MOSS-Image vs FLUX 3: Duas maneiras de colocar uma caixa delimitadora em um prompt

A coisa mais interessante em comparar M​OSS-Image com FLUX 3 é que ambos, no último mês, chegaram à mesma conclusão — que a maneira de controlar um modelo de imagem é escrever coordenadas no prompt — e depois discordaram sobre o sistema de coordenadas. Em 16 de outubro de 2026, a OpenMOSS lançou M​OSS-Image-Base e M​OSS-Image-SFT sob Apache 2.0: um transformador de difusão de 5B, disponível para download, com um formato de layout JSON que posiciona elementos por deslocamentos absolutos em pixels medidos a partir do centro da tela. A Black Forest Labs chegou primeiro com F​lux 3 Image, disponível desde 1º de outubro com uma tabela de preços publicada, que considera cada caixa como [superior, esquerda, inferior, direita] em números inteiros de 0 a 1000, em relação a uma grade fixa. Mesma ideia, gramática incompatível, e apenas uma das duas oferece um arquivo que você pode guardar.

Essa diferença — não a qualidade de imagem — é o que decide esse confronto para a maioria das equipes, e o decide mais rápido do que qualquer benchmark. Por isso, a comparação abaixo está organizada em torno dela. Todos os números do M​OSS-Image são da própria OpenMOSS, retirados do lançamento e de seu relatório técnico, e nada disso foi reproduzido por ninguém. Todos os números do F​lux 3 vêm da tabela de preços publicada e do material de lançamento da própria Black Forest Labs. Não há nenhum comparativo independente direto entre esses dois modelos, e não haverá um por um bom tempo.

O que cada lado de fato entregou

M​OSS-Image é um par de checkpoints, M​OSS-Image-Base e M​OSS-Image-SFT, com pesos e código de inferência sob Apache 2.0, um espelho no ModelScope, um Space do Gradio, um pipeline personalizado do Diffusers e um plugin nativo do ComfyUI. O suporte no core do ComfyUI chegou no mesmo dia que os pesos. Não há endpoint hospedado da OpenMOSS nem preço publicado, porque não há nada a precificar — ou você o executa, ou não.

Flux 3 tem a configuração oposta. A Black Forest Labs o anunciou em julho de 2026 como uma arquitetura única treinada em vídeo, imagem e áudio, e o nível de imagem estática — Flux 3 Image — foi aberto com preços públicos de pagamento conforme o uso em 1º de outubro. A contraparte de pesos abertos, FLUX 3 Image Klein, chegou em 15 de outubro sob a Licença FLUX Kommunity, que permite uso comercial gratuito apenas abaixo de um teto de receita. Assim, a BFL agora oferece tanto um caminho alugado quanto um para download, mas são modelos diferentes com licenças diferentes, e o download é o irmão menor, e não o carro-chefe.

Nenhum dos dois modelos está no nosso próprio catálogo. O OrcaRouter disponibiliza mais de 200 modelos e o MOSS-Image não é um deles, por isso, nada aqui deve ser interpretado como uma oferta nossa — o mesmo se aplica ao Flux 3. O que o router tem de útil nesta comparação é a outra metade do ciclo: quando quiser colocar um checkpoint auto-hospedado à prova contra modelos de imagem alojados nos mesmos prompts, o lado alojado está acessível através de uma única chave de API, ao preço de tabela do fornecedor sem qualquer markup adicionado do nosso lado, com failover automático entre fornecedores se um deles se degradar a meio da execução.

As gramáticas de caixa, lado a lado

É aqui que os dois divergem de uma forma que um arquivo de configuração vai notar.

• Espaço de coordenadas — M​OSS-Image: pixels absolutos medidos a partir do centro da tela, usando bbox_coord_space: "abs_centralized", portanto, em uma tela de 1024×1024, cada eixo vai de −512 a +512. F​lux 3 Image: números inteiros normalizados de 0 a 1000 medidos a partir do canto superior esquerdo.

• Ordem das coordenadas — MOSS-Image: bbox_format: "yxyx", ou seja, [y_min, x_min, y_max, x_max]. Flux 3 Image: [top, left, bottom, right], que são os mesmos quatro números na mesma ordem sob um nome diferente.

• Como ele chega ao modelo — MOSS-Image: um objeto JSON passado como a string de prompt, com um summary bloco para cena e estilo, além de um items array em que cada elemento carrega um rótulo, uma legenda e, para elementos de texto, a string literal a ser renderizada. Flux 3 Image: um array JSON de caixas escrito em um prompt normal, sem exigir parâmetro extra.

• Acoplamento de resolução — As coordenadas do MOSS-Image são pixels, portanto só estão corretas para a largura e a altura que você pediu; mude o tamanho da saída e você terá de recalcular cada caixa. A grade de 0–1000 do Flux 3 é independente de resolução por construção: [0, 0, 500, 500] é o quarto superior esquerdo de qualquer canvas que você solicitar.

• Para que serve a caixa — O M​OSS-Image é apresentado, antes de tudo, como controle de geração, com o fornecedor observando que editar a legenda de um elemento ou mover sua caixa ajusta aquela parte da composição, descrito como experimental. O F​lux 3 Image combina layout com edição multiturno delimitada por caixa como um recurso de destaque.

Esse último ponto é a distinção prática. A grade do Flux 3 sobrevive a uma mudança de resolução de saída; a do MOSS-Image não, mas o MOSS-Image permite que você nomeie a string exata que deseja que seja renderizada dentro de um elemento de texto em vez de descrevê-la. Se o seu pipeline renderiza novamente em tamanhos diferentes, a grade é uma vantagem real. Se o seu pipeline renderiza pôsteres com dimensões fixas e texto específico, pixels absolutos não são um fardo.

Renderização de texto, em que os únicos números são os do fornecedor

A principal capacidade do M​OSS-Image é o texto legível, e o fornecedor criou dois benchmarks para medi-la. No LongLongTextBench — 240 tarefas de renderização de texto literário com um comprimento-alvo médio de cerca de 1.340 caracteres — o M​OSS-Image pontua 96,3 na cobertura de texto Mean-6, contra 64,9 do Q​wen-Image-2512. Na linha acima dela, na mesma tabela, estão o GPT Image 2, com 99,0, e o N​ano Banana Pro, com 96,6, o que vale a pena notar: a OpenMOSS publicou uma tabela na qual os concorrentes ainda vencem.

A Black Forest Labs não publicou nenhum benchmark de renderização de texto para o Flux 3 Image. Não há número algum para colocar ao lado de 96,3, de nenhum dos lados, e inventar uma comparação a partir de imagens de exemplo seria o tipo de coisa que este blog não deveria fazer. O que se pode dizer é que a VAE do FLUX.2 é a que o MOSS-Image usa — o próprio model card do MOSS-Image observa que ele carrega o decodificador pequeno do FLUX.2 —, de modo que as duas famílias não são estranhas entre si no nível do pixel, ainda que os geradores não tenham relação alguma.

Custo: um número versus cinco

• M​OSS-Image — gratuito para baixar, Apache 2.0, sem limite de receita e sem nível comercial. O custo está no hardware: o repositório SFT totaliza cerca de 27,2 GB, dos quais cerca de 16,8 GB distribuídos em quatro shards correspondem ao codificador de texto congelado Qwen3.5-9B, e cerca de 10,2 GB distribuídos em três correspondem ao transformer. Faça o orçamento pensando no codificador, não no selo.

• Flux 3 Image — US$ 0,041 a 768×768, US$ 0,048 a cerca de 1 megapixel, US$ 0,07 a 1,5K, US$ 0,10 a 2K e US$ 0,607 a 4K, por imagem, segundo a própria tabela de preços da Black Forest Labs. Um desconto de lançamento de 50% vigorou de 1º de outubro a 8 de outubro e já expirou, então qualquer modelo de custos baseado nele precisa de uma segunda linha pelo valor integral.

• FLUX 3 Image Klein — $0,008 a 768×768, subindo para $0,036 em 4K, e texto para imagem e edição custam o mesmo. É drasticamente mais barato do que o download 5B com o qual compete em termos de mão de obra, ainda que não em licença.

A forma honesta de enquadrar isso é que estas não são a mesma compra. M​OSS-Image troca dinheiro por horas de GPU e engenharia; F​lux 3 Image troca dinheiro por outra pessoa executando a stack e é precificado por imagem entregue a uma tarifa que sobe acentuadamente com a resolução.

O que nenhum dos lados publicou

Não existe nenhum benchmark independente do MOSS-Image. Também não existe nenhum benchmark independente do Flux 3 Image — a BFL lançou o nível de imagem sem números de comparação em relação a qualquer outro modelo de imagem, executados pelo fornecedor ou não. Nenhum dos modelos tem uma linha em um leaderboard neutro que alguém possa apontar. Quando ambos os lados de uma comparação não têm evidências, a conclusão correta não é que eles são igualmente bons; é que você não consegue dizer no momento, e que o critério de desempate tem de ser algo que você consiga realmente medir — licença, formato, latência no seu próprio hardware e se a gramática da caixa corresponde ao código que você já tem.

Duas coisas mudariam isso. Uma execução independente do LongLongTextBench ou do RealLayoutArena por qualquer pessoa que não seja a OpenMOSS seria a primeira evidência real para a alegação central do M​OSS-Image. Uma comparação de controle de layout por terceiros na grade da B​FL faria o mesmo para o F​lux 3 Image. Nenhuma delas existe ainda.

Qual deles você escolheria de verdade

Escolha o MOSS-Image se o entregável for uma página composta — pôster, infográfico, mockup de produto — em que um texto específico precise ficar em lugares específicos e em que você queira os pesos na sua própria infraestrutura. A licença Apache 2.0 torna a revisão comercial rápida, o checkpoint Base foi deliberadamente deixado sem destilação para que o treinamento LoRA tenha algo a que se agarrar, e o layout JSON é a parte do modelo que o fornecedor mediu com mais cuidado. Reserve orçamento para o encoder e conte com fornecer JSON estruturado em vez de prosa: a própria ablação do fornecedor colocou prompts de layout JSON em 1622,87 Elo contra 1506,20 para linguagem natural no mesmo sistema, o que é uma diferença grande e o sinal mais claro do lançamento.

Escolha o F​lux 3 Image se você precisar de um endpoint invocável hoje, se suas saídas variarem em resolução, ou se você quiser edições com escopo de caixa ao longo de vários turnos como um recurso com suporte, em vez de experimental. A grade 0–1000 é independente de resolução, a tabela de preços é pública, e há uma variante barata de pesos abertos ao lado dela se o teto de licença for aceitável.

O ponto a observar é a gramática da caixa. Qualquer que seja a convenção que as suas ferramentas adotem primeiro, é essa que vai manter, e neste momento as duas convenções são incompatíveis — píxeis absolutos relativos ao centro em ordem yxyx de um lado, inteiros normalizados com origem no canto superior esquerdo do outro. Uma pequena função adaptadora converte entre as duas. A razão pela qual isto importa é que é a única parte desta comparação que se pode conhecer por completo hoje.

As falhas documentadas de IA e os incidentes com agentes por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.