MOSS-Image vs FLUX 3: Dwa sposoby na umieszczenie ramki ograniczającej w prompcie

Najciekawsze w porównaniu M​OSS-Image z FLUX 3 jest to, że oba w ciągu ostatniego miesiąca doszły do tego samego wniosku — że sposobem na kontrolowanie modelu obrazu jest wpisywanie współrzędnych do promptu — a następnie nie zgodziły się co do układu współrzędnych. 16 października 2026 r. OpenMOSS udostępnił M​OSS-Image-Base oraz M​OSS-Image-SFT na licencji Apache 2.0: transformer dyfuzyjny 5B, do pobrania, z formatem układu JSON, który pozycjonuje elementy za pomocą bezwzględnych przesunięć w pikselach mierzonych od środka płótna. Black Forest Labs zrobił to pierwszy, wypuszczając F​lux 3 Image, dostępny od 1 października wraz z opublikowanym cennikiem, który traktuje każde pole jako [top, left, bottom, right] w liczbach całkowitych od 0 do 1000, względem stałej siatki. Ten sam pomysł, niekompatybilna gramatyka, a tylko jeden z tych dwóch daje plik, który możesz zachować.

To ta różnica — nie jakość obrazu — decyduje o tym starciu w przypadku większości zespołów i rozstrzyga je szybciej niż jakikolwiek benchmark. Dlatego poniższe porównanie zostało zorganizowane wokół niej. Każda liczba dotycząca M​OSS-Image pochodzi od samego OpenMOSS, została zaczerpnięta z wydania i jego raportu technicznego, i żadna z nich nie została przez nikogo odtworzona. Każda liczba dotycząca F​lux 3 pochodzi z opublikowanego przez Black Forest Labs własnego cennika i materiałów z premiery. Nie istnieje niezależne bezpośrednie porównanie między tymi dwoma modelami i przez jakiś czas nie będzie.

Co każda ze stron faktycznie dostarczyła

MOSS-Image to para checkpointów, MOSS-Image-Base i MOSS-Image-SFT, z wagami i kodem wnioskowania na licencji Apache 2.0, mirrorem ModelScope, Gradio Space, niestandardowym pipeline'em Diffusers i natywną wtyczką ComfyUI. Wsparcie w rdzeniu ComfyUI pojawiło się tego samego dnia co wagi. Nie ma hostowanego endpointu od OpenMOSS ani opublikowanej ceny, bo nie ma czego wyceniać — albo to uruchamiasz, albo nie.

Flux 3 ma odwrotny kształt. Black Forest Labs ogłosiło go w lipcu 2026 r. jako pojedynczą architekturę trenowaną na wideo, obrazach i dźwięku, a poziom dla obrazów statycznych — Flux 3 Image — ruszył z publicznym cennikiem pay-as-you-go 1 października. Otwarty odpowiednik, FLUX 3 Image Klein, pojawił się 15 października na licencji FLUX Kommunity License, która pozwala na darmowe użycie komercyjne wyłącznie poniżej progu przychodów. BFL oferuje więc teraz zarówno ścieżkę wynajmu, jak i ścieżkę do pobrania, ale to różne modele z różnymi licencjami, a wersja do pobrania jest mniejszym rodzeństwem, a nie flagowcem.

Żaden z tych modeli nie znajduje się w naszym własnym katalogu. OrcaRouter obsługuje ponad 200 modeli, a M​OSS-Image nie jest jednym z nich, więc niczego tutaj nie należy odczytywać jako naszej oferty — to samo dotyczy F​lux 3. To, do czego router przydaje się w tym porównaniu, to druga połowa pętli: gdy chcesz zestawić samodzielnie hostowany checkpoint z hostowanymi modelami obrazów na tych samych promptach, strona hostowana jest dostępna przez jeden klucz API, w cenie katalogowej dostawcy, bez żadnej marży dodanej po naszej stronie, z automatycznym przełączaniem awaryjnym między dostawcami, jeśli któryś z nich pogorszy swoje działanie w trakcie.

Gramatyki pudełkowe, obok siebie

W tym miejscu te dwa rozchodzą się w sposób, który zauważy plik konfiguracyjny.

• Przestrzeń współrzędnych — M​OSS-Image: bezwzględne piksele mierzone od środka płótna, przy użyciu bbox_coord_space: "abs_centralized", więc na płótnie 1024×1024 każda oś przebiega od −512 do +512. Flux 3 Image: znormalizowane liczby całkowite od 0 do 1000 mierzone od lewego górnego rogu.

• Kolejność współrzędnych — MOSS-Image: bbox_format: "yxyx", co oznacza [y_min, x_min, y_max, x_max]. Flux 3 Image: [top, left, bottom, right], czyli te same cztery liczby w tej samej kolejności pod inną nazwą.

• Jak trafia do modelu — M​OSS-Image: jeden obiekt JSON przekazywany jako ciąg promptu, z summary w postaci bloku dla sceny i stylu oraz items w postaci tablicy, w której każdy element zawiera etykietę, podpis, a w przypadku elementów tekstowych dosłowny ciąg znaków do wyrenderowania. F​lux 3 Image: tablica JSON boxów zapisana w zwykłym prompcie, bez konieczności dodatkowego parametru.

• Sprzężenie rozdzielczości — współrzędne MOSS-Image to piksele, więc są poprawne tylko dla szerokości i wysokości, o które poproszono; zmień rozmiar wyjściowy, a każdy prostokąt trzeba wyznaczyć od nowa. Siatka 0–1000 w Flux 3 jest z założenia niezależna od rozdzielczości: [0, 0, 500, 500] jest lewą górną ćwiartką dowolnego płótna, o które poprosisz.

• Do czego służy ramka — MOSS-Image jest prezentowany przede wszystkim jako kontrola generowania, a producent zauważa, że edycja podpisu elementu lub przesunięcie jego ramki dostosowuje tę część kompozycji, co określono jako eksperymentalne. Flux 3 Image łączy układ z edycją wieloetapową w obrębie ramki jako kluczową możliwość.

Ten ostatni punkt to praktyczne rozgraniczenie. Siatka F​lux 3 przetrwa zmianę rozdzielczości wyjściowej; siatka M​OSS-Image już nie, ale M​OSS-Image pozwala podać dokładny ciąg znaków, który chcesz renderować wewnątrz elementu tekstowego, zamiast go opisywać. Jeśli Twój pipeline renderuje ponownie w różnych rozmiarach, siatka jest prawdziwym atutem. Jeśli Twój pipeline renderuje plakaty o stałych wymiarach i konkretnej treści, bezwzględne wartości pikselowe nie są obciążeniem.

Renderowanie tekstu, w którym jedyne liczby należą do dostawcy

Sztandarową możliwością M​OSS-Image jest czytelny tekst, a producent opracował dwa benchmarki, aby ją zmierzyć. W LongLongTextBench — 240 zadaniach renderowania tekstu literackiego o średniej docelowej długości około 1 340 znaków — M​OSS-Image uzyskuje 96,3 w zakresie pokrycia tekstu Mean-6, wobec 64,9 dla Q​wen-Image-2512. Wiersz powyżej niego w tej samej tabeli to GPT Image 2 z 99,0 i N​ano Banana Pro z 96,6, co warto odnotować: OpenMOSS opublikował tabelę, w której konkurenci wciąż wygrywają.

Black Forest Labs nie opublikowało żadnego benchmarku renderowania tekstu dla F​lux 3 Image. Nie ma żadnej liczby, którą można by postawić obok 96,3 — z żadnej ze stron — a wymyślanie porównania na podstawie przykładowych obrazów byłoby czymś, czego ten blog nie powinien robić. Można natomiast powiedzieć, że VAE modelu FLUX.2 to ten, którego używa M​OSS-Image — karta modelu M​OSS-Image sama wskazuje, że ładuje mały dekoder FLUX.2 — więc te dwie rodziny nie są sobie obce na poziomie pikseli, mimo że generatory są ze sobą niepowiązane.

Koszt: jedna liczba kontra pięć

• MOSS-Image — do pobrania za darmo, Apache 2.0, bez progu przychodowego i bez planu komercyjnego. Koszt to sprzęt: repozytorium SFT zajmuje łącznie około 27,2 GB, z czego około 16,8 GB w czterech shardach to zamrożony enkoder tekstu Qwen3.5-9B, a około 10,2 GB w trzech to transformer. Zaplanuj budżet na enkoder, nie na plakietkę.

• F​lux 3 Image — 0,041 USD przy 768×768, 0,048 USD dla około 1 megapiksela, 0,07 USD przy 1,5K, 0,10 USD przy 2K i 0,607 USD przy 4K, za obraz, zgodnie z własnym cennikiem Black Forest Labs. 50-procentowa zniżka premierowa obowiązywała od 1 do 8 października i wygasła, więc każdy model kosztów oparty na niej wymaga drugiej pozycji według pełnej stawki.

• FLUX 3 Image Klein — 0,008 USD przy 768×768, rosnąco do 0,036 USD przy 4K, a generowanie obrazu z tekstu i edycja kosztują tyle samo. Jest dramatycznie tańszy niż pobierany model 5B, z którym konkuruje, pod względem nakładu pracy, jeśli nie licencji.

Uczciwe ujęcie sprawy jest takie, że to nie są te same zakupy. MOSS-Image wymienia pieniądze na godziny GPU i inżynierię; Flux 3 Image wymienia pieniądze na to, że ktoś inny obsługuje stack, i jest wyceniany za każdy dostarczony obraz według stawki, która gwałtownie rośnie wraz z rozdzielczością.

To, czego nie opublikowała żadna ze stron

Nie istnieje niezależny benchmark M​OSS-Image. Nie istnieje też niezależny benchmark F​lux 3 Image — B​FL wydało warstwę obrazową bez żadnych liczb porównawczych z jakimkolwiek innym modelem obrazowym, przeprowadzonych przez dostawcę albo w jakikolwiek inny sposób. Żaden z tych modeli nie ma wiersza w neutralnym rankingu, na który ktokolwiek mógłby wskazać. Gdy obie strony porównania są niepoparte dowodami, właściwy wniosek nie brzmi, że są równie dobre; brzmi, że obecnie nie można tego stwierdzić, a czynnikiem rozstrzygającym musi być coś, co można faktycznie zmierzyć — licencja, format, opóźnienie na własnym sprzęcie i to, czy gramatyka pudełka pasuje do kodu, który już masz.

Dwie rzeczy by to zmieniły. Niezależne przeprowadzenie LongLongTextBench lub RealLayoutArena przez kogokolwiek innego niż OpenMOSS byłoby pierwszym prawdziwym dowodem na główne twierdzenie MOSS-Image. Porównanie kontroli układu przeprowadzone przez stronę trzecią na siatce BFL zrobiłoby to samo dla Flux 3 Image. Żadna z nich jeszcze nie istnieje.

Który z nich faktycznie byś wybrał?

Wybierz MOSS-Image, jeśli efektem ma być skomponowana strona — plakat, infografika, makieta produktu — gdzie konkretny tekst musi trafić w konkretne miejsca i gdzie chcesz mieć wagi we własnej infrastrukturze. Licencja Apache 2.0 sprawia, że przegląd komercyjny jest krótki, checkpoint Base celowo pozostawiono niedestylowany, żeby trening LoRA miał się na czym zaczepić, a układ JSON to ta część modelu, którą dostawca zmierzył najstaranniej. Uwzględnij koszt enkodera i licz się z tym, że będziesz dostarczać ustrukturyzowany JSON, a nie prozę: własna ablacja dostawcy dała promptom układu JSON 1622,87 Elo wobec 1506,20 dla języka naturalnego w tym samym systemie, co jest dużą różnicą i najwyraźniejszym sygnałem w tym wydaniu.

Wybierz F​lux 3 Image, jeśli już dziś potrzebujesz endpointu, który można wywołać, jeśli rozdzielczość Twoich wyników jest różna albo jeśli chcesz edycji ograniczonych do prostokąta w wielu turach jako obsługiwanej funkcji, a nie eksperymentalnej. Siatka 0–1000 jest niezależna od rozdzielczości, cennik jest publiczny, a obok znajduje się tani wariant open-weight, jeśli pułap licencyjny jest akceptowalny.

Na co trzeba uważać, to gramatyka pudełek. Którąkolwiek konwencję Twoje narzędzia przyjmą jako pierwszą, tę zachowasz, a obecnie te dwie konwencje są niekompatybilne — bezwzględne piksele względem środka o kolejności yxyx po jednej stronie, znormalizowane liczby całkowite względem lewego górnego rogu po drugiej. Niewielka funkcja adaptera konwertuje między nimi. Powód, dla którego to ma znaczenie, jest taki, że to jedyna część tego porównania, która jest dziś w pełni poznawalna.

Udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami jak to są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom istotności, stopień pewności i znacznik sporności.