MOSS-Image vs FLUX 3: Dos formas de poner un cuadro delimitador en un prompt

Lo más interesante de comparar M​OSS-Image con FLUX 3 es que ambos, en el último mes, llegaron a la misma conclusión —que la forma de controlar un modelo de imágenes es escribir coordenadas en el prompt— y luego discreparon sobre el sistema de coordenadas. El 16 de octubre de 2026, OpenMOSS publicó M​OSS-Image-Base y M​OSS-Image-SFT bajo la licencia Apache 2.0: un transformer de difusión de 5B, descargable, con un formato de diseño JSON que posiciona elementos mediante desplazamientos absolutos en píxeles medidos desde el centro del lienzo. Black Forest Labs llegó primero con F​lux 3 Image, disponible desde el 1 de octubre con una tabla de tarifas publicada, que toma cada caja como [arriba, izquierda, abajo, derecha] en números enteros de 0 a 1000, relativos a una cuadrícula fija. Misma idea, gramática incompatible, y solo uno de los dos te da un archivo que puedes conservar.

Esa diferencia —no la calidad de imagen— es lo que decide este enfrentamiento para la mayoría de los equipos, y lo decide más rápido que cualquier benchmark. Por eso, la comparación a continuación está organizada en torno a ella. Cada cifra de MOSS-Image es de OpenMOSS, tomada del lanzamiento y de su informe técnico, y nadie ha reproducido ninguna. Cada cifra de Flux 3 procede de la tarifa publicada y el material de lanzamiento de Black Forest Labs. No existe una comparación directa e independiente entre estos dos modelos, y no la habrá durante un tiempo.

Lo que cada lado realmente entregó

M​OSS-Image es un par de checkpoints, M​OSS-Image-Base y M​OSS-Image-SFT, con pesos y código de inferencia bajo Apache 2.0, un espejo en ModelScope, un Space de Gradio, una canalización personalizada de Diffusers y un plugin nativo de ComfyUI. El soporte en el núcleo de ComfyUI llegó el mismo día que los pesos. No hay endpoint alojado de OpenMOSS ni precio publicado, porque no hay nada que tarifar: o lo ejecutas tú, o no lo ejecutas.

F​lux 3 es la forma opuesta. Black Forest Labs lo anunció en julio de 2026 como una única arquitectura entrenada en video, imagen y audio, y el nivel de imagen fija — F​lux 3 Image — se abrió con precios públicos de pago por uso el 1 de octubre. La contraparte de pesos abiertos, FLUX 3 Image Klein, llegó el 15 de octubre bajo la Licencia FLUX Kommunity, que permite el uso comercial gratuito solo por debajo de un límite de ingresos. Así que B​FL ahora ofrece tanto una vía de alquiler como una descargable, pero son modelos diferentes con licencias diferentes, y la descarga es el hermano menor en lugar del buque insignia.

Ninguno de los dos modelos está en nuestro propio catálogo. OrcaRouter sirve más de 200 modelos y M​OSS-Image no es uno de ellos, así que nada de lo que hay aquí debe interpretarse como que lo ofrecemos — lo mismo ocurre con F​lux 3. Lo que hace útil al router en esta comparación es la otra mitad del bucle: cuando quieres poner un checkpoint autoalojado frente a modelos de imagen alojados con los mismos prompts, el lado alojado es accesible mediante una única clave de API, al precio de lista del proveedor y sin ningún recargo por nuestra parte, con conmutación por error automática entre proveedores si uno de ellos se degrada a mitad de ejecución.

Las gramáticas de cajas, lado a lado

Aquí es donde los dos divergen de una manera que un archivo de configuración notará.

• Espacio de coordenadas — M​OSS-Image: píxeles absolutos medidos desde el centro del lienzo, utilizando bbox_coord_space: "abs_centralized", por lo que en un lienzo de 1024×1024 cada eje va de −512 a +512. F​lux 3 Image: enteros normalizados de 0 a 1000 medidos desde la esquina superior izquierda.

• Orden de coordenadas — MOSS-Image: bbox_format: "yxyx", lo que significa [y_min, x_min, y_max, x_max]. Flux 3 Image: [top, left, bottom, right], que son los mismos cuatro números en el mismo orden con un nombre diferente.

• Cómo llega al modelo — M​OSS-Image: un objeto JSON que se pasa como la cadena de prompt, con un summary bloque para la escena y el estilo, además de un items array en el que cada elemento lleva una etiqueta, una descripción y, en el caso de los elementos de texto, la cadena literal que debe renderizarse. F​lux 3 Image: un array JSON de cajas escrito dentro de un prompt normal, sin necesidad de ningún parámetro adicional.

• Acoplamiento de resolución — las coordenadas de MOSS-Image son píxeles, así que solo son correctas para el ancho y el alto que solicitaste; cambia el tamaño de salida y vuelves a derivar cada caja. La cuadrícula 0–1000 de Flux 3 es independiente de la resolución por construcción: [0, 0, 500, 500] es el cuarto superior izquierdo de cualquier lienzo que solicites.

• Para qué sirve el cuadro — M​OSS-Image se presenta ante todo como control de generación, y el proveedor señala que editar el pie de foto de un elemento o mover su cuadro ajusta esa parte de la composición, algo descrito como experimental. F​lux 3 Image combina la disposición con la edición multiturno acotada al cuadro como capacidad destacada.

Esa última viñeta es la separación práctica. La cuadrícula de Flux 3 sobrevive a un cambio de resolución de salida; la de MOSS-Image no, pero MOSS-Image te permite nombrar la cadena exacta que quieres que se represente dentro de un elemento de texto en lugar de describirla. Si tu pipeline vuelve a renderizar a diferentes tamaños, la cuadrícula es una ventaja real. Si tu pipeline renderiza pósteres con dimensiones fijas y texto específico, los píxeles absolutos no son una carga.

Representación de texto, donde los únicos números son los del proveedor

La capacidad más destacada de MOSS-Image es el texto legible, y el proveedor creó dos benchmarks para medirla. En LongLongTextBench —240 tareas de renderizado de texto literario con una longitud objetivo media de unos 1.340 caracteres—, MOSS-Image obtiene 96,3 en cobertura de texto Mean-6, frente a 64,9 de Qwen-Image-2512. La fila situada encima de ella en la misma tabla corresponde a GPT Image 2 con 99,0 y a Nano Banana Pro con 96,6, lo cual merece mención: OpenMOSS publicó una tabla en la que los competidores siguen ganando.

Black Forest Labs no publicó ningún benchmark de renderizado de texto para F​lux 3 Image. No hay ningún número que poner junto a 96.3, por ninguno de los dos lados, e inventar una comparación a partir de imágenes de muestra sería justo el tipo de cosa que este blog no debería hacer. Lo que sí se puede decir es que el VAE de FLUX.2 es el que usa M​OSS-Image —la propia model card de M​OSS-Image señala que carga el decodificador small de FLUX.2—, así que ambas familias no son ajenas entre sí a nivel de píxel, aunque los generadores no tengan relación alguna.

Coste: un número frente a cinco

• M​OSS-Image — gratis para descargar, Apache 2.0, sin umbral de ingresos y sin nivel comercial. El costo es el hardware: el repositorio SFT suma aproximadamente 27,2 GB, de los cuales unos 16,8 GB repartidos en cuatro fragmentos corresponden al codificador de texto Qwen3.5-9B congelado y unos 10,2 GB repartidos en tres corresponden al transformer. Presupuesta para el codificador, no para la insignia.

• Flux 3 Image — $0,041 a 768×768, $0,048 a aproximadamente 1 megapíxel, $0,07 a 1,5K, $0,10 a 2K y $0,607 a 4K, por imagen, según la propia lista de tarifas de Black Forest Labs. Un descuento de lanzamiento del 50 % estuvo vigente del 1 al 8 de octubre y ya expiró, por lo que cualquier modelo de costos basado en él necesita una segunda línea a tarifa completa.

• FLUX 3 Image Klein — 0,008 $ a 768×768, subiendo a 0,036 $ a 4K, y el texto a imagen y la edición cuestan lo mismo. Es drásticamente más barato que la descarga de 5B con la que compite en mano de obra, aunque no en licencia.

La formulación honesta es que estas no son la misma compra. M​OSS-Image intercambia dinero por horas de GPU e ingeniería; F​lux 3 Image intercambia dinero por que alguien más ejecute el stack y se cobra por imagen entregada a una tarifa que aumenta pronunciadamente con la resolución.

Lo que ninguna de las partes ha publicado

No existe ningún benchmark independiente de MOSS-Image. Tampoco existe un benchmark independiente de Flux 3 Image: BFL lanzó el nivel de imagen sin cifras comparativas frente a ningún otro modelo de imagen, ni ejecutadas por el proveedor ni de ningún otro tipo. Ninguno de los dos modelos tiene una fila en una tabla de clasificación neutral que alguien pueda señalar. Cuando ambos lados de una comparación carecen de evidencia, la conclusión correcta no es que sean igual de buenos; es que hoy por hoy no puedes saberlo, y que el criterio de desempate tiene que ser algo que sí puedas medir: la licencia, el formato, la latencia en tu propio hardware y si la gramática de las cajas encaja con el código que ya tienes.

Dos cosas cambiarían eso. Una ejecución independiente de LongLongTextBench o RealLayoutArena por parte de alguien que no sea OpenMOSS sería la primera evidencia real de la afirmación central de M​OSS-Image. Una comparación de control de diseño de terceros en la cuadrícula de B​FL haría lo mismo para F​lux 3 Image. Ninguna de las dos existe todavía.

¿Cuál elegirías en realidad?

Elige MOSS-Image si el entregable es una página compuesta —póster, infografía, mockup de producto— donde un texto específico tiene que quedar en lugares específicos y donde quieres los pesos en tu propia infraestructura. La licencia Apache 2.0 hace que la revisión comercial sea breve, el checkpoint Base se dejó deliberadamente sin destilar para que el entrenamiento LoRA tenga algo de lo que agarrarse, y el layout JSON es la parte del modelo que el proveedor midió con más cuidado. Presupuesta el codificador y espera proporcionar JSON estructurado en lugar de prosa: la propia ablación del proveedor situó los prompts de layout JSON en 1622.87 Elo frente a 1506.20 para lenguaje natural en el mismo sistema, lo que es una gran diferencia y la señal más clara del lanzamiento.

Elige Flux 3 Image si necesitas un endpoint invocable hoy mismo, si tus resultados varían en resolución o si quieres ediciones delimitadas por cajas a lo largo de varios turnos como una función compatible y no experimental. La cuadrícula de 0 a 1000 es independiente de la resolución, la tarifa es pública y, junto a él, hay una variante económica de pesos abiertos si el techo de la licencia es aceptable.

Lo que hay que vigilar es la gramática de las cajas. Cualquiera que sea la convención que adopten primero tus herramientas, esa será la que conservarás, y ahora mismo las dos convenciones son incompatibles — píxeles absolutos relativos al centro enyxyx por un lado, enteros normalizados con respecto a la esquina superior izquierda por el otro. Una pequeña función adaptadora convierte entre ellos. La razón por la que importa es que es la única parte de esta comparación que puede conocerse por completo hoy.

Los fallos de IA documentados y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.