MOSS-Image vs. FLUX 3: Zwei Wege, eine Bounding Box in einen Prompt zu setzen

Das Interessanteste am Vergleich von M​OSS-Image mit FLUX 3 ist, dass beide innerhalb des letzten Monats zur selben Schlussfolgerung gelangten – dass man ein Bildmodell steuert, indem man Koordinaten in den Prompt schreibt – und sich dann über das Koordinatensystem uneinig waren. Am 16. Oktober 2026 veröffentlichte OpenMOSS M​OSS-Image-Base und M​OSS-Image-SFT unter Apache 2.0: einen herunterladbaren 5B-Diffusion-Transformer mit einem JSON-Layoutformat, das Elemente anhand absoluter Pixel-Offsets positioniert, gemessen vom Zentrum der Leinwand aus. Black Forest Labs war zuerst da mit F​lux 3 Image, seit dem 1. Oktober live mit einer veröffentlichten Preisliste, das jede Box als [top, left, bottom, right] in ganzen Zahlen von 0 bis 1000 relativ zu einem festen Raster auffasst. Dieselbe Idee, inkompatible Grammatik, und nur eines der beiden liefert eine Datei, die man behalten kann.

Dieser Unterschied – nicht die Bildqualität – ist es, was dieses Duell für die meisten Teams entscheidet, und er entscheidet es schneller als jeder Benchmark. Deshalb ist der folgende Vergleich um genau diesen Punkt herum aufgebaut. Jede Angabe zu M​OSS-Image stammt von OpenMOSS selbst, aus dem Release und dem zugehörigen technischen Bericht, und keine davon wurde von irgendjemandem reproduziert. Jede Angabe zu F​lux 3 stammt aus der von Black Forest Labs selbst veröffentlichten Preisliste und dem Release-Material. Es gibt keinen unabhängigen direkten Vergleich zwischen diesen beiden Modellen, und es wird für eine Weile auch keinen geben.

Was jede Seite tatsächlich geliefert hat

M​OSS-Image ist ein Paar aus Checkpoints, M​OSS-Image-Base und M​OSS-Image-SFT, mit Gewichten und Inferenzcode unter Apache 2.0, einem ModelScope-Mirror, einem Gradio Space, einer benutzerdefinierten Diffusers-Pipeline und einem nativen ComfyUI-Plugin. Die ComfyUI-Kernunterstützung kam am selben Tag wie die Gewichte. Es gibt keinen gehosteten Endpunkt von OpenMOSS und keinen veröffentlichten Preis, denn es gibt nichts zu bepreisen — entweder man betreibt es oder nicht.

F​lux 3 ist die entgegengesetzte Form. Black Forest Labs kündigte es im Juli 2026 als eine einzige Architektur an, die über Video, Bild und Audio hinweg trainiert wurde, und die Stufe für Standbilder — F​lux 3 Image — startete am 1. Oktober mit öffentlicher Pay-as-you-go-Preisgestaltung. Das Open-Weight-Pendant, FLUX 3 Image Klein, folgte am 15. Oktober unter der FLUX Kommunity License, die eine kostenlose kommerzielle Nutzung nur unterhalb einer Umsatzgrenze erlaubt. B​FL bietet jetzt also sowohl einen gemieteten Weg als auch einen herunterladbaren an, doch es sind unterschiedliche Modelle mit unterschiedlichen Lizenzen, und der Download ist der kleinere Bruder statt des Flaggschiffs.

Keines der beiden Modelle steht in unserem eigenen Katalog. OrcaRouter bedient mehr als 200 Modelle und MOSS-Image ist nicht darunter, also sollte hier nichts so verstanden werden, dass wir es anbieten — dasselbe gilt für Flux 3. Wofür der Router in diesem Vergleich nützlich ist, ist die andere Hälfte des Kreislaufs: Wenn Sie einen selbst gehosteten Checkpoint bei denselben Prompts gegen gehostete Bildmodelle stellen möchten, ist die gehostete Seite über einen einzigen API-Schlüssel erreichbar, zum Listenpreis des Anbieters und ohne dass von unserer Seite ein Aufschlag hinzukommt, mit automatischem Failover zwischen Anbietern, falls einer von ihnen während des Laufs an Leistung verliert.

Die Box-Grammatiken nebeneinander

Hier ist der Punkt, an dem die beiden auf eine Weise auseinandergehen, die eine Konfigurationsdatei bemerken wird.

• Koordinatenraum — MOSS-Image: absolute Pixel, gemessen vom Mittelpunkt der Leinwand, unter Verwendung von bbox_coord_space: "abs_centralized", sodass auf einer 1024×1024-Leinwand jede Achse von −512 bis +512 reicht. Flux 3 Image: normalisierte Ganzzahlen von 0 bis 1000, gemessen von der oberen linken Ecke.

• Koordinatenreihenfolge — MOSS-Image: bbox_format: "yxyx", was bedeutet [y_min, x_min, y_max, x_max]. Flux 3 Image: [oben, links, unten, rechts], was dieselben vier Zahlen in derselben Reihenfolge unter einem anderen Namen sind.

• Wie es das Modell erreicht — M​OSS-Image: ein JSON-Objekt, das als Prompt-String übergeben wird, mit einem summary-Block für Szene und Stil sowie einem items-Array, in dem jedes Element ein Label, eine Beschriftung und bei Text-Elementen die wörtlich zu rendernde Zeichenfolge enthält. F​lux 3 Image: ein JSON-Array aus Boxen, das in einen normalen Prompt geschrieben wird, wobei kein zusätzlicher Parameter erforderlich ist.

• Auflösungskopplung — die Koordinaten von MOSS-Image sind Pixel, daher sind sie nur für die Breite und Höhe korrekt, die du angefordert hast; änderst du die Ausgabegröße, leitest du jede Box neu ab. Das 0–1000-Raster von Flux 3 ist konstruktionsbedingt auflösungsunabhängig: [0, 0, 500, 500] ist das obere linke Viertel jeder Leinwand, die du anforderst.

• Wofür die Box gedacht ist — M​OSS-Image wird in erster Linie als Steuerung der Generierung präsentiert, wobei der Anbieter anmerkt, dass das Bearbeiten der Bildunterschrift eines Elements oder das Verschieben seiner Box den entsprechenden Teil der Komposition anpasst – beschrieben als experimentell. F​lux 3 Image kombiniert Layout mit box-beschränkter Multi-Turn-Bearbeitung als zentrale Funktion.

Der letzte Punkt ist die praktische Trennlinie. Das Grid von F​lux 3 übersteht eine Änderung der Ausgabeauflösung; das von M​OSS-Image nicht, aber M​OSS-Image lässt dich die exakte Zeichenkette benennen, die in einem Textelement gerendert werden soll, statt sie zu beschreiben. Wenn deine Pipeline in unterschiedlichen Größen neu rendert, ist das Grid ein echter Vorteil. Wenn deine Pipeline Poster mit festen Abmessungen und spezifischem Text rendert, sind absolute Pixel keine Bürde.

Textdarstellung, bei der die einzigen Zahlen die des Anbieters sind

Die wichtigste Fähigkeit von M​OSS-Image ist lesbarer Text, und der Anbieter hat zwei Benchmarks entwickelt, um sie zu messen. Bei LongLongTextBench — 240 Aufgaben zum Rendern literarischer Texte mit einer durchschnittlichen Ziellänge von etwa 1.340 Zeichen — erreicht M​OSS-Image 96,3 bei der Mean-6-Textabdeckung, gegenüber 64,9 für Q​wen-Image-2512. In der Zeile darüber in derselben Tabelle stehen GPT Image 2 mit 99,0 und N​ano Banana Pro mit 96,6, was bemerkenswert ist: OpenMOSS hat eine Tabelle veröffentlicht, in der Wettbewerber immer noch gewinnen.

Black Forest Labs hat überhaupt keinen Text-Rendering-Benchmark für Flux 3 Image veröffentlicht. Es gibt keine Zahl, die man neben 96,3 stellen könnte, von keiner der beiden Seiten, und einen Vergleich aus Beispielbildern zu erfinden, wäre genau die Art von Sache, die dieser Blog nicht tun sollte. Was sich sagen lässt, ist, dass das VAE von FLUX.2 dasjenige ist, das MOSS-Image verwendet – die eigene Modellkarte von MOSS-Image merkt an, dass es den kleinen FLUX.2-Decoder lädt –, also sind sich die beiden Familien auf Pixelebene nicht fremd, auch wenn die Generatoren nichts miteinander zu tun haben.

Kosten: eine Zahl gegenüber fünf

• MOSS-Image — kostenlos zum Herunterladen, Apache 2.0, keine Umsatzschwelle und keine kommerzielle Tarifstufe. Die Kosten liegen in der Hardware: Das SFT-Repository umfasst insgesamt rund 27,2 GB, davon entfallen etwa 16,8 GB verteilt auf vier Shards auf den eingefrorenen Qwen3.5-9B-Textencoder und etwa 10,2 GB verteilt auf drei Shards auf den Transformer. Kalkulieren Sie den Encoder ein, nicht das Label.

• F​lux 3 Image — 0,041 $ bei 768×768, 0,048 $ bei etwa 1 Megapixel, 0,07 $ bei 1,5K, 0,10 $ bei 2K und 0,607 $ bei 4K, pro Bild, laut der eigenen Preisliste von Black Forest Labs. Ein 50 %-Einführungsrabatt lief vom 1. bis 8. Oktober und ist abgelaufen, daher braucht jedes darauf aufbauende Kostenmodell eine zweite Zeile zum Volltarif.

• FLUX 3 Image Klein — 0,008 $ bei 768×768, steigend auf 0,036 $ bei 4K, und Text-zu-Bild und Bearbeitung kosten gleich viel. Es ist drastisch günstiger als der 5B-Download, mit dem es konkurriert – beim Arbeitsaufwand, wenn auch nicht bei der Lizenz.

Die ehrliche Einordnung ist: Das sind nicht derselbe Kauf. MOSS-Image tauscht Geld gegen GPU-Stunden und Engineering; F​lux 3 Image tauscht Geld dafür, dass jemand anderes den Stack betreibt, und wird pro geliefertem Bild zu einem Tarif abgerechnet, der mit steigender Auflösung stark anzieht.

Was keine der beiden Seiten veröffentlicht hat

Es gibt keinen unabhängigen Benchmark für M​OSS-Image. Auch für F​lux 3 Image gibt es keinen unabhängigen Benchmark – B​FL hat die Bildstufe ohne Vergleichszahlen gegenüber irgendeinem anderen Bildmodell veröffentlicht, ob vom Anbieter durchgeführt oder anderweitig. Keines der beiden Modelle hat eine Zeile in einer neutralen Rangliste, auf die irgendjemand verweisen kann. Wenn beide Seiten eines Vergleichs unbelegt sind, ist die richtige Schlussfolgerung nicht, dass sie gleich gut sind; sie ist, dass man es derzeit nicht sagen kann und dass der Tiebreaker etwas sein muss, das man tatsächlich messen kann – Lizenz, Format, Latenz auf der eigenen Hardware und ob die Box-Grammatik zu dem Code passt, den man bereits hat.

Zwei Dinge würden das ändern. Ein unabhängiger Durchlauf von LongLongTextBench oder RealLayoutArena durch jemand anderen als OpenMOSS wäre der erste echte Beleg für die zentrale Behauptung von M​OSS-Image. Ein Layout-Control-Vergleich durch Dritte auf dem B​FL-Raster würde dasselbe für F​lux 3 Image bewirken. Beides gibt es noch nicht.

Welches würdest du tatsächlich nehmen?

Nutzen Sie MOSS-Image, wenn das Ergebnis eine zusammengesetzte Seite ist – Poster, Infografik, Produkt-Mockup –, bei der bestimmter Text an bestimmten Stellen landen muss und bei der Sie die Gewichte in Ihrer eigenen Infrastruktur haben möchten. Die Apache-2.0-Lizenz hält die kommerzielle Prüfung kurz, der Base-Checkpoint wurde bewusst undistilliert gelassen, damit das LoRA-Training etwas zum Anbeißen hat, und das JSON-Layout ist der Teil des Modells, den der Anbieter am sorgfältigsten gemessen hat. Planen Sie den Encoder ein und rechnen Sie damit, strukturiertes JSON statt Prosa zu liefern: Die eigene Ablation des Anbieters setzte JSON-Layout-Prompts bei 1622,87 Elo gegenüber 1506,20 für natürliche Sprache im selben System an, was eine große Lücke und das klarste Signal in der Veröffentlichung ist.

Wählen Sie F​lux 3 Image, wenn Sie heute einen aufrufbaren Endpunkt benötigen, wenn Ihre Ausgaben in der Auflösung variieren oder wenn Sie Box-beschränkte Bearbeitungen über mehrere Turns hinweg als unterstütztes Feature statt als experimentelles wünschen. Das 0–1000-Raster ist auflösungsunabhängig, die Preisliste ist öffentlich, und daneben gibt es eine günstige Open-Weight-Variante, wenn die Lizenzobergrenze akzeptabel ist.

Worauf man achten muss, ist die Box-Grammatik. Welche Konvention Ihr Tooling zuerst übernimmt, ist diejenige, die Sie behalten werden, und derzeit sind die beiden Konventionen inkompatibel – absolute zentrumsrelative Pixel in der yxyx-Reihenfolge auf der einen Seite, normalisierte Ganzzahlen für die obere linke Ecke auf der anderen. Eine kleine Adapterfunktion konvertiert zwischen ihnen. Der Grund, warum es wichtig ist, ist, dass es der einzige Teil dieses Vergleichs ist, der heute vollständig bekannt ist.

Die dokumentierten KI-Ausfälle und Agent-Vorfälle hinter Veröffentlichungen wie dieser werden gesammelt in dem OrcaRouter AI Incident Archive, wo jeder Eintrag eigene Quellen, Schweregrad, Konfidenzstufe und eine Kennzeichnung als strittig enthält.