MOSS-Image vs MAI-Image-2.6 Preview: Båda rankas som tvåa, ingen av dem går att anropa

M​OSS-Image och M​AI-Image-2.6 Preview har mer gemensamt än att båda är nya bildmodeller. M​OSS-Image släpptes den 16 oktober 2026 som öppna vikter – checkpointarna M​OSS-Image-Base och M​OSS-Image-SFT under Apache 2.0. M​AI-Image-2.6 Preview gick in i privat förhandsversion den 19 augusti 2026 på M​icrosofts M​AI Playground och M​icrosoft Foundry. Båda ligger för närvarande på andra plats på en resultattavla, de två resultattavlorna byggdes av olika personer med olika metoder, och ingen av modellerna har ett pris du kan slå upp.

Den sista punkten är hela jämförelsen. Det här är inte en direkt duell mellan två saker som du kan hyra och mäta mot varandra. Det är en match mellan en nedladdning på 27 GB från ett forskningslabb och en inbjudningsskyddad förhandsversion från ett plattformsföretag, och den användbara frågan är inte vilken av dem som får högre poäng — utan vilken av dem du faktiskt kan få in i en produkt det här kvartalet, och vad varje leverantör är villig att berätta för dig innan du binder dig.

Två andraplatser, och vad var och en mäter

De siffror som anges för båda modellerna är båda "nr 2", och det sammanträffandet döljer att de mäter nästan helt motsatta saker.

MOSS-Images andraplats kommer från RealLayoutArena, ett designbenchmark med 61 uppgifter – affischer, infografik och användargränssnitt – som levereras med modellens egen tekniska rapport. Det får 1 698,70 Elo med ett 95-procentigt konfidensintervall på 1 655,96 till 1 741,43, bakom GPT Image 2 på 1 844,35. RealLayoutArena byggdes av OpenMOSS, labbet som byggde MOSS-Image, och baslinjerna i det är labbets egna körningar av andra företags modeller. Det är en leverantörsresultattavla, och leverantören har betecknat den som en sådan.

andraplatsen för M​AI-Image-2.6 Preview kommer från Arena, den omdöpta LMArena, där blinda mänskliga röstande väljer den bättre av två bilder från samma prompt. Bidraget heter bokstavligen mai-image-2.6-preview och ligger på 1 336 Elo med en marginal på ±11 på ungefär 3 488 röster — bakom GPT Image 2 Medium på 1 381 och före G​rok Imagine Image 2.0 på 1 316. Samma förhandsversion hamnade senare på plats 3 på Arenas resultattavla för redigering av enskilda bilder med 1 420 poäng. Det är ett oberoende mått på mänskliga preferenser, och det är också ett preliminärt sådant: det översta bidraget på den tavlan har fler än 70 000 röster, så felmarginalen för ett bidrag med 3 488 röster är verklig, och Elo för tidiga röster förändras.

Så den ärliga beskrivningen är att den ena modellen ligger tvåa på ett test som dess egna författare har skrivit, och den andra ligger tvåa på en crowdsourcad resultattavla med en femtedel av underlaget bakom sig. Inget av dem är ett fastställt resultat, och inget av dem har reproducerats av någon utanför organisationen som publicerade det.

Vad M​OSS-Image faktiskt ger dig

M​OSS-Image är en enkelströms-diffusionstransformer på 5B som tränats från scratch: 42 gemensamma block, dold bredd 3 072, 24 uppmärksamhetshuvuden med 128 dimensioner, en 8 192-bred SiTU-GLU-feed-forward och en fyraxlig roterande positionskodning. Parameterantalet i rubriken utesluter en hel del. Textkodaren är en fryst Qwen3.5-9B, och VAE:n är FLUX.2:s, laddad fryst från FLUX.2-klein-4B, med 32 latenta kanaler och en 2×2 latent patch ovanpå en 8× nedskalning för en effektiv steglängd på 16 pixlar. SFT-repositoriet är ungefär 27,2 GB, varav ungefär 16,8 GB är kodaren.

Dess avgörande förmåga är inte bildkvalitet. Det är att prompten kan vara ett JSON-objekt som innehåller bounding boxes, ordagranna textsträngar och typografianmärkningar, uttryckta i absoluta pixelkoordinater mätta från canvasens mitt med bbox_format "yxyx". Leverantörens egen ablation gör saken tydlig: på RealLayoutArena får JSON-layoutprompter 1 622,87 medan prompter i naturligt språk på samma system får 1 506,20. Det strukturerade gränssnittet är inte en bonusfunktion påskruvad modellen. Det är där prestandan ligger.

Det stödjande beviset är ett benchmark som labbet också byggde, 7Bench, där MOSS-Image rapporterar ett genomsnittligt layout-IoU på 0,88 mot 0,44 för Ideogram 4.0, 0,33 för Nano Banana Pro och Seedream 5.0 Pro, 0,31 för Qwen Image 3.0 Pro och 0,30 för GPT Image 2, med en Layout AUC på 0,70 mot ett fält som ligger mellan 0,16 och 0,20. På textåtergivningssidan rapporterar det 96,3 Mean-6 på LongLongTextBench – ett benchmark för litterär text med 240 uppgifter som det också har tagit fram – med 97,1 på engelska och 92,4 på kinesiska. Den mest trovärdiga raden i den tabellen är raden ovanför: i leverantörens eget benchmark får GPT Image 2 99,0 och Nano Banana Pro 96,6. Att publicera en tabell där en konkurrent fortfarande vinner är värt något.

Det M​OSS-Image inte ger dig är en slutpunkt. Det finns inget kommersiellt API som vi kan verifiera, ingen hostad testmiljö utöver Gradio Space som körs på en enda A10G, och ingen hanterad väg. Du installerar Diffusers med en anpassad pipeline, eller det nativa ComfyUI-pluginet, och du står för GPU:n.

Vad MAI-Image-2.6 Preview faktiskt ger dig

Microsoft har publicerat långt mindre om sin modell än vad OpenMOSS har om sin egen, och mönstret för vad som saknas är informativt.

Det som finns: en familjelinje som löper med en kadens på sex till åtta veckor — M​AI-Image-1, sedan M​AI-Image-2 i mars 2026 med språnget inom fotorealism och textåtergivning, M​AI-Image-2.5 i juni 2026, som blev motorn i Bing Image Creator, PowerPoint och OneDrive, sedan M​AI-Image-2.5-Pro i juli 2026 med en premiumnivå på 8K, och nu 2.6 ungefär sex veckor senare. M​icrosofts egna beskrivningar av förmågorna är kvalitativa: starkare textåtergivning, porträtt och 3D-bilder; mer polerad kommersiell och fotorealistisk utdata; arbete med flera referensbilder i en enda generering; rikare grundning; större kontroll över resonemang, format och upplösning. Inget parameterantal, ingen licens, ingen arkitektur, ingen benchmarktabell.

Det som inte finns: ett pris. Förhandsvisningen är inbjudningsbegränsad, åtkomstvägen är MAI Playground och Microsoft Foundry, och det finns inget publicerat pris per bild. Det finns inte heller något datum för allmän tillgänglighet. Arenas kategoriuppdelning är det enda detaljerade resultatet kopplat till modellen – den ligger etta inom 3D-avbildning och modellering och tvåa inom tecknat/anime/fantasy, produkt och varumärkesbyggande, textrendering och konst – och kategorirangordningar på en preliminär resultattavla med få röster är i bästa fall vägledande.

Det enda som är klart sant och klart betydelsefullt är kadensen. Microsoft levererar bildmodellförbättringar snabbare än den här marknaden är van vid, och Arenadebuten tyder på att den sammansatta effekten är verklig snarare än annonserad.

De två modellerna, rad för rad

• Lansering — M​OSS-Image den 16 oktober 2026 som öppna vikter; M​AI-Image-2.6 Preview till privat förhandsvisning den 19 augusti 2026

• Tillgång — M​OSS-Image nedladdningsbar och självhostad, med en ComfyUI-plugin och en Diffusers-pipeline; M​AI-Image-2.6 Preview nås endast via inbjudan på M​AI Playground och M​icrosoft Foundry

• Pris — M​OSS-Image gratis att ladda ner, med ett utrymmesbehov på ~27,2 GB och din egen GPU-tid; M​AI-Image-2.6 Preview har inget publicerat priskort

• Licens — M​OSS-Image är Apache 2.0 för både vikter och fristående pipelinekod, utan intäktströskel; M​AI-Image-2.6 Preview är proprietär utan angiven licens

• Oberoende poäng — M​OSS-Image tvåa på RealLayoutArena med 1 698,70 Elo (benchmark byggd av skaparen); M​AI-Image-2.6 Preview tvåa på Arena text-till-bild med 1 336±11 på ~3 488 röster (publiktopplista), trea på Arena single-image edit med 1 420

• Layoutkontroll — M​OSS-Image accepterar en JSON-layout med absoluta pixelkoordinater och rapporterar 0,88 i genomsnittlig IoU på 7Bench; M​icrosoft publicerar ingen layoutbenchmark för något i M​AI:s bildlinje

• Textrendering — M​OSS-Image rapporterar 96,3 Mean-6 på LongLongTextBench med 97,1 engelska och 92,4 kinesiska; M​AI-Image-2.6 Preview ökade med +91 Elo inom textrendering gentemot 2.5 enligt Arenas kategoriuppdelning, utan att någon absolut siffra publicerats

• Redigering — M​AI-Image-2.6 Preview mäts till nr 3 på Arenas resultattavla för redigering av enskilda bilder; M​OSS-Images rapport presenterar inte redigering som en produktyta

• Serving — M​OSS-Image har pågående Day 0-ramverksarbete, inklusive en öppen vLLM-Omni pull request som lägger till modellen med skip-layer guidance och ännu inte har mergats in i en taggad release; M​AI-Image-2.6 Preview serveras av M​icrosoft, på M​icrosofts villkor, när M​icrosoft säger så

Där var och en verkligen ligger före

MOSS-Image ligger före på allt som följer av att vara öppen. Du kan läsa arkitekturen, kvantisera den, finjustera den på privata data, köra den i luftgapad miljö och leverera den inuti en kommersiell produkt utan licensförhandling — Apache 2.0 täcker vikterna och den fristående pipeline-koden, utan bilaga om godtagbar användning och utan separat kommersiell nivå. För en modell vars främsta förmåga är att återge läsbar text i specifika positioner spelar det större roll än en benchmark-skillnad, eftersom textåtergivning är precis den förmåga som dyker upp i kundarbete: produktmockuper, gränssnittsmockuper, infografik, affischer, annonslayouter.

M​AI-Image-2.6 Preview ligger före när det gäller sådant som följer av att vara en plattformsmodell snarare än ett repositorium. Den har spridning till hundratals miljoner människor via Bing Image Creator, PowerPoint och OneDrive, den riktar sig mot en hanterad molnslutpunkt på Foundry, och den förbättras i en publicerad takt. Om ditt krav är en bildmodell som din organisation kan anropa från en M​icrosoft-formad stack med ett supportavtal bakom sig, kan ingen mängd Apache 2.0 ersätta det.

Den obekväma mitten är där de flesta team faktiskt befinner sig. Microsoft har inte publicerat ett pris, en licens eller ett parameterantal, så du kan inte beräkna kostnaden för att använda deras modell. OpenMOSS har publicerat allt det där, och inget sätt att anropa den utan att äga hårdvara.

Vad ingen av dem förändrar i din dag

Båda dessa modeller ligger utanför den hostade marknad du förmodligen redan bygger mot, och det är där ett routningslager är värt att säga något precist snarare än reklam. Vi hostar inte M​OSS-Image och vi hostar inte M​AI-Image-2.6 Preview, så inget här är ett erbjudande om att betjäna någon av dem. Det vi däremot tillhandahåller är jämförelseuppsättningen: de hostade bildmodeller som du skulle mäta en egenhostad M​OSS-Image mot är nåbara genom en API-nyckel på vår katalog till leverantörens listpris med 0% påslag, vilket innebär att en leverantörsprisändring på den hostade sidan är live samma dag istället för på en kontraktscykel, med automatisk failover över leverantörer så att en benchmark-körning inte dör för att en uppström hade en dålig eftermiddag. Att prova en obeprövad checkpoint mot en hyrd bör inte kräva ett andra SDK, och det är det enda påståendet som görs.

For M​AI-Image-2.6 Preview specifikt finns det inget att routa ännu. Den ärliga hållningen är att modellen är verklig, rankningen är verklig och åtkomsten är en väntelista.

Vem bör agera, och vem bör fortsätta titta

Välj MOSS-Image om du har GPU:er, ett arbetsflöde som kan uttrycka avsikt som boxar och strängar, och ett användningsfall där layouten är slutprodukten snarare än en lycklig slump. Börja med SFT-checkpointen, budgetera för encoderns 16,8 GB innan du budgeterar för generatorn, och räkna med 50 samplingssteg vid två transformer-forwardpassningar per steg om du inte använder någon av community-distillationerna. Två av dessa dök upp inom ett dygn från släppet: en 4-stegs DMD LoRA och en 8-stegs destillerad variant, ingen av dem har leverantörsstöd och ingen av dem är benchmarkad.

Vänta med M​OSS-Image om du behöver en anropbar slutpunkt den här veckan, om du hyr kapacitet i stället för att äga den, eller om du vill ha ett enda tal som inte producerades av personerna som byggde testet. Alla tre av de starka resultaten ovan kommer från benchmarks som leverantören har tagit fram, med ett specifikationssteg som rapporten uppger körs på G​PT-6 vid inferenstid — så end-to-end-Elo är en pipeline med två modeller, inte en enskild modells utdata.

Avvakta med M​AI-Image-2.6 Preview om du behöver något avtalsmässigt. Håll koll på den om du redan är Foundry-kund, eftersom kadensen säger att nästa version ligger sex till åtta veckor bort och förhandsversionen kommer att omvandlas till något med ett pris.

Det som skulle avgöra den här jämförelsen är samma sak för båda, och ingen av dem har det: en oberoende körning av det benchmark som var och en rangordnas efter. För MOSS-Image innebär det att någon annan än OpenMOSS kör LongLongTextBench eller RealLayoutArena. För MAI-Image-2.6 Preview innebär det att Arena-tavlan samlar tillräckligt många röster för att ±11 slutar spela roll, eller att Microsoft publicerar ett pris.

Fram till dess att något av dessa inträffar är den korrekta sammanfattningen denna – en 5B-forskningsmodell med tillåtande licens, ett ovanligt bra text- och layoutgränssnitt och ingen endpoint, mot en proprietär plattformsmodell med en oberoende crowd-rank, verklig distribution och inget pris. Den du kan agera på beror helt och hållet på om din flaskhals är en licens eller en URL.

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.