MOSS-Image vs FLUX 3 : deux façons de placer une boîte englobante dans un prompt

Ce qu'il y a de plus intéressant dans la comparaison entre MOSS-Image et FLUX 3, c'est que tous les deux, au cours du dernier mois, sont arrivés à la même conclusion — que le moyen de contrôler un modèle d'image consiste à écrire des coordonnées dans le prompt — avant de se diviser sur le système de coordonnées. Le 16 octobre 2026, OpenMOSS a publié MOSS-Image-Base et MOSS-Image-SFT sous Apache 2.0 : un transformer de diffusion de 5B, téléchargeable, avec un format de mise en page JSON qui positionne les éléments par des décalages en pixels absolus mesurés depuis le centre du canevas. Black Forest Labs y est arrivé en premier avec Flux 3 Image, disponible depuis le 1er octobre avec une grille tarifaire publiée, qui prend chaque boîte sous la forme [top, left, bottom, right] en nombres entiers de 0 à 1000, par rapport à une grille fixe. Même idée, grammaire incompatible, et seul l'un des deux vous donne un fichier que vous pouvez conserver.

Cette différence — et non la qualité d'image — est ce qui décide de ce duel pour la plupart des équipes, et elle le décide plus vite que n'importe quel benchmark. La comparaison ci-dessous est donc organisée autour d'elle. Chaque chiffre de M​OSS-Image appartient à OpenMOSS, tiré de son annonce et de son rapport technique, et aucun n'a été reproduit par qui que ce soit. Chaque chiffre de F​lux 3 provient de la grille tarifaire publiée et des documents de lancement de Black Forest Labs. Il n'existe aucune comparaison directe indépendante entre ces deux modèles, et il n'y en aura pas avant un bon moment.

Ce que chaque camp a réellement livré

M​OSS-Image est une paire de checkpoints, M​OSS-Image-Base et M​OSS-Image-SFT, avec des poids et du code d'inférence sous Apache 2.0, un miroir ModelScope, un Space Gradio, un pipeline personnalisé Diffusers et un plugin ComfyUI natif. La prise en charge dans ComfyUI core est arrivée le jour même où les poids sont sortis. Il n'existe pas de point de terminaison hébergé par OpenMOSS ni de prix publié, car il n'y a rien à facturer — soit vous l'exécutez, soit non.

Flux 3 présente la configuration inverse. Black Forest Labs l'a annoncé en juillet 2026 comme une architecture unique entraînée sur la vidéo, l'image et l'audio, et le palier image fixe — Flux 3 Image — a ouvert avec une tarification publique à l'usage le 1er octobre. La contrepartie à poids ouverts, FLUX 3 Image Klein, a suivi le 15 octobre sous la licence FLUX Kommunity, qui n'autorise l'usage commercial gratuit qu'en dessous d'un plafond de chiffre d'affaires. BFL propose donc désormais à la fois une voie en location et une voie téléchargeable, mais il s'agit de modèles différents, avec des licences différentes, et le modèle téléchargeable est le petit frère plutôt que le porte-étendard.

Aucun des deux modèles ne figure dans notre propre catalogue. OrcaRouter dessert plus de 200 modèles et M​OSS-Image n'en fait pas partie, donc rien ici ne doit être interprété comme une offre de notre part — il en va de même pour F​lux 3. Ce qui rend le routeur utile dans cette comparaison, c'est l'autre moitié de la boucle : lorsque vous voulez confronter un checkpoint auto-hébergé à des modèles d'image hébergés sur les mêmes prompts, le côté hébergé est accessible via une seule clé API, au prix catalogue du fournisseur sans marge ajoutée de notre côté, avec un basculement automatique entre fournisseurs si l'un d'eux se dégrade en cours d'exécution.

Les grammaires de boîtes, côte à côte

C'est ici que les deux divergent d'une manière qu'un fichier de configuration remarquera.

• Espace de coordonnées — M​OSS-Image : pixels absolus mesurés depuis le centre du canevas, en utilisant bbox_coord_space: "abs_centralized", donc sur un canevas 1024×1024, chaque axe s'étend de −512 à +512. F​lux 3 Image : nombres entiers normalisés de 0 à 1000 mesurés depuis le coin supérieur gauche.

• Ordre des coordonnées — M​OSS-Image : bbox_format: "yxyx", c'est-à-dire [y_min, x_min, y_max, x_max]. F​lux 3 Image : [top, left, bottom, right], soit les mêmes quatre nombres dans le même ordre sous un nom différent.

• Comment il parvient au modèle — MOSS-Image : un objet JSON transmis comme chaîne d'invite, avec un bloc summary pour la scène et le style, plus un tableau d'items où chaque élément comporte une étiquette, une légende et, pour les éléments textuels, la chaîne littérale à afficher. Flux 3 Image : un tableau JSON de boîtes écrit dans une invite normale, sans paramètre supplémentaire requis.

• Couplage de résolution — les coordonnées de M​OSS-Image sont en pixels, elles ne sont donc correctes que pour la largeur et la hauteur que vous avez demandées ; changez la taille de sortie et vous recalculez chaque boîte. La grille 0–1000 de F​lux 3 est indépendante de la résolution par construction : [0, 0, 500, 500] correspond au quart supérieur gauche de tout canevas que vous demandez.

• À quoi sert le cadre — M​OSS-Image est présenté avant tout comme un moyen de contrôle de la génération, le fournisseur indiquant que modifier la légende d'un élément ou déplacer son cadre ajuste cette partie de la composition, décrit comme expérimental. F​lux 3 Image associe la mise en page à une édition multi-tour limitée au cadre comme capacité phare.

Ce dernier point est la distinction pratique. La grille de F​lux 3 survit à un changement de résolution de sortie ; celle de M​OSS-Image ne survit pas, mais M​OSS-Image vous permet de nommer la chaîne exacte que vous voulez voir rendue dans un élément texte plutôt que de la décrire. Si votre pipeline effectue un nouveau rendu à différentes tailles, la grille est un véritable avantage. Si votre pipeline génère des affiches aux dimensions fixes et avec un texte spécifique, les pixels absolus ne sont pas un fardeau.

Rendu de texte, où les seuls nombres sont ceux du fournisseur

La capacité phare de M​OSS-Image est le texte lisible, et le fournisseur a construit deux benchmarks pour la mesurer. Sur LongLongTextBench — 240 tâches de rendu de texte littéraire d'une longueur cible moyenne d'environ 1 340 caractères — M​OSS-Image obtient 96,3 en couverture textuelle Mean-6, contre 64,9 pour Q​wen-Image-2512. La ligne au-dessus dans le même tableau est GPT Image 2 à 99,0 et N​ano Banana Pro à 96,6, ce qui mérite d'être noté : OpenMOSS a publié un tableau dans lequel des concurrents l'emportent encore.

Black Forest Labs n'a publié absolument aucun benchmark de rendu de texte pour F​lux 3 Image. Il n'y a aucun chiffre à mettre à côté de 96,3, d'un côté comme de l'autre, et inventer une comparaison à partir d'images d'exemple serait le genre de chose que ce blog ne devrait pas faire. Ce que l'on peut dire, c'est que le VAE de FLUX.2 est celui qu'utilise M​OSS-Image — la fiche modèle de M​OSS-Image elle-même précise qu'il charge le petit décodeur FLUX.2 — donc les deux familles ne sont pas étrangères au niveau des pixels, même si les générateurs ne sont pas apparentés.

Coût : un nombre contre cinq

• MOSS-Image — téléchargeable gratuitement, Apache 2.0, aucun seuil de revenus et aucune offre commerciale. Le coût, c’est le matériel : le dépôt SFT totalise environ 27,2 Go, dont environ 16,8 Go répartis sur quatre fragments constituent l’encodeur de texte figé Qwen3.5-9B, et environ 10,2 Go répartis sur trois constituent le transformer. Prévoyez le budget pour l’encodeur, pas pour le badge.

• F​lux 3 Image — 0,041 $ en 768×768, 0,048 $ pour environ 1 mégapixel, 0,07 $ en 1,5K, 0,10 $ en 2K et 0,607 $ en 4K, par image, d'après la propre grille tarifaire de Black Forest Labs. Une remise de lancement de 50 % était en vigueur du 1er octobre au 8 octobre et a expiré, donc tout modèle de coût fondé sur celle-ci nécessite une seconde ligne au tarif plein.

• FLUX 3 Image Klein — 0,008 $ en 768×768, passant à 0,036 $ en 4K, et la génération texte-image comme l’édition coûtent le même prix. Il est radicalement moins cher que le téléchargement 5B auquel il se mesure en main-d’œuvre, sinon en licence.

La formulation honnête est qu'il ne s'agit pas du même achat. MOSS-Image échange de l'argent contre des heures de GPU et de l'ingénierie ; Flux 3 Image échange de l'argent contre quelqu'un d'autre qui fait tourner la stack, et son prix est facturé par image livrée, à un tarif qui grimpe fortement avec la résolution.

Ce qu’aucune des deux parties n’a publié

Il n'existe aucun benchmark indépendant de MOSS-Image. Il n'existe pas non plus de benchmark indépendant de Flux 3 Image — BFL a livré la déclinaison image sans aucun chiffre de comparaison avec quelque autre modèle d'image que ce soit, qu'ils soient produits par un fournisseur ou non. Aucun des deux modèles n'a de ligne sur un classement neutre que quiconque puisse pointer. Lorsque les deux côtés d'une comparaison sont dépourvus de preuves, la conclusion correcte n'est pas qu'ils se valent ; c'est que vous ne pouvez pas, à l'heure actuelle, le déterminer, et que le départage doit reposer sur quelque chose que vous pouvez réellement mesurer — la licence, le format, la latence sur votre propre matériel, et si la grammaire de boîte correspond au code que vous avez déjà.

Deux choses changeraient cela. Une exécution indépendante de LongLongTextBench ou de RealLayoutArena par quelqu'un d'autre qu'OpenMOSS constituerait la première véritable preuve à l'appui de l'affirmation centrale de M​OSS-Image. Une comparaison tierce du contrôle de mise en page sur la grille B​FL ferait de même pour F​lux 3 Image. Ni l'une ni l'autre n'existe encore.

Lequel choisirais-tu réellement ?

Choisissez M​OSS-Image si le livrable est une page composée — affiche, infographie, maquette produit — où un texte précis doit se placer à des endroits précis et où vous voulez les poids dans votre propre infrastructure. La licence Apache 2.0 raccourcit l'examen commercial, le checkpoint Base a été délibérément laissé non distillé pour que l'entraînement LoRA ait quelque chose à se mettre sous la dent, et la mise en page JSON est la partie du modèle que le fournisseur a mesurée avec le plus de soin. Prévoyez un budget pour l'encodeur et attendez-vous à fournir du JSON structuré plutôt que de la prose : l'ablation réalisée par le fournisseur lui-même a évalué les prompts de mise en page JSON à 1622,87 Elo contre 1506,20 pour le langage naturel sur le même système, ce qui représente un écart important et le signal le plus clair de cette version.

Optez pour Flux 3 Image si vous avez besoin dès aujourd’hui d’un endpoint appelable, si la résolution de vos sorties varie, ou si vous voulez que les modifications limitées à une zone sur plusieurs tours soient une fonctionnalité prise en charge plutôt qu’expérimentale. La grille 0–1000 est indépendante de la résolution, la grille tarifaire est publique, et il existe à côté une variante open-weight bon marché si le plafond de licence est acceptable.

Ce qu’il faut surveiller, c’est la grammaire de la boîte. Quelle que soit la convention que votre outillage adopte en premier, c’est celle que vous conserverez, et à l’heure actuelle, les deux conventions sont incompatibles — des pixels absolus relatifs au centre dans l’ordre yxyx d’un côté, des entiers normalisés en haut à gauche de l’autre. Une petite fonction d’adaptation convertit entre elles. La raison pour laquelle cela importe, c’est que c’est la seule partie de cette comparaison qui soit entièrement connaissable aujourd’hui.

Les défaillances documentées de l’IA et les incidents d’agents à l’origine de versions comme celle-ci sont recueillis dans l’OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, sa gravité, sa note de confiance et un indicateur de contestation.