand（MATLOWAI）：强度 1.0 时把 SFT 最后 5 层（37—41）换回 Base。宽 1536 px 以上的图或大面积天空，再叠加第 32—36 层的补充修复。
• DeBand int8：把同样的修复合并进 5.4 GB 的模型文件，直接替换 moss_image_sft_int8_convrot.safetensors 使用，不用 LoRA，也不用自定义节点。

想反过来用？Kijai 把 SFT 和 Base 的完整差值做成了 LoRA，可以按任意强度给 Base 加上 SFT 的风格；强度拉满时，色条也会一起回来。

OpenMOSS README 列出的两个训练工具都支持两个模型的全量微调和 LoRA：KohakuMossTrainer（适配器训练最低只要 6 GB 显存）和 DiffSynth-Studio。OpenMOSS 把 Base 定位为训练用模型，并建议训练时冻结文本编码器。

在文件选择器里选好模型和显存，就能拿到对应的文件和下载命令；也可以直接从现成的工作流开始。