MOSS-Image vs FLUX 3: Dua Cara Menempatkan Bounding Box dalam Prompt

Hal yang paling menarik tentang membandingkan M​OSS-Image dengan FLUX 3 adalah bahwa keduanya, dalam sebulan terakhir, sampai pada kesimpulan yang sama — bahwa cara untuk mengendalikan model gambar adalah dengan menulis koordinat ke dalam prompt — dan kemudian tidak setuju tentang sistem koordinat. Pada 16 Oktober 2026, OpenMOSS merilis M​OSS-Image-Base dan M​OSS-Image-SFT di bawah Apache 2.0: transformer difusi 5B, dapat diunduh, dengan format tata letak JSON yang memposisikan elemen berdasarkan offset piksel absolut yang diukur dari pusat kanvas. Black Forest Labs sudah lebih dulu dengan F​lux 3 Image, yang aktif sejak 1 Oktober dengan daftar harga yang dipublikasikan, yang menganggap setiap kotak sebagai [top, left, bottom, right] dalam bilangan bulat dari 0 hingga 1000, relatif terhadap grid tetap. Ide yang sama, tata bahasa yang tidak kompatibel, dan hanya satu dari keduanya yang memberi Anda file yang dapat Anda simpan.

Perbedaan itulah — bukan kualitas gambar — yang menentukan pertandingan ini bagi sebagian besar tim, dan hal itu menentukannya lebih cepat daripada tolok ukur mana pun. Jadi perbandingan di bawah ini disusun dengan berpusat pada hal itu. Setiap angka MOSS-Image adalah milik OpenMOSS sendiri, diambil dari rilis dan laporan teknisnya, dan tidak ada satu pun yang telah direproduksi oleh siapa pun. Setiap angka Flux 3 berasal dari kartu tarif dan materi rilis yang diterbitkan sendiri oleh Black Forest Labs. Tidak ada perbandingan langsung yang independen antara kedua model ini, dan tidak akan ada untuk sementara waktu.

Apa yang sebenarnya dirilis oleh masing-masing pihak

MOSS-Image adalah sepasang checkpoint, MOSS-Image-Base dan MOSS-Image-SFT, dengan bobot dan kode inferensi di bawah Apache 2.0, mirror ModelScope, Gradio Space, pipeline kustom Diffusers, dan plugin ComfyUI native. Dukungan inti ComfyUI hadir pada hari yang sama dengan bobotnya. Tidak ada endpoint yang dihosting dari OpenMOSS dan tidak ada harga yang dipublikasikan, karena tidak ada yang perlu diberi harga — Anda menjalankannya atau tidak.

F​lux 3 adalah bentuk yang berlawanan. Black Forest Labs mengumumkannya pada Juli 2026 sebagai arsitektur tunggal yang dilatih lintas video, gambar, dan audio, dan tier gambar diam — F​lux 3 Image — dibuka dengan harga pay-as-you-go publik pada 1 Oktober. Padanan open-weight, FLUX 3 Image Klein, menyusul pada 15 Oktober di bawah FLUX Kommunity License, yang mengizinkan penggunaan komersial gratis hanya di bawah plafon pendapatan. Jadi B​FL kini menawarkan jalur sewa dan jalur yang dapat diunduh, tetapi keduanya adalah model berbeda dengan lisensi berbeda, dan versi unduhan adalah saudara yang lebih kecil, bukan produk andalan.

Tidak satu pun dari model tersebut ada di katalog kami sendiri. OrcaRouter melayani lebih dari 200 model dan M​OSS-Image bukan salah satunya, jadi tidak ada di sini yang boleh ditafsirkan sebagai kami menawarkannya — hal yang sama berlaku untuk F​lux 3. Yang membuat router berguna dalam perbandingan ini adalah separuh lainnya dari siklus: ketika Anda ingin mengadu checkpoint yang di-hosting sendiri dengan model gambar ter-hosting pada prompt yang sama, sisi ter-hosting dapat diakses melalui satu kunci API, pada harga daftar penyedia tanpa markup tambahan dari pihak kami, dengan failover otomatis antar penyedia jika salah satunya menurun di tengah proses.

Tata bahasa kotak, berdampingan

Di sinilah keduanya menyimpang dengan cara yang akan diperhatikan oleh file konfigurasi.

• Ruang koordinat — MOSS-Image: piksel absolut yang diukur dari pusat kanvas, menggunakan bbox_coord_space: "abs_centralized", sehingga pada kanvas 1024×1024 setiap sumbu membentang dari −512 hingga +512. Flux 3 Image: bilangan bulat ternormalisasi 0 hingga 1000 yang diukur dari sudut kiri atas.

• Urutan koordinat — M​OSS-Image: bbox_format: "yxyx", artinya [y_min, x_min, y_max, x_max]. F​lux 3 Image: [top, left, bottom, right], yang merupakan empat angka yang sama dalam urutan yang sama dengan nama yang berbeda.

• Bagaimana hal ini sampai ke model — M​OSS-Image: satu objek JSON yang diteruskan sebagai string prompt, dengan ringkasan blok untuk adegan dan gaya plus item array di mana setiap elemen membawa label, keterangan, dan untuk elemen teks string literal yang akan dirender. F​lux 3 Image: array JSON berisi kotak-kotak yang ditulis ke dalam prompt normal, tanpa parameter tambahan yang diperlukan.

• Gandengan resolusi — koordinat MOSS-Image berupa piksel, jadi koordinat itu hanya benar untuk lebar dan tinggi yang Anda minta; ubah ukuran keluaran, maka setiap kotak harus diturunkan ulang. Kisi 0–1000 milik Flux 3 bersifat independen terhadap resolusi secara bawaan: [0, 0, 500, 500] adalah seperempat bagian kiri atas dari kanvas mana pun yang Anda minta.

• Untuk apa kotak ini — MOSS-Image disajikan terutama sebagai kontrol generasi, dengan vendor mencatat bahwa mengedit keterangan suatu elemen atau memindahkan kotaknya akan menyesuaikan bagian komposisi tersebut, yang digambarkan sebagai eksperimental. Flux 3 Image memadukan tata letak dengan pengeditan multi-giliran yang berlingkup kotak sebagai kemampuan andalan.

Butir terakhir itu adalah pembeda praktisnya. Grid F​lux 3 tetap bertahan saat resolusi keluaran berubah; grid M​OSS-Image tidak, tetapi M​OSS-Image memungkinkan Anda menyebutkan string persis yang ingin dirender di dalam elemen teks alih-alih mendeskripsikannya. Jika pipeline Anda merender ulang pada ukuran yang berbeda, grid adalah keuntungan nyata. Jika pipeline Anda merender poster dengan dimensi tetap dan teks spesifik, piksel absolut bukanlah beban.

Perenderan teks, di mana satu-satunya angka adalah milik vendor.

Kemampuan unggulan M​OSS-Image adalah teks yang terbaca, dan vendor membangun dua benchmark untuk mengukurnya. Pada LongLongTextBench — 240 tugas rendering teks sastra dengan rata-rata panjang target sekitar 1.340 karakter — M​OSS-Image mencetak skor 96,3 pada cakupan teks Mean-6, dibandingkan dengan 64,9 untuk Q​wen-Image-2512. Baris di atasnya dalam tabel yang sama adalah GPT Image 2 dengan 99,0 dan N​ano Banana Pro dengan 96,6, yang patut dicatat: OpenMOSS menerbitkan tabel yang di dalamnya para kompetitor masih menang.

Black Forest Labs sama sekali tidak menerbitkan tolok ukur rendering teks untuk F​lux 3 Image. Tidak ada angka untuk diletakkan di samping 96.3, dari sisi mana pun, dan mengarang perbandingan dari gambar sampel adalah hal yang seharusnya tidak dilakukan blog ini. Yang dapat dikatakan adalah VAE milik FLUX.2 adalah yang digunakan M​OSS-Image — kartu model M​OSS-Image sendiri mencatat bahwa model itu memuat decoder kecil FLUX.2 — jadi kedua keluarga tersebut tidak asing di tingkat piksel meskipun generatornya tidak terkait.

Biaya: satu angka versus lima

• M​OSS-Image — gratis untuk diunduh, Apache 2.0, tanpa ambang pendapatan dan tanpa tier komersial. Biayanya adalah perangkat keras: repositori SFT totalnya sekitar 27,2 GB, yang sekitar 16,8 GB di empat shard merupakan encoder teks Qwen3.5-9B yang dibekukan dan sekitar 10,2 GB di tiga shard merupakan transformer. Anggarkan untuk encoder, bukan lencananya.

• Flux 3 Image — $0,041 pada 768×768, $0,048 pada sekitar 1 megapiksel, $0,07 pada 1,5K, $0,10 pada 2K, dan $0,607 pada 4K, per gambar, dari kartu tarif milik Black Forest Labs sendiri. Diskon peluncuran 50% berlangsung dari 1 Oktober hingga 8 Oktober dan telah berakhir, jadi model biaya apa pun yang dibangun di atasnya perlu baris kedua pada tarif penuh.

• FLUX 3 Image Klein — $0,008 pada 768×768, naik menjadi $0,036 pada 4K, dan text-to-image serta pengeditan memiliki biaya yang sama. Harganya jauh lebih murah daripada unduhan 5B yang menjadi pesaingnya dalam hal tenaga kerja, meski bukan dalam hal lisensi.

Pembingkaian yang jujur adalah bahwa ini bukan pembelian yang sama. MOSS-Image menukar uang dengan jam GPU dan rekayasa; Flux 3 Image menukar uang dengan pihak lain yang menjalankan stack dan diberi harga per gambar yang dikirim dengan tarif yang naik tajam seiring resolusi.

Apa yang belum diterbitkan oleh kedua belah pihak

Tidak ada tolok ukur independen untuk M​OSS-Image. Tidak ada tolok ukur independen untuk F​lux 3 Image juga — B​FL merilis tier gambar itu tanpa angka perbandingan terhadap model gambar lain mana pun, baik yang dijalankan vendor maupun tidak. Tidak ada satu pun dari model tersebut yang memiliki baris di papan peringkat netral yang bisa ditunjuk oleh siapa pun. Ketika kedua sisi perbandingan sama-sama tanpa bukti, kesimpulan yang benar bukanlah bahwa keduanya sama baiknya; melainkan bahwa untuk saat ini Anda tidak dapat menentukannya, dan bahwa pemecah serinya harus berupa sesuatu yang benar-benar dapat Anda ukur — lisensi, format, latensi pada perangkat keras Anda sendiri, dan apakah tata bahasa box cocok dengan kode yang sudah Anda miliki.

Dua hal akan mengubah itu. Uji independen LongLongTextBench atau RealLayoutArena oleh siapa pun selain OpenMOSS akan menjadi bukti nyata pertama untuk klaim utama MOSS-Image. Perbandingan kontrol tata letak oleh pihak ketiga pada grid BFL akan melakukan hal yang sama untuk Flux 3 Image. Keduanya belum ada.

Mana yang sebenarnya akan kamu pilih

Pilih MOSS-Image jika hasil akhirnya adalah halaman tersusun — poster, infografis, mockup produk — di mana teks tertentu harus ditempatkan di posisi tertentu dan di mana Anda ingin bobot berada di infrastruktur Anda sendiri. Lisensi Apache 2.0 membuat peninjauan komersial menjadi singkat, checkpoint Base sengaja dibiarkan tanpa distilasi agar pelatihan LoRA punya sesuatu untuk dipelajari, dan tata letak JSON adalah bagian dari model yang paling cermat diukur oleh vendor. Anggarkan encoder dan perkirakan untuk menyediakan JSON terstruktur, bukan prosa: ablasi vendor sendiri menempatkan prompt tata letak JSON pada 1622,87 Elo dibandingkan 1506,20 untuk bahasa alami pada sistem yang sama, yang merupakan selisih besar dan sinyal paling jelas dalam rilis ini.

Ambil F​lux 3 Image jika Anda memerlukan endpoint yang dapat dipanggil hari ini, jika output Anda bervariasi dalam hal resolusi, atau jika Anda ingin pengeditan berlingkup kotak (box-scoped) lintas beberapa giliran sebagai fitur yang didukung, bukan fitur eksperimental. Grid 0–1000 tidak bergantung pada resolusi, kartu tarifnya publik, dan ada varian open-weight murah di sampingnya jika batas lisensinya dapat diterima.

Hal yang perlu diperhatikan adalah tata bahasa kotak. Konvensi mana pun yang pertama diadopsi oleh perkakas Anda adalah konvensi yang akan Anda pertahankan, dan saat ini kedua konvensi tersebut tidak kompatibel — piksel absolut yang relatif terhadap pusat dalam urutan yxyx di satu sisi, bilangan bulat kiri atas yang dinormalisasi di sisi lain. Fungsi adaptor kecil mengonversi di antara keduanya. Alasan hal ini penting adalah bahwa ini adalah satu-satunya bagian dari perbandingan ini yang sepenuhnya dapat diketahui saat ini.

Kegagalan AI yang terdokumentasi dan insiden agen di balik rilis seperti ini dikumpulkan dalam the OrcaRouter AI Incident Archive, tempat setiap entri membawa sumbernya sendiri, tingkat keparahan, peringkat keyakinan, dan penanda sengketa.