MOSS-Image против FLUX 3: два способа поместить ограничивающую рамку в промпт

Самое интересное в сравнении M​OSS-Image с FLUX 3 — это то, что оба они за последний месяц пришли к одному и тому же выводу: способ управлять моделью изображений — это записывать координаты в промпт, — а затем разошлись в том, какой должна быть система координат. 16 октября 2026 года OpenMOSS выпустила M​OSS-Image-Base и M​OSS-Image-SFT под лицензией Apache 2.0: 5B-диффузионный трансформер, доступный для скачивания, с JSON-форматом раскладки, который позиционирует элементы по абсолютным пиксельным смещениям, отсчитываемым от центра холста. Black Forest Labs сделала это первой с F​lux 3 Image, доступной с 1 октября по опубликованному прайс-листу, которая принимает каждый бокс как [top, left, bottom, right] в виде целых чисел от 0 до 1000 относительно фиксированной сетки. Та же идея, несовместимая грамматика, и только один из двух даёт вам файл, который можно сохранить.

Именно это различие — а не качество изображений — определяет исход этого противостояния для большинства команд, и определяет быстрее, чем любой бенчмарк. Поэтому приведённое ниже сравнение построено вокруг него. Все показатели M​OSS-Image принадлежат самой OpenMOSS, взяты из релиза и технического отчёта, и никто их не воспроизводил. Все показатели Flux 3 взяты из тарифной сетки и материалов релиза, опубликованных самой Black Forest Labs. Независимого прямого сравнения этих двух моделей не существует, и в ближайшее время не появится.

Что на самом деле выпустила каждая сторона

M​OSS-Image — это пара чекпоинтов, M​OSS-Image-Base и M​OSS-Image-SFT, с весами и кодом для инференса под Apache 2.0, зеркалом на ModelScope, Gradio Space, кастомным пайплайном Diffusers и нативным плагином ComfyUI. Поддержка в ядре ComfyUI появилась в тот же день, что и веса. У OpenMOSS нет хостингового эндпоинта и опубликованной цены, потому что оценивать нечего — вы либо запускаете это, либо нет.

Flux 3 — это противоположная конфигурация. Black Forest Labs анонсировала его в июле 2026 года как единую архитектуру, обученную на видео, изображениях и аудио, а тариф для работы с неподвижными изображениями — Flux 3 Image — открылся 1 октября с публичной оплатой по факту использования. Открытая по весам альтернатива — FLUX 3 Image Klein — появилась 15 октября под лицензией FLUX Kommunity License, которая разрешает бесплатное коммерческое использование только при выручке ниже установленного порога. Так что BFL теперь действительно предлагает и арендуемый путь, и скачиваемый, но это разные модели с разными лицензиями, и скачиваемая — младший брат, а не флагман.

Ни одна из этих моделей не представлена в нашем собственном каталоге. OrcaRouter обслуживает более 200 моделей, и M​OSS-Image не входит в их число, поэтому ничто здесь не должно восприниматься как наше предложение — то же самое касается Flux 3. В этом сравнении роутер полезен другой половиной цикла: когда вы хотите противопоставить самостоятельно размещённый чекпоинт хостируемым моделям изображений на одних и тех же промптах, сторона хостинга доступна через один API-ключ, по прейскурантной цене провайдера без наценки с нашей стороны, с автоматическим переключением при сбое между провайдерами, если один из них начнёт деградировать во время выполнения.

Грамматики-боксы, бок о бок

Именно здесь они расходятся так, что это заметит конфигурационный файл.

• Пространство координат — MOSS-Image: абсолютные пиксели, измеряемые от центра холста, используя bbox_coord_space: "abs_centralized", поэтому на холсте 1024×1024 каждая ось проходит от −512 до +512. Flux 3 Image: нормализованные целые числа от 0 до 1000, отсчитываемые от верхнего левого угла.

• Порядок координат — M​OSS-Image: bbox_format: "yxyx", что означает [y_min, x_min, y_max, x_max]. F​lux 3 Image: [верх, лево, низ, право], что представляет собой те же четыре числа в том же порядке под другими названиями.

• Как это попадает в модель — MOSS-Image: один объект JSON, передаваемый в виде строки промпта, с сводным блоком для сцены и стиля плюс элементный массив, где каждый элемент содержит метку, подпись, а для текстовых элементов — буквальную строку для рендеринга. Flux 3 Image: массив JSON с боксами, записанный в обычный промпт, без необходимости дополнительного параметра.

• Зависимость от разрешения — координаты MOSS-Image задаются в пикселях, поэтому они верны только для той ширины и высоты, которые вы запросили; измените размер вывода — и придётся заново вычислять каждую рамку. Сетка 0–1000 у Flux 3 не зависит от разрешения по своей конструкции: [0, 0, 500, 500] — это верхняя левая четверть любого запрошенного холста.

• Для чего нужен бокс — MOSS-Image представлен в первую очередь как инструмент управления генерацией; производитель отмечает, что редактирование подписи элемента или перемещение его бокса корректирует эту часть композиции, и это описывается как экспериментальная функция. Flux 3 Image сочетает компоновку с многошаговым редактированием в пределах бокса в качестве ключевой возможности.

В этом последнем пункте и заключается практическое различие. Сетка F​lux 3 выдерживает изменение выходного разрешения; у M​OSS-Image — нет, но M​OSS-Image позволяет задать точную строку, которую вы хотите отрисовать внутри текстового элемента, а не описывать её. Если ваш пайплайн выполняет повторный рендеринг при разных размерах, сетка — настоящее преимущество. Если ваш пайплайн рендерит постеры с фиксированными размерами и конкретным текстом, абсолютные пиксели — не обуза.

Отрисовка текста, где единственные числа — это числа вендора.

Главная возможность MOSS-Image — разборчивый текст, и производитель создал два бенчмарка для её измерения. На LongLongTextBench — 240 задач по отрисовке литературного текста со средней целевой длиной около 1 340 символов — MOSS-Image набирает 96,3 по покрытию текста Mean-6 против 64,9 у Qwen-Image-2512. В строке выше в той же таблице — GPT Image 2 с 99,0 и Nano Banana Pro с 96,6, что стоит отметить: OpenMOSS опубликовал таблицу, в которой конкуренты всё ещё побеждают.

Black Forest Labs вообще не опубликовала ни одного бенчмарка по рендерингу текста для F​lux 3 Image. Нет числа, которое можно было бы поставить рядом с 96.3, — ни с той, ни с другой стороны, — а придумывать сравнение по примерам изображений было бы как раз тем, чего этот блог делать не должен. Можно сказать вот что: VAE у FLUX.2 — это тот, который использует M​OSS-Image (в собственной карточке модели M​OSS-Image отмечено, что она загружает small-декодер FLUX.2), так что эти два семейства не чужие друг другу на уровне пикселей, хотя сами генераторы не связаны между собой.

Стоимость: одно число против пяти

• MOSS-Image — бесплатно для скачивания, Apache 2.0, без порога по выручке и без коммерческого тарифа. Затраты — это оборудование: репозиторий SFT занимает примерно 27,2 ГБ, из которых около 16,8 ГБ на четырёх шардах — это замороженный текстовый энкодер Qwen3.5-9B, а около 10,2 ГБ на трёх — трансформер. Закладывайте бюджет на энкодер, а не на бейдж.

• Flux 3 Image — $0.041 при 768×768, $0.048 при примерно 1 мегапикселе, $0.07 при 1.5K, $0.10 при 2K и $0.607 при 4K за изображение, согласно собственной тарифной сетке Black Forest Labs. Скидка 50% в честь запуска действовала с 1 по 8 октября и уже истекла, поэтому любая модель затрат, построенная на ней, требует второй строки по полному тарифу.

• FLUX 3 Image Klein — $0,008 при 768×768 с ростом до $0,036 при 4K, причём генерация изображения по тексту и редактирование стоят одинаково. Он значительно дешевле в трудозатратах, чем загружаемая модель на 5B, с которой он конкурирует, если не по лицензии.

Честная формулировка такова: это не одна и та же покупка. MOSS-Image обменивает деньги на часы GPU и инженерную работу; Flux 3 Image обменивает деньги на то, что кто-то другой управляет стеком, и цена рассчитывается за доставленное изображение по тарифу, который резко растёт с разрешением.

Что не опубликовала ни одна из сторон

Не существует независимого бенчмарка для MOSS-Image. Также не существует независимого бенчмарка для Flux 3 Image — BFL выпустила уровень изображений без каких-либо сравнительных чисел с любой другой моделью изображений, будь то от вендора или кого-либо ещё. Ни у одной из моделей нет строки в нейтральном лидерборде, на которую кто-либо мог бы указать. Когда обе стороны сравнения не подкреплены доказательствами, правильный вывод не в том, что они одинаково хороши; а в том, что вы пока не можете определить, и что решающий фактор должен быть чем-то, что вы действительно можете измерить — лицензия, формат, задержка на вашем собственном оборудовании, и соответствует ли грамматика боксов коду, который у вас уже есть.

Две вещи могли бы это изменить. Независимый запуск LongLongTextBench или RealLayoutArena кем-либо, кроме OpenMOSS, стал бы первым реальным доказательством центрального утверждения M​OSS-Image. Стороннее сравнение управления компоновкой на сетке B​FL сделало бы то же самое для F​lux 3 Image. Ни того, ни другого пока не существует.

Какой бы вы на самом деле выбрали?

Выбирайте M​OSS-Image, если результат — это составная страница: постер, инфографика, мокап продукта — где конкретный текст должен оказаться в конкретных местах и где вы хотите держать веса в собственной инфраструктуре. Лицензия Apache 2.0 делает коммерческую проверку недолгой, чекпоинт Base намеренно оставили недистиллированным, чтобы обучению LoRA было за что зацепиться, а JSON-разметка — это та часть модели, которую поставщик измерял наиболее тщательно. Заложите бюджет на энкодер и рассчитывайте передавать структурированный JSON, а не прозу: собственный абляционный тест поставщика показал 1622,87 Elo для JSON-промптов разметки против 1506,20 для естественного языка в той же системе — это большой разрыв и самый ясный сигнал в релизе.

Выбирайте F​lux 3 Image, если вам уже сегодня нужен вызываемый эндпоинт, если ваши результаты различаются по разрешению или если вы хотите, чтобы правки в границах бокса на нескольких ходах были поддерживаемой функцией, а не экспериментальной. Сетка 0–1000 не зависит от разрешения, прайс-лист общедоступен, а рядом есть дешёвый вариант с открытыми весами, если лицензионные ограничения приемлемы.

Следить нужно за грамматикой боксов. Какую бы конвенцию ни принял ваш инструментарий первой, именно её вы и сохраните, а прямо сейчас эти две конвенции несовместимы — абсолютные пиксели относительно центра в yxyxпорядке с одной стороны и нормализованные целые числа относительно левого верхнего угла — с другой. Небольшая функция-адаптер преобразует одно в другое. Важно это потому, что это единственная часть данного сравнения, о которой сегодня можно знать наверняка.

Задокументированные сбои ИИ и инциденты с агентами, стоящие за такими релизами, как этот, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и флаг оспаривания.