MOSS-Image vs FLUX 3: Två sätt att lägga in en avgränsningsruta i en prompt

Det mest intressanta med att jämföra M​OSS-Image med FLUX 3 är att båda, inom loppet av den senaste månaden, kom fram till samma slutsats — att sättet att styra en bildmodell är att skriva koordinater i prompten — och sedan inte var överens om koordinatsystemet. Den 16 oktober 2026 släppte OpenMOSS M​OSS-Image-Base och M​OSS-Image-SFT under Apache 2.0: en 5B-diffusionstransformator, nedladdningsbar, med ett JSON-layoutformat som placerar element med absoluta pixelförskjutningar uppmätta från mitten av canvasen. Black Forest Labs kom dit först med F​lux 3 Image, live sedan den 1 oktober med en publicerad prislista, som tar varje box som [top, left, bottom, right] i heltal från 0 till 1000, relativt ett fast rutnät. Samma idé, inkompatibel grammatik, och bara en av de två ger dig en fil du kan behålla.

Den skillnaden – inte bildkvaliteten – är vad som avgör den här duellen för de flesta team, och den avgör den snabbare än något benchmark. Därför är jämförelsen nedan uppbyggd kring den. Varje siffra för M​OSS-Image är OpenMOSS egen, hämtad från lanseringen och deras tekniska rapport, och ingen av dem har reproducerats av någon. Varje siffra för F​lux 3 kommer från Black Forest Labs egen publicerade prislista och deras lanseringsmaterial. Det finns ingen oberoende direkt jämförelse mellan dessa två modeller, och det kommer inte att finnas någon på ett tag.

Vad varje sida faktiskt levererade

M​OSS-Image är ett par checkpoints, M​OSS-Image-Base och M​OSS-Image-SFT, med vikter och inferenskod under Apache 2.0, en ModelScope-spegel, en Gradio Space, en anpassad Diffusers-pipeline och en inbyggd ComfyUI-plugin. ComfyUI:s kärnstöd kom samma dag som vikterna. Det finns ingen hostad endpoint från OpenMOSS och inget publicerat pris, eftersom det inte finns något att prissätta – antingen kör du det eller så gör du det inte.

F​lux 3 har motsatt upplägg. Black Forest Labs tillkännagav den i juli 2026 som en enda arkitektur tränad på video, bild och ljud, och stillbildsnivån – F​lux 3 Image – öppnades den 1 oktober med öppen prissättning enligt modellen betala per användning. Motparten med öppna vikter, FLUX 3 Image Klein, följde den 15 oktober under FLUX Kommunity License, som endast tillåter gratis kommersiell användning under ett intäktstak. Så B​FL erbjuder nu både en hyrd väg och en nedladdningsbar, men de är olika modeller med olika licenser, och nedladdningen är det mindre syskonet snarare än flaggskeppet.

Ingen av modellerna finns i vår egen katalog. OrcaRouter tillhandahåller fler än 200 modeller och M​OSS-Image är inte en av dem, så inget här bör tolkas som att vi erbjuder den — detsamma gäller F​lux 3. Det routern är användbar till i den här jämförelsen är den andra halvan av loopen: när du vill ställa en egenhostad checkpoint mot hostade bildmodeller på samma prompter, är den hostade sidan nåbar via en enda API-nyckel, till leverantörens listpris utan påslag från vår sida, med automatisk failover mellan leverantörer om en av dem försämras mitt i en körning.

Boxgrammatikerna, sida vid sida

Det är här de två skiljer sig åt på ett sätt som en konfigurationsfil lägger märke till.

• Koordinatrum — MOSS-Image: absoluta pixlar uppmätta från canvasens mittpunkt, med bbox_coord_space: "abs_centralized", så på en canvas på 1024×1024 går varje axel från −512 till +512. Flux 3 Image: normaliserade heltal 0 till 1000 uppmätta från det övre vänstra hörnet.

• Koordinatordning — M​OSS-Image: bbox_format: "yxyx", vilket betyder [y_min, x_min, y_max, x_max]. F​lux 3 Image: [top, left, bottom, right], vilket är samma fyra tal i samma ordning under ett annat namn.

• Hur den når modellen — M​OSS-Image: ett JSON-objekt som skickas som promptsträngen, med ett sammanfattningsblock för scen och stil plus en objektarray där varje element har en etikett, en bildtext och, för textelement, den bokstavliga strängen som ska renderas. F​lux 3 Image: en JSON-array av boxar som skrivs in i en vanlig prompt, utan att någon extra parameter krävs.

• Upplösningskoppling — koordinaterna för M​OSS-Image är pixlar, så de är bara korrekta för den bredd och höjd du bad om; ändra utdatastorleken och du får räkna om varje ruta. F​lux 3:s 0–1000-rutnät är upplösningsoberoende till sin konstruktion: [0, 0, 500, 500] är den övre vänstra fjärdedelen av vilken duk du än begär.

• Vad rutan är till för — M​OSS-Image presenteras i första hand som generationsstyrning, där leverantören noterar att redigering av ett elements bildtext eller att flytta dess ruta justerar den delen av kompositionen, vilket beskrivs som experimentellt. F​lux 3 Image kombinerar layout med rutbaserad flerrundsredigering som en av sina främsta funktioner.

Den sista punkten är den praktiska skiljelinjen. Rutnätet i F​lux 3 överlever en ändring av utmatningsupplösningen; det i M​OSS-Image gör det inte, men M​OSS-Image låter dig ange den exakta strängen du vill ha renderad inuti ett textelement i stället för att beskriva den. Om din pipeline renderar om i olika storlekar är rutnätet en verklig fördel. Om din pipeline renderar affischer med fasta dimensioner och specifik text är absoluta pixlar inte en börda.

Textrendering, där de enda siffrorna är leverantörens

M​OSS-Images främsta förmåga är läsbar text, och leverantören byggde två benchmarks för att mäta den. På LongLongTextBench – 240 uppgifter för rendering av litterär text med en genomsnittlig mållängd på cirka 1 340 tecken – får M​OSS-Image 96,3 i Mean-6-texttäckning, mot 64,9 för Q​wen-Image-2512. Raden ovanför den i samma tabell är GPT Image 2 på 99,0 och N​ano Banana Pro på 96,6, vilket är värt att notera: OpenMOSS publicerade en tabell där konkurrenter fortfarande vinner.

Black Forest Labs publicerade överhuvudtaget ingen benchmark för textrendering i F​lux 3 Image. Det finns inget nummer att sätta bredvid 96,3, från någondera sidan, och att hitta på en jämförelse utifrån exempelbilder skulle vara en sådan sak som den här bloggen inte borde göra. Vad som kan sägas är att FLUX.2:s VAE är den som M​OSS-Image använder — M​OSS-Images eget modellkort noterar att den laddar FLUX.2:s lilla dekoder — så de två familjerna är inte främlingar på pixelnivå även om generatorerna är orelaterade.

Kostnad: ett nummer mot fem

• M​OSS-Image — gratis att ladda ner, Apache 2.0, ingen intäktströskel och ingen kommersiell nivå. Kostnaden är hårdvara: SFT-repositoriet uppgår till ungefär 27,2 GB, varav omkring 16,8 GB fördelat över fyra shards utgörs av den frysta Qwen3.5-9B-textkodaren och ungefär 10,2 GB fördelat över tre utgörs av transformatorn. Budgetera för kodaren, inte för märket.

• F​lux 3 Image — $0.041 vid 768×768, $0.048 vid cirka 1 megapixel, $0.07 vid 1.5K, $0.10 vid 2K och $0.607 vid 4K, per bild, enligt Black Forest Labs egen prislista. En lanseringsrabatt på 50 % gällde från 1 oktober till 8 oktober och har löpt ut, så varje kostnadsmodell som bygger på den behöver en andra rad till fullt pris.

• FLUX 3 Image Klein — $0,008 vid 768×768, stiger till $0,036 vid 4K, och text-till-bild och redigering kostar lika mycket. Det är dramatiskt mycket billigare i arbetsinsats än den 5B-nedladdning som den konkurrerar med, om än inte i licens.

Den ärliga formuleringen är att dessa inte är samma köp. M​OSS-Image byter pengar mot GPU-timmar och ingenjörsarbete; F​lux 3 Image byter pengar mot att någon annan kör stacken och prissätts per levererad bild till ett pris som stiger brant med upplösningen.

Vad ingen av sidorna har publicerat

Det finns ingen oberoende benchmark av M​OSS-Image. Det finns ingen oberoende benchmark av F​lux 3 Image heller – B​FL släppte bildnivån utan jämförelsetal mot någon annan bildmodell, vare sig de kom från leverantören eller någon annanstans. Ingen av modellerna har en rad på en neutral topplista som någon kan peka på. När båda sidorna i en jämförelse saknar bevis är den korrekta slutsatsen inte att de är lika bra; det är att du för närvarande inte kan avgöra det, och att utslagsgivaren måste vara något du faktiskt kan mäta – licens, format, latens på din egen hårdvara, och huruvida boxgrammatiken matchar koden du redan har.

Två saker skulle ändra på det. En oberoende körning av LongLongTextBench eller RealLayoutArena som görs av någon annan än OpenMOSS skulle vara det första riktiga beviset för det centrala påståendet om M​OSS-Image. En tredjepartsjämförelse av layoutkontroll på B​FL-rutnätet skulle göra detsamma för F​lux 3 Image. Ingen av dem finns ännu.

Vilken skulle du faktiskt välja?

Välj MOSS-Image om leveransen är en sammansatt sida – affisch, infografik, produktmockup – där specifik text måste hamna på specifika platser och där du vill ha vikterna i din egen infrastruktur. Apache 2.0-licensen gör kommersiell granskning kort, Base-checkpointen lämnades medvetet odestillerad så att LoRA-träning har något att bita i, och JSON-layouten är den del av modellen som leverantören mätte mest noggrant. Räkna med encodern och förvänta dig att leverera strukturerad JSON i stället för prosa: leverantörens egen ablation placerade JSON-layoutprompter på 1622,87 Elo mot 1506,20 för naturligt språk i samma system, vilket är en stor skillnad och den tydligaste signalen i släppet.

Välj Flux 3 Image om du behöver en anropbar endpoint idag, om dina utdata varierar i upplösning, eller om du vill ha box-scoped redigeringar över flera turer som en funktion som stöds snarare än en experimentell sådan. 0–1000-rutnätet är upplösningsoberoende, prislistan är offentlig, och det finns en billig variant med öppna vikter bredvid den om licenstaket är acceptabelt.

Det man bör se upp med är boxgrammatiken. Vilken konvention din verktygsuppsättning än antar först är den du kommer att behålla, och just nu är de två konventionerna inkompatibla – absoluta centrumrelativa pixlar i yxyx-ordning på ena sidan, normaliserade heltal från övre vänstra hörnet på den andra. En liten adapterfunktion konverterar mellan dem. Anledningen till att det spelar roll är att det är den enda delen av den här jämförelsen som är fullt ut känd i dag.

De dokumenterade AI-felen och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omstridd flagga.