メインコンテンツへスキップ
見出し画像

MOSS-Imageの実写特化モデル「Juggernaut Moss」を実測|Base版と8枚で描き比べた

    はじめに

    MOSS-Imageの土台モデル「Base」を、写真とシネマ(映画のワンシーンのような絵)に特化させたフルファインチューンが、Civitaiで公開されている「Juggernaut Moss」です。作者KandooAIは、自社のブラインドテストでBaseに73%勝ったと書いています。

    ただ、モデルの作例は一番うまくいった絵が選ばれているはずで、自分の環境で同じように出るかは別問題です。そこで今回は、Juggernaut Mossを自分の環境(ComfyUI+RTX 3070)に導入し、土台のBaseとまったく同じ条件・同じシードで並べて、2つの被写体×2モデル=8枚を生成し、1枚ずつ目で確認しました。

    1回目は、作者自身の公式例プロンプト(ポートレート)と、シネマ系の被写体。2回目は、被写体を日本人に変えた同じ2場面です。

    結論を先に書くと、ポートレートは2回ともJuggernautがやや優位、シネマは1回目がJuggernautの優位、2回目(日本人版)はほぼ互角でした。「写真・シネマの主力に置く価値はある。ただしBaseが常に劣るわけではない」というのが、正直な結論です。

    なお、この記事は各シーンを単一シードで確かめたスポットチェックです。統計的な裏付けではなく、「この条件でこう出た」という実測記録として読んでください。

    1. Juggernaut Mossとは

    Juggernaut Moss V1は、KandooAIが2026年11月8日にCivitaiで公開したモデルです。LoRAではなく、MOSS-Image Baseそのものを追加学習したフルファインチューンになります。

    • 学習データ:手で選別した写真・シネマ系の画像 約20,000枚超、自然文のキャプション、1024px、6エポック

    • ファイル:BF16版(約9.7GB)と、int8 ConvRot版(約5.2GB)。今回使ったのはint8版です

    • 作者の推奨設定:解像度は約2MP(1344×1792や1792×1344)、Euler、25〜50ステップ、CFG 3、Shift 5、Skip Layer Guidanceはlayer 22

    • プロンプトの書き方:写真の内容を自然文でしっかり書く。特に光の描写が重要で、「毛穴が見える」のような肌の具体指定が効く、とのこと

    作者がV1の弱点として自分で挙げているのは、複雑な手のポーズや小さい物を持つ手、長い文字や小さい文字、群衆の背景にいる人の顔、そして風景・建築のみの絵はBaseと同程度、という点です。この弱点が本当かどうかも、今回の確認ポイントに入れていました(結果は第7章に書きます)。

    ライセンスはApache 2.0で、画像の販売を含む商用利用が可能です。ただしCivitai上は「クレジット表記が必要」な設定になっているので、公開するときは作者クレジットを付ける前提で扱います。

    出典:Juggernaut MossのCivitaiページ(https://civitai.com/models/3042282 )。モデルの入手や利用条件は、配布ページの表記に従ってください。

    2. 実測条件

    条件は全編で統一しました。

    • 検証モデル:Juggernaut Moss V1 int8 ConvRot版(juggernaut_moss_v1_int8_convrot)

    • 比較相手:MOSS-Image Base int8 ConvRot版

    • サンプリング:Euler 30ステップ/CFG 3/Shift 5/Skip Layer Guidance layer 22(すべて作者推奨どおり)

    • テキストエンコーダ:qwen3.5_9b_bf16(typeはmoss_image)

    • VAE:flux2-vae_small

    • 解像度:ポートレート 1344×1792/シネマ 1792×1344

    • ネガティブプロンプト:両モデルで共通(低品質、ぼやけ、透かし、変形した手、余分な指、プラスチック肌など)

    被写体は2つです。

    • ポートレート:第1回は作者の公式例プロンプトをそのまま使用(34歳のナイジェリア人女性のエディトリアルポートレート。窓光、毛穴、うぶ毛、額のツヤ、85mm・f/2)。第2回は人種の指定だけを「34歳の日本人女性、色白、後ろにまとめた長い黒髪」に変え、他は同一

    • シネマ:雨に濡れた石畳の街角で、街灯の下に佇む赤いロングコートの女性。ネオンの反射、薄い霧、ティール&オレンジの色味、35mmフィルム。第2回は被写体を「若い日本人女性」に変え、他は同一

    画像

    3. 実測1 ポートレート(作者の公式例)|Juggernaut やや優位

    まず作者の公式例プロンプトでの対決です。どちらも「写真として成立する」高い完成度で、ぱっと見の差は小さいです。拡大して比べると、差は目と肌と光に出ました。

    • Juggernaut:虹彩の描き込みとキャッチライトが細かく、まつ毛や眉の毛流れも自然。縮れた髪の質感が豊かで、窓光が顔の右側へ落ちていくグラデーションが柔らかい

    • Base:左目の虹彩が暗くやや柔らかい写りで、肌もわずかに平坦。写真として通用するレベルではあるが、拡大すると差が見える

    画像
    左:Juggernaut Moss V1 int8/右:MOSS-Image Base int8。同プロンプト・同シード
    画像
    上:Juggernaut/下:Base。目元だけを原寸から切り出して拡大

    判定はJuggernautのやや優位です。「やや」と付けたのは、並べて拡大して初めて分かる程度の差だからです。

    4. 実測2 シネマ(第1回)|Juggernaut 優位

    シネマ系では、差がはっきり出ました。

    • Juggernaut:街灯のグローが強く、濡れた石畳へのネオンの反射が豊か。ティール&オレンジの色味が最後まで保たれ、女性の顔も自然。赤いコートに赤いヒールという差し色まで効いている

    • Base:霧が重く、全体のコントラストが低い。ネオンは鈍く、女性の顔は小さく目がやや不自然。決定的なのは街灯で、灯具が画角の外に切れていて「黒い柱」にしか見えない

    画像
    左:Juggernaut/右:Base。同プロンプト・同シード

    判定はJuggernautの優位です。「ポートレートとシネマで差が一番大きい」という作者の主張は、この2場面では裏が取れました。

    5. 実測3 日本人ポートレート|Juggernaut やや優位

    被写体を日本人に変えた2回目です。プロンプトの変更は人種と髪の指定だけで、シードは新しいものに変えています。

    • Juggernaut:目の虹彩の描き込みが細かく、肌の毛穴・うぶ毛・ツヤが自然。金のフープイヤリングがきれいな輪で描けていて、窓光の落ち方も柔らかい。破綻はなし

    • Base:全体の完成度は高い。ただし左耳のイヤリングが二重に見える小さな違和感があり、肌はJuggernautよりわずかに平坦、目の虹彩もややガラス質に寄る

    画像
    左:Juggernaut/右:Base。同プロンプト・同シード
    画像
    上:Juggernaut/下:Base。目元だけを原寸から切り出して拡大

    判定は第1回と同じく、Juggernautのやや優位でした。ポートレートでは、目元だけを目の描き込みと肌の質感でJuggernautが安定して一歩前、という傾向が見えます。

    6. 実測4 日本人シネマ|ほぼ互角

    ところがシネマの2回目は、判定が割れました。

    • Juggernaut:色味と霧と路面の反射が強く、4枚の中でいちばん映画らしい雰囲気。女性の顔と姿勢に破綻はない。ただし足元の黒いヒールがやや柔らかく、濡れた地面に溶け気味

    • Base:今回は街灯の灯具が画角に入り、背景の群衆と傘の描写も自然。足元は白ソールのスニーカーで、2足ともきれいに描けている。弱点は、画面中央右の白いグローがやや飛び気味で、全体の光がJuggernautより平坦なこと

    画像
    左:Juggernaut/右:Base。同プロンプト・同シード

    判定はほぼ互角です。雰囲気づくりはJuggernaut、細部の確かさはBase、という分け方になりました。第1回でBaseが出した「霧が重く灯具が切れる絵」は、この回では出ていません。つまりシネマ系の差は、モデルそのものの差というより、シードや場面との相性で揺らぐ幅のほうが大きい、ということです。

    7. 確認できなかったこと|作者公言の弱点について

    正直に書くと、作者が挙げた弱点は、今回の構図ではほとんど検証できませんでした。

    • 手:ポートレートは手が画角に入らない寄りの構図、シネマは両モデルとも手がコートのポケットの中でした。「複雑な手のポーズが弱い」かどうかは、手が主役の場面を別に用意しないと分かりません

    • 文字:看板の文字は、両モデルとも疑似文字になりました。ここは甲乙つけがたく、どちらも実在の看板としては読めません

    • 群衆の背景の顔:日本人シネマの群衆は、背景でぼけた人影として描かれており、顔の判定ができる解像感ではありませんでした

    • 風景・建築のみの絵:今回は人物のいる場面だけを測ったので未実施です。作者は「Baseと同程度」としています

    弱点を鵜呑みにも否定もせず、「未検証のまま残った」と記録しておきます。

    8. まとめ

    • ポートレートは2回ともJuggernautがやや優位。目の描き込み、肌の質感、光の落ち方で、安定して差が出た

    • シネマは第1回がJuggernautの優位、日本人版はほぼ互角。Baseも場面によっては十分に強い絵を出す

    • 作者の「ブラインドテストで73%勝ち」は大げさとは言えないが、「常に勝つ」という意味ではない、というのが8枚を見た正直な感触

    • 作者公言の弱点(手・文字・群衆の顔)は、今回の構図では未検証。使う場面が来たら、その場面で別途確かめる

    私の運用では、Juggernaut int8を「写真・シネマ系を描くときの主力」として置くことにしました。Baseも消さずに残します。風景・建築は作者の見解では同等ですし、今回の日本人シネマのように、細部の確かさでBaseが前に出る場面もあったからです。

    繰り返しになりますが、これは各シーン・単一シードのスポットチェックです。シードを変えれば構図も判定も揺らぎます。それでも、「作例だけのモデル」を「自分の環境で測ったモデル」に変えられたこと自体が、今回の実測の収穫でした。


    関連記事

    同じ「触って測る」実測シリーズから。

    • P-H3-Imageの参照編集を実測した記事(MOSS-Imageと並ぶ、もう1つの主力ツールの編集力の検証)

    MOSS-Imageとアニメキャラの編集を実測した記事(土台を同じくするモデルの検証)

    • Gemini Omni 1.2 Flash実測(無料のルートで15秒動画を作って測った実測記事)


    ハッシュタグ



     
     
    AIツール比較サイト「AI時短ラボ」運営。ChatGPT・Claude・Gemini・議事録AI・画像AIなど、会社員の仕事を速くするAIの選び方と使い方を発信中。実際に使って比べた情報だけを、料金や向いている人まで正直にお届けします。

    あなたへのおすすめ