MOSS-Image vs Krea 3: Satu Menagih per Gambar, yang Lainnya Menagih per Jam

Dua model dalam perbandingan ini diberi harga dalam mata uang yang berbeda, itulah sebabnya perbandingan yang tampak jelas — enam sen versus nol — adalah perbandingan yang salah. K​rea 3, yang dirilis 15 Oktober 2026, adalah model penyuntingan yang dihosting dengan tarif yang dipublikasikan: $0,06 per gambar pada 2K native, di bawah delapan detik dari awal hingga akhir menurut pengukuran vendor sendiri. M​OSS-Image, yang dirilis oleh OpenMOSS pada 16 Oktober 2026 sebagai checkpoint Apache 2.0 M​OSS-Image-Base dan M​OSS-Image-SFT, tidak memiliki tarif sama sekali. Anda menyewa GPU dan Anda membayar per jam, baik Anda menghasilkan satu gambar maupun empat ratus gambar dalam sejam itu.

Jadi pertanyaan sebenarnya bukanlah mana yang lebih murah. Melainkan bagaimana beban kerja Anda terlihat selama sebulan, karena tarif tetap per gambar dan tarif per jam berpotongan pada volume yang sepenuhnya bergantung pada utilisasi Anda sendiri. Di bawah titik persilangan itu, K​rea lebih baik dalam hal biaya dan jauh lebih baik dalam hal latensi. Di atasnya, biaya marginal per gambar M​OSS-Image mendekati biaya listrik. Hampir tidak ada yang menghitungnya, padahal itulah keseluruhan keputusannya.

Keduanya ingin sebuah kotak, dan mereka menginginkannya dalam satuan yang berbeda.

Mulailah dari bagian yang membuat keduanya bisa dibandingkan sama sekali, karena mudah terlewat. Tidak satu pun dari ini adalah generator prompt-dan-berdoa. Perkakas penyuntingan K​rea 3 mencakup kotak pembatas untuk menempatkan elemen baru, dan penyuntingan multi-giliran yang mempertahankan konteksnya di setiap giliran. Format tata letak M​OSS-Image menggunakan objek JSON sebagai prompt — sebuah blok ringkasan plus sebuah item array di mana setiap elemen membawa label berupa teks, karakter atau objek, sebuah keterangan, kotak pembatas, dan untuk elemen teks, string literal yang akan dirender.

• Dari mana kotak berasal — MOSS-Image: bidang JSON pada setiap item di prompt tata letak, menggunakan bbox_format: "yxyx" dalam bbox_coord_space: "abs_centralized", yaitu piksel absolut yang diukur dari pusat kanvas. Krea 3: kontrol kotak pembatas di antarmuka penyuntingannya untuk menempatkan elemen baru.

• Resolusi keluaran — M​OSS-Image: dilatih pada 256px, 512px, dan sekitar 1024², dengan anggaran token yang bergerak 576 → 3.072 → 8.192. K​rea 3: native 2K, dengan contoh yang dikutip pada 2736 × 1536 px, dan 1K dengan harga setengah.

• Gambar referensi — MOSS-Image: elemen dijelaskan secara struktural dalam prompt tata letak, bukan disediakan sebagai gambar referensi. Krea 3: hingga enam per edit pada postingan peluncuran, delapan pada halaman produk — materi milik vendor sendiri memberikan dua angka dan tidak satupun dari keduanya telah ditarik.

• Apa yang sedang Anda bangun — M​OSS-Image: sebuah komposisi, dari sebuah spesifikasi, sebagian besar dari nol. K​rea 3: sebuah suntingan pada gambar yang sudah Anda miliki, dengan area di luar suntingan dibiarkan apa adanya.

Baris terakhir itulah yang menentukan sebagian besar beban kerja nyata. Jika pekerjaan Anda adalah "ambil foto produk ini dan ganti latarnya", M​OSS-Image adalah alat yang salah — ini bukan editor in-place, dan vendornya menyebut perilaku penyuntingan itu eksperimental. Jika pekerjaan Anda adalah "hasilkan empat ratus poster unik dengan teks tertentu di tempat tertentu", K​rea 3 adalah alat yang salah, dan materinya sendiri minim soal teks panjang — contoh peluncurannya berbahasa Inggris, kekuatan yang didokumentasikan adalah perubahan adegan produk, penghapusan objek, dan pembersihan foto.

Kecepatan, di mana hanya satu pihak yang telah menerbitkan apa pun

K​rea 3's headline number is under eight seconds per edit, end to end, at 2K. It is a vendor figure and the vendor is unusually forthcoming about where it came from: the timings are the median request-to-result time of each model's twelve-image batch, queue time included, measured on K​rea's own platform between 24 September and 1 October 2026. A methodology printed on the benchmark is worth more than a bare number, and this one has it. It is still K​rea measuring K​rea. Angka utama K​rea 3 adalah di bawah delapan detik per penyuntingan, dari awal hingga akhir, pada 2K. Ini angka dari vendor, dan vendornya luar biasa terbuka tentang dari mana angka itu berasal: waktu tersebut adalah waktu median dari permintaan ke hasil untuk batch dua belas gambar tiap model, termasuk waktu antrean, yang diukur di platform K​rea sendiri antara 24 September dan 1 Oktober 2026. Metodologi yang dicetak pada tolok ukur lebih bernilai daripada sekadar angka telanjang, dan yang ini memilikinya. Tetap saja, K​rea mengukur K​rea.

MOSS-Image tidak memiliki angka latensi yang dipublikasikan sama sekali, dan ada baiknya memahami alasannya sebelum menganggapnya sebagai kelalaian. Default sampling-nya adalah flow-matching Euler pada 50 langkah dengan CFG 3.0, shift 5.0, dan guidance skip-layer cabang negatif pada layer 22. Jalur guidance default memerlukan dua forward transformer per langkah. Karena itu, latensi untuk MOSS-Image bukanlah properti model sebagaimana halnya untuk endpoint yang dihosting — melainkan properti GPU yang Anda pasang di bawahnya, jumlah langkah yang Anda pilih, dan apakah Anda menonaktifkan guidance atau menjalankan distilasi. Komunitas merilis kuantisasi INT8 dan INT4, LoRA DMD 4 langkah, dan varian terdistilasi 8 langkah dalam waktu sekitar sehari setelah rilis, yang menunjukkan bahwa orang-orang menganggap default 50 langkah terlalu lambat untuk pekerjaan interaktif dan memperbaikinya sendiri.

Jadi, perbandingan yang jujur soal kecepatan adalah: Krea 3 menyebutkan angka yang bergantung pada Krea, dan MOSS-Image tidak punya angka karena bergantung pada Anda. Default 50 langkah dengan dua forward per langkah tidak cepat. Build terdistilasi 8 langkah di kartu sewaan mungkin cepat. Tidak satu pun dari pernyataan itu bisa diperiksa dari halaman vendor mana pun, dan pernyataan kedua bisa Anda periksa dalam waktu satu sore.

Aritmetika revisi, yakni titik di mana enam sen berhenti menjadi penting.

Inilah perhitungan yang mengubah keputusan, dan ini dimulai dari kerangka berpikir K​rea sendiri.

Dengan $0,06 per edit, menjalankan lima kali proses dan memilih yang terbaik berbiaya tiga puluh sen dan tanpa rapat. Itulah tawaran implisit Krea, dan itu tawaran yang bagus, karena alternatif dari percobaan ulang murah adalah satu jam kerja desainer. Seratus ribu edit per bulan pada 2K adalah $6.000 — dan Krea secara eksplisit menyatakan bahwa harga peluncuran adalah harga daftar dan bahwa pihaknya memperkirakan harga akan turun, bukan naik, yang menjadikan $6.000 sebagai batas atas, bukan batas bawah.

Sisi MOSS-Image dari aritmetika yang sama bukanlah tarif, melainkan masalah pemanfaatan. Lisensinya adalah Apache 2.0 tanpa ambang pendapatan, dan ada model open-weight seharga $0,008 per gambar di sekitar perbandingan ini dari vendor lain sebagai referensi — tetapi bukan begitu cara jalur terbuka bekerja. Unduhannya sekitar 27,2 GB, yang mana kira-kira 16,8 GB di empat shard adalah encoder teks Qwen3.5-9B yang dibekukan dan sekitar 10,2 GB di tiga shard adalah transformer. Lencana 5B hanya menggambarkan generator difusi saja dan encoder adalah bagian yang lebih besar dari jejak disk.

Apakah itu mengalahkan enam sen bergantung pada tiga angka yang sudah Anda ketahui: tarif per jam GPU Anda, jumlah gambar per jam Anda pada jumlah langkah yang Anda pilih, dan berapa fraksi bulan kartu itu benar-benar sibuk. Tim yang menjalankan lini produksi tetap akan mendapatkan biaya efektif per gambar yang rendah dan sebaiknya melakukan hosting sendiri. Tim yang membutuhkan empat puluh gambar pada Selasa sore tidak boleh menyewa GPU untuk itu, dan tidak boleh berpura-pura harga lisensi adalah harga gambar.

Klaim penyetelan halus, yang diajukan kedua belah pihak dan tak satu pun telah membuktikannya

Inilah bagian yang biasanya terlewat dalam perbandingan spesifikasi, dan inilah hal paling menarik yang dimiliki bersama oleh kedua model ini.

Klaim Krea adalah bahwa Krea 3 adalah model pengeditan pertama yang dapat Anda fine-tune pada produk tertentu, seseorang, atau gaya tertentu, sehingga packshot sebuah merek atau karakter yang berulang tetap sama di sepanjang kampanye. Mekanismenya dapat diperiksa — referensi API memuat endpoint "Train a custom style (LoRA)" — dan apakah "pertama" itu masih bertahan merupakan klaim tentang bidang ini, bukan sebuah pengukuran. Itu klaim Krea. Tetapi mekanismenya ada, terdokumentasi, dan itu satu-satunya jalur yang dipublikasikan di sisi Krea untuk mengunci suatu subjek.

Padanan OpenMOSS bersifat struktural, bukan komersial. Base adalah checkpoint praterlatih, yang sengaja dibiarkan tanpa didistilasi — kartu model menyatakan secara eksplisit bahwa tidak ada pascapelatihan atau distilasi parameter inferensi seperti CFG yang diterapkan, demi mempertahankan informasi pelatihan dan menjaga pelatihan LoRA tetap layak. Itu adalah vendor yang memilih merilis default yang lebih buruk sebagai ganti substrat pelatihan yang lebih baik, dan itu adalah sinyal paling jelas dalam seluruh rilis ini tentang untuk siapa checkpoint Base ditujukan.

Kedua klaim menunjuk pada pembeli yang sama: seseorang dengan subjek berulang yang tidak boleh bergeser. Tak satu pun vendor telah menerbitkan pengukuran pergeseran, dan komunitas membangun di sekitar MOSS-Image — paket ComfyUI, kuantisasi, LoRA hasil distilasi — yang muncul dalam waktu sekitar satu hari, yang menunjukkan bahwa jalur pelatihan itu nyata meskipun belum ada hasil pelatihan yang diterbitkan oleh vendor.

• Di mana LoRA berada — Krea 3: endpoint yang dihosting di platform Krea, dilatih menggunakan model Krea di infrastruktur Krea. MOSS-Image: bobot milik Anda sendiri, proses pelatihan milik Anda sendiri, GPU milik Anda sendiri, dengan checkpoint yang sengaja dibiarkan vendor dalam kondisi dapat dilatih.

• Berapa biaya yang harus Anda tanggung — K​rea 3: pembicaraan soal pelatihan adalah pembicaraan soal lisensi. M​OSS-Image: pembicaraan soal pelatihan adalah tagihan listrik Anda dan waktu sepekan seseorang.

• Yang Anda dapatkan sebagai imbalannya — Krea 3: gaya yang dapat Anda panggil, bergantung pada uptime pihak lain. MOSS-Image: checkpoint milik Anda, yang tetap berfungsi jika vendornya hengkang.

Akses, dan di mana router masuk ke dalam pipeline dua alat

K​rea 3 bersifat tertutup. K​rea pernah merilis bobot terbuka sebelumnya — K​rea 2 RAW dan Turbo ada di Hub — tetapi K​rea 3 tidak termasuk di dalamnya, dan FAQ K​rea menempatkan self-hosting di bawah paket enterprise, di GPU Anda sendiri, dengan ketentuan lisensi dan spesifikasi perangkat keras yang perlu didiskusikan. Jadi ini soal pilihan. M​OSS-Image cukup diunduh, dan unduhan itu adalah keseluruhan produknya.

Keduanya tidak ada di katalog OrcaRouter — kami menyediakan lebih dari 200 model dan tidak satu pun dari keduanya termasuk di dalamnya — jadi keduanya berarti harus langsung ke sumbernya: untuk K​rea 3, API milik K​rea sendiri dan beberapa platform pihak ketiga; untuk M​OSS-Image, repositori dan perangkat keras Anda sendiri.

Yang membuat router berguna dalam pipeline seperti ini adalah bagian yang bukan salah satu model. Menempatkan sebuah elemen dalam frame biasanya hanya satu langkah dari sebuah pekerjaan yang juga memerlukan generator terkelola untuk gambar dasar, model terpisah untuk upscaling, dan proses captioning atau penilaian — dan di situlah satu endpoint di atas beberapa ratus model dengan failover otomatis serta harga daftar penyedia yang diteruskan dengan markup 0% menghilangkan pekerjaan integrasi, bukan pekerjaan model. DSL routing itu penting karena alasan yang sama: jika langkah gambar dasar dan langkah edit menggunakan dua model berbeda, menyematkan masing-masing per permintaan dalam satu konfigurasi lebih baik daripada memegang dua SDK vendor. Ini soal perpipaan, dan arsitektur M​OSS-Image sendiri menjadi pengingat akan seberapa berharga perpipaan itu dibandingkan modelnya — hasil tata letak end-to-end terkuat dari vendor tersebut dihasilkan oleh pipeline yang separuh spesifikasi prompt-nya sepenuhnya berjalan pada model pihak ketiga.

Yang mana, dan crossover yang memutuskannya

Pilih Krea 3 jika hasil akhirnya adalah penyuntingan gambar yang sudah ada, jika tim Anda mengukur latensinya sendiri dalam satuan menit, dan jika volume Anda cukup tidak merata sehingga GPU sewaan akan menganggur hampir sepanjang bulan. Enam sen dengan waktu bolak-balik di bawah delapan detik, dokumentasi presisi yang jelas, dan endpoint LoRA di infrastruktur vendor itu sendiri adalah produk yang koheren untuk pekerjaan itu, dan fakta bahwa harga peluncuran dinyatakan sebagai harga daftar berarti ekonominya kecil kemungkinan memburuk. Ketahuilah sejak awal bahwa setiap angka performa yang disertakan padanya adalah milik Krea sendiri, bahwa jumlah referensinya didokumentasikan dengan dua cara, dan bahwa ia tidak memiliki skor independen dalam bentuk apa pun — yang merupakan keseluruhan penjelasan atas absennya dari papan peringkat, karena ia dirilis sehari sebelum riset artikel ini dikumpulkan.

Ambil MOSS-Image jika Anda memproduksi gambar gabungan dari sebuah spesifikasi pada volume tetap, jika kotak pembatas dalam prompt JSON lebih cocok untuk pipeline Anda daripada kotak di UI seseorang, atau jika memiliki checkpoint merupakan persyaratan, bukan preferensi. Apache 2.0 tanpa ambang pendapatan membuat tinjauan hukum menjadi singkat, checkpoint Base sengaja dapat dilatih, dan skema tata letaknya adalah spesifikasi yang sesungguhnya. Pahami sejak awal bahwa latensi bergantung pada Anda, bahwa encoder adalah sebagian besar unduhan, bahwa kuantisasi komunitas ada karena default 50 langkah itu lambat, dan bahwa tidak satu pun benchmark vendor tersebut yang telah direproduksi oleh siapa pun.

Titik impasnya bukan misteri. Bagi biaya GPU bulanan Anda dengan jumlah gambar per bulan Anda dan bandingkan hasilnya dengan enam sen. Jika Anda tidak dapat memperkirakan gambar per jam dengan yakin, ketidakpastian itu adalah jawabannya: sewa Krea selama satu bulan, hasilkan volume yang benar-benar Anda harapkan, dan biarkan faktur memberi tahu Anda apakah jalur terbuka layak dibangun. Ini eksperimen yang lebih murah daripada menyewa kartu selama sebulan untuk mengetahuinya.

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.