MOSS-Image vs. MAI-Image-2.6 Preview: Beide auf Platz zwei, doch keines von beiden kann man so nennen.

M​OSS-Image und M​AI-Image-2.6 Preview haben mehr gemeinsam als die Tatsache, dass beide neue Bildmodelle sind. M​OSS-Image wurde am 16. Oktober 2026 als offene Gewichte veröffentlicht — die M​OSS-Image-Base und M​OSS-Image-SFT Checkpoints unter Apache 2.0. M​AI-Image-2.6 Preview ging am 19. August 2026 in die private Vorschau auf M​icrosofts M​AI Playground und M​icrosoft Foundry. Jedes von ihnen steht derzeit auf Platz zwei einer Bestenliste, die beiden Bestenlisten wurden von verschiedenen Leuten mit unterschiedlichen Methoden erstellt, und keines der Modelle hat einen Preis, den man nachschlagen kann.

Dieser letzte Punkt ist der eigentliche Vergleich. Das ist kein direkter Schlagabtausch zwischen zwei Dingen, die man mieten und gegeneinander messen kann. Es ist ein Duell zwischen einem 27-GB-Download aus einem Forschungslabor und einer nur per Einladung zugänglichen Vorschau eines Plattformunternehmens, und die entscheidende Frage ist nicht, welches von beiden besser abschneidet – sondern welches man tatsächlich noch in diesem Quartal in ein Produkt bekommt und was jeder Anbieter bereit ist, einem zu sagen, bevor man sich festlegt.

Zwei zweite Plätze, und was jeder einzelne misst

Die Zahlen, die für beide Modelle genannt werden, sind beide „Nr. 2“, und dieser Zufall verdeckt die Tatsache, dass sie fast gegensätzliche Dinge messen.

M​OSS-Images zweiter Platz stammt aus RealLayoutArena, einem Design-Benchmark mit 61 Aufgaben – Poster, Infografiken und Benutzeroberflächen –, der mit dem eigenen technischen Bericht des Modells ausgeliefert wird. Es erzielt 1.698,70 Elo mit einem 95-%-Konfidenzintervall von 1.655,96 bis 1.741,43, hinter GPT Image 2 mit 1.844,35. RealLayoutArena wurde von OpenMOSS entwickelt, dem Labor, das M​OSS-Image entwickelt hat, und die darin enthaltenen Baselines sind die eigenen Läufe des Labors mit Modellen anderer Unternehmen. Es ist eine Anbieter-Rangliste, und der Anbieter hat sie als solche gekennzeichnet.

MAI-Image-2.6 Previews zweiter Platz stammt von Arena, der umbenannten LMArena, wo blinde menschliche Abstimmende aus zwei Bildern zum selben Prompt das bessere auswählen. Der Eintrag heißt wörtlich mai-image-2.6-preview und steht bei 1.336 Elo mit einer Marge von ±11 bei rund 3.488 Stimmen — hinter GPT Image 2 Medium mit 1.381 und vor G​rok Imagine Image 2.0 mit 1.316. Derselbe Preview-Build landete später mit 1.420 Punkten auf Platz 3 von Arenas Board für Einzelbild-Bearbeitung. Das ist ein unabhängiges Maß für menschliche Präferenz und zugleich ein vorläufiges: Der Spitzeneintrag auf diesem Board trägt mehr als 70.000 Stimmen, die Fehlermarge bei einem Eintrag mit 3.488 Stimmen ist also real, und das Elo verschiebt sich durch frühe Stimmen.

Also, die ehrliche Darstellung ist: Das eine Modell liegt bei einem Test, den seine eigenen Autoren geschrieben haben, auf Platz zwei, und das andere auf einem Crowd-Board, hinter dem nur ein Fünftel der Belege steht. Keines von beiden ist ein gesichertes Ergebnis, und keines wurde von jemandem außerhalb der Organisation reproduziert, die es veröffentlicht hat.

Was MOSS-Image dir tatsächlich bietet

MOSS-Image ist ein 5B Single-Stream-Diffusionstransformer, der von Grund auf trainiert wurde: 42 Joint-Blöcke, verborgene Breite 3.072, 24 Attention-Heads mit 128 Dimensionen, ein 8.192 breiter SiTU-GLU-Feed-Forward und eine vierachsige Rotary-Position-Encoding. Die angegebene Parameterzahl lässt vieles außen vor. Der Text-Encoder ist ein eingefrorener Qwen3.5-9B, und beim VAE handelt es sich um den von FLUX.2, der eingefroren aus FLUX.2-klein-4B geladen wird, mit 32 latenten Kanälen und einem 2×2-Latent-Patch zusätzlich zu einem 8×-Downsample für eine effektive Schrittweite von 16 Pixeln. Das SFT-Repository ist etwa 27,2 GB groß, wovon rund 16,8 GB auf den Encoder entfallen.

Seine entscheidende Fähigkeit ist nicht die Bildqualität. Sie besteht darin, dass der Prompt ein JSON-Objekt sein kann, das Bounding-Boxen, wörtliche Textstrings und Typografie-Hinweise enthält, ausgedrückt in absoluten Pixelkoordinaten, gemessen vom Mittelpunkt der Leinwand mit bbox_format "yxyx". Die eigene Ablation des Anbieters belegt den Punkt unverblümt: Auf RealLayoutArena erzielen JSON-Layout-Prompts 1.622,87, während natürlichsprachliche Prompts auf demselben System 1.506,20 erreichen. Die strukturierte Schnittstelle ist kein Bonus-Feature, das an das Modell angeschraubt wurde. Sie ist der Ort, an dem die Leistung lebt.

Der Beleg dafür ist ein Benchmark, den das Labor ebenfalls entwickelt hat, 7Bench, bei dem M​OSS-Image einen mittleren Layout-IoU von 0,88 gegenüber 0,44 für I​deogram 4.0, 0,33 für N​ano Banana Pro und Seedream 5.0 Pro, 0,31 für Q​wen Image 3.0 Pro und 0,30 für GPT Image 2 angibt, mit einer Layout-AUC von 0,70 gegenüber einem Feld, das von 0,16 bis 0,20 reicht. Auf der Textrendering-Seite meldet es 96,3 Mean-6 auf LongLongTextBench – einem 240-Aufgaben-Benchmark für literarische Texte, den es ebenfalls erstellt hat – mit 97,1 im Englischen und 92,4 im Chinesischen. Die glaubwürdigste Zeile in dieser Tabelle ist die darüber: Im eigenen Benchmark des Anbieters erreicht GPT Image 2 99,0 und N​ano Banana Pro 96,6. Eine Tabelle zu veröffentlichen, in der ein Wettbewerber noch gewinnt, ist etwas wert.

Was MOSS-Image nicht bietet, ist ein Endpoint. Es gibt keine kommerzielle API, die wir verifizieren können, keinen gehosteten Playground jenseits des auf einem einzelnen A10G laufenden Gradio Space und keinen Managed Path. Du installierst Diffusers mit einer benutzerdefinierten Pipeline oder das native ComfyUI-Plugin, und du stellst die GPU bereit.

Was M​AI-Image-2.6 Preview Ihnen tatsächlich bietet

Microsoft hat weit weniger über sein Modell veröffentlicht als OpenMOSS über sein eigenes, und das Muster dessen, was fehlt, ist aufschlussreich.

Was existiert: eine Modellfamilie, die sich im Takt von sechs bis acht Wochen weiterentwickelt — M​AI-Image-1, dann M​AI-Image-2 im März 2026 mit dem Sprung bei Fotorealismus und Textwiedergabe, M​AI-Image-2.5 im Juni 2026, das zur Engine in Bing Image Creator, PowerPoint und OneDrive wurde, dann M​AI-Image-2.5-Pro im Juli 2026 mit einer 8K-Premiumstufe und jetzt 2.6, rund sechs Wochen später. Die eigenen Fähigkeitsbeschreibungen von M​icrosoft sind qualitativ: stärkere Textwiedergabe, Porträts und 3D-Bilder; ausgefeiltere kommerzielle und fotorealistische Ergebnisse; Arbeit mit mehreren Referenzbildern in einer einzigen Generierung; reichhaltigeres Grounding; größere Kontrolle über Reasoning, Format und Auflösung. Keine Parameteranzahl, keine Lizenz, keine Architektur, keine Benchmark-Tabelle.

Was nicht existiert: ein Preis. Die Vorschau ist einladungsbeschränkt, der Zugang erfolgt über M​AI Playground und M​icrosoft Foundry, und es gibt keinen veröffentlichten Preis pro Bild. Es gibt auch kein Datum für die allgemeine Verfügbarkeit. Die Kategorienaufschlüsselung von Arena ist das einzige granulare Ergebnis, das dem Modell zugeordnet ist — es belegt den ersten Platz in 3D-Bildgebung und -Modellierung und den zweiten Platz in Cartoon/Anime/Fantasy, Produkt und Branding, Text-Rendering und Kunst — und Kategorieränge auf einem vorläufigen Board mit wenigen Stimmen sind bestenfalls richtungsweisend.

Das Einzige, was eindeutig wahr und eindeutig bedeutsam ist, ist die Taktung. Microsoft liefert Verbesserungen an Bildmodellen schneller aus, als dieser Markt es gewohnt ist, und das Arena-Debüt legt nahe, dass es sich um echte Kumulation handelt und nicht nur um Ankündigungen.

Die beiden Modelle, Zeile für Zeile

• Veröffentlichung — M​OSS-Image am 16. Oktober 2026 als offene Gewichte; M​AI-Image-2.6 Preview in privater Vorschau am 19. August 2026

• Zugriff — M​OSS-Image herunterladbar und selbst gehostet, mit einem ComfyUI-Plugin und einer Diffusers-Pipeline; M​AI-Image-2.6 Preview nur mit Einladung auf M​AI Playground und M​icrosoft Foundry

• Preis — M​OSS-Image kostenlos zum Herunterladen, mit einem Speicherbedarf von ~27,2 GB und Ihrer eigenen GPU-Zeit; M​AI-Image-2.6 Preview hat keine veröffentlichte Preisangabe

• Lizenz — M​OSS-Image steht sowohl für Gewichte als auch für eigenständigen Pipeline-Code unter Apache 2.0, ohne Umsatzschwelle; M​AI-Image-2.6 Preview ist proprietär, ohne angegebene Lizenz

• Unabhängige Bewertung — MOSS-Image auf Platz zwei bei RealLayoutArena mit 1.698,70 Elo (vom Autor erstellter Benchmark); MAI-Image-2.6 Preview auf Platz zwei bei Arena Text-zu-Bild mit 1.336±11 bei ~3.488 Stimmen (Crowd-Board), auf Platz drei bei Arena Single-Image-Edit mit 1.420

• Layoutsteuerung — MOSS-Image akzeptiert ein JSON-Layout mit absoluten Pixelkoordinaten und meldet eine mittlere IoU von 0,88 auf 7Bench; Microsoft veröffentlicht keinen Layout-Benchmark für irgendetwas in der MAI-Bildlinie

• Textwiedergabe — MOSS-Image meldet 96,3 Mean-6 auf LongLongTextBench mit 97,1 Englisch und 92,4 Chinesisch; MAI-Image-2.6 Preview gewann +91 Elo bei der Textwiedergabe gegenüber 2.5 laut Arenas Kategorienaufschlüsselung, wobei keine absolute Zahl veröffentlicht wurde

• Bearbeitung — M​AI-Image-2.6 Preview wird auf Platz 3 des Single-Image-Edit-Boards von Arena gemessen; der Bericht zu M​OSS-Image stellt Bearbeitung nicht als Produktoberfläche dar

• Bereitstellung — Bei M​OSS-Image läuft Day-0-Framework-Arbeit, darunter ein offener vLLM-Omni-Pull-Request, der das Modell mit Skip-Layer-Guidance hinzufügt und noch nicht in ein getaggtes Release gemergt wurde; M​AI-Image-2.6 Preview wird von M​icrosoft bereitgestellt, zu den Bedingungen von M​icrosoft, wenn M​icrosoft es so sagt

Wo jedes einzelne wirklich vorne liegt

M​OSS-Image ist bei allem voraus, was sich aus seiner Offenheit ergibt. Man kann die Architektur lesen, sie quantisieren, auf privaten Daten feinabstimmen, air-gapped betreiben und in ein kommerzielles Produkt integrieren, ohne über eine Lizenz zu verhandeln — Apache 2.0 deckt die Gewichte und den eigenständigen Pipeline-Code ab, ohne Acceptable-Use-Anhang und ohne separate kommerzielle Stufe. Für ein Modell, dessen Aushängeschild es ist, lesbaren Text an bestimmten Positionen zu rendern, zählt das mehr als ein Benchmark-Delta, denn Textrendering ist genau die Fähigkeit, die in Kundenprojekten auftaucht: Produkt-Mockups, Interface-Entwürfe, Infografiken, Poster, Anzeigenlayouts.

M​AI-Image-2.6 Preview ist bei den Dingen voraus, die daraus folgen, ein Plattformmodell statt eines Repositorys zu sein. Es wird über Bing Image Creator, PowerPoint und OneDrive an Hunderte Millionen Menschen verbreitet, es zielt auf einen verwalteten Cloud-Endpunkt auf Foundry ab, und es wird in einem veröffentlichten Rhythmus verbessert. Wenn Sie ein Bildmodell benötigen, das Ihre Organisation aus einem M​icrosoft-förmigen Stack mit einem Supportvertrag dahinter aufrufen kann, ersetzt kein noch so umfangreiches Apache 2.0 das.

Die unangenehme Mitte ist der Ort, an dem die meisten Teams tatsächlich sitzen. Microsoft hat weder einen Preis noch eine Lizenz noch eine Parameteranzahl veröffentlicht, sodass sich die Kosten für die Übernahme seines Modells nicht abschätzen lassen. OpenMOSS hat all das veröffentlicht – und keine Möglichkeit, es ohne eigene Hardware aufzurufen.

Was keiner von beiden an deinem Tag ändert

Beide dieser Modelle liegen außerhalb des gehosteten Marktes, gegen den Sie wahrscheinlich bereits entwickeln, und genau dort lohnt es sich, in einer Routing-Schicht etwas Präzises statt Werbliches zu sagen. Wir hosten M​OSS-Image nicht, und wir hosten M​AI-Image-2.6 Preview nicht, daher ist nichts hier ein Angebot, eines der beiden bereitzustellen. Was wir bereitstellen, ist das Vergleichsset: Die gehosteten Bildmodelle, an denen Sie ein selbst gehostetes M​OSS-Image messen würden, sind über einen einzigen API-Schlüssel in unserem Katalog zum Listenpreis des Anbieters mit 0 % Aufschlag erreichbar, was bedeutet, dass eine Preisänderung eines Anbieters auf der gehosteten Seite noch am selben Tag gilt statt erst im Vertragszyklus, mit automatischem Failover über Anbieter hinweg, damit ein Benchmarking-Lauf nicht deshalb abbricht, weil ein Upstream einen schlechten Nachmittag hatte. Einen unerprobten Checkpoint gegen ein gemietetes Modell zu testen, sollte kein zweites SDK erfordern, und das ist die einzige Aussage, die hier getroffen wird.

Speziell für M​AI-Image-2.6 Preview gibt es noch nichts zu routen. Die ehrliche Position ist, dass das Modell real ist, der Rang real ist und der Zugang eine Warteliste ist.

Wer sollte handeln und wer sollte weiter zuschauen

Greifen Sie zu MOSS-Image, wenn Sie GPUs haben, einen Workflow, der Absicht als Boxen und Strings ausdrücken kann, und einen Anwendungsfall, bei dem das Layout das Ergebnis und nicht ein glücklicher Zufall ist. Beginnen Sie mit dem SFT-Checkpoint, veranschlagen Sie die 16,8 GB des Encoders, bevor Sie den Generator veranschlagen, und rechnen Sie mit 50 Sampling-Schritten bei zwei Transformer-Vorwärtsdurchläufen pro Schritt, es sei denn, Sie übernehmen eine der Community-Destillationen. Zwei davon erschienen innerhalb eines Tages nach der Veröffentlichung: eine 4-Schritt-DMD-LoRA und eine 8-Schritt-destillierte Variante, weder vom Anbieter unterstützt noch benchmarkiert.

Warte mit MOSS-Image, wenn du diese Woche einen aufrufbaren Endpunkt brauchst, wenn du Kapazität mietest, statt sie zu besitzen, oder wenn du eine einzige Zahl möchtest, die nicht von den Leuten erstellt wurde, die den Test entwickelt haben. Alle drei der oben genannten starken Ergebnisse stammen aus Benchmarks, die der Anbieter selbst verfasst hat, und verwenden eine Spezifikationsphase, die laut Bericht zur Inferenzzeit auf GPT-6 läuft — der End-to-End-Elo-Wert ist also eine Pipeline aus zwei Modellen, nicht die Ausgabe eines einzelnen Modells.

Warten Sie auf M​AI-Image-2.6 Preview, wenn Sie etwas Vertragliches benötigen. Behalten Sie sie im Auge, wenn Sie bereits Foundry-Kunde sind, denn der Takt sagt, dass die nächste Version noch sechs bis acht Wochen entfernt ist und die Preview zu etwas mit einem Preisschild wird.

Was diesen Vergleich entscheiden würde, ist für beide dasselbe, und keiner von beiden hat es: einen unabhängigen Durchlauf des Benchmarks, auf dem jeder von ihnen eingestuft wird. Für M​OSS-Image bedeutet das, dass jemand anderes als OpenMOSS LongLongTextBench oder RealLayoutArena durchführt. Für M​AI-Image-2.6 Preview bedeutet es, dass das Arena-Board genügend Stimmen sammelt, sodass ±11 keine Rolle mehr spielt, oder dass Microsoft einen Preis veröffentlicht.

Bis eines davon eintritt, lautet die zutreffende Zusammenfassung so: ein permissiv lizenziertes 5B-Forschungsmodell mit einer ungewöhnlich guten Text- und Layout-Schnittstelle und ohne Endpunkt – gegen ein proprietäres Plattformmodell mit unabhängigem Crowd-Rang, echter Verbreitung und ohne Preis. Das, auf dessen Grundlage Sie handeln können, hängt ganz davon ab, ob Ihr Engpass eine Lizenz oder eine URL 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.