MOSS-Image vs FLUX 3: สองวิธีในการใส่ Bounding Box ลงในพรอมป์ต์

สิ่งที่น่าสนใจที่สุดในการเปรียบเทียบ MOSS-Imageกับ FLUX 3ก็คือว่าทั้งสองตัวนี้ ภายในเดือนที่ผ่านมา ต่างมาถึงข้อสรุปเดียวกัน — วิธีควบคุมโมเดลภาพคือการเขียนพิกัดลงในพรอมป์ — แล้วก็ไม่ลงรอยกันในเรื่องระบบพิกัด เมื่อวันที่ 16 ตุลาคม 2026 OpenMOSS ได้เปิดตัว MOSS-Image-Baseและ MOSS-Image-SFTภายใต้สัญญาอนุญาต Apache 2.0: ดิฟฟิวชันทรานส์ฟอร์มเมอร์ขนาด 5B ที่ดาวน์โหลดได้ พร้อมรูปแบบเลย์เอาต์ JSON ที่กำหนดตำแหน่งองค์ประกอบด้วยออฟเซ็ตพิกเซลแบบสัมบูรณ์ที่วัดจากกึ่งกลางผืนภาพ Black Forest Labs ทำได้ก่อนด้วย Flux 3 Imageซึ่งเปิดใช้งานมาตั้งแต่วันที่ 1 ตุลาคม พร้อมตารางราคาที่เผยแพร่ โดยรับทุกกล่องเป็น [top, left, bottom, right]เป็นจำนวนเต็มตั้งแต่ 0 ถึง 1000 โดยอ้างอิงกับกริดคงที่ แนวคิดเดียวกัน แต่ไวยากรณ์เข้ากันไม่ได้ และมีเพียงหนึ่งในสองตัวเท่านั้นที่ให้ไฟล์ที่คุณเก็บไว้ได้

ความแตกต่างนั้น — ไม่ใช่คุณภาพของภาพ — คือสิ่งที่ตัดสินการเปรียบเทียบนี้สำหรับทีมส่วนใหญ่ และตัดสินได้เร็วกว่า benchmark ใด ๆ ดังนั้นการเปรียบเทียบด้านล่างจึงถูกจัดเรียงโดยยึดความแตกต่างนั้นเป็นศูนย์กลาง ตัวเลขทุกตัวของ MOSS-Image เป็นข้อมูลของ OpenMOSS เอง โดยนำมาจากการเปิดตัวและรายงานทางเทคนิคของบริษัท และยังไม่มีใครทำซ้ำข้อมูลส่วนใดได้ ตัวเลขทุกตัวของ Flux 3 มาจากเรตการ์ดที่เผยแพร่เองของ Black Forest Labs และเอกสารเปิดตัวของบริษัท ยังไม่มีการเปรียบเทียบแบบตัวต่อตัวที่เป็นอิสระระหว่างสองโมเดลนี้ และจะยังไม่มีไปอีกระยะหนึ่ง

สิ่งที่แต่ละฝ่ายส่งมอบจริง

MOSS-Image เป็นเช็คพอยต์หนึ่งคู่ MOSS-Image-Base และ MOSS-Image-SFT พร้อมเวทและโค้ดอินเฟอเรนซ์ภายใต้ Apache 2.0, มิเรอร์บน ModelScope, Gradio Space, ไพป์ไลน์แบบกำหนดเองของ Diffusers และปลั๊กอิน ComfyUI แบบเนทีฟ การรองรับในคอร์ของ ComfyUI มาถึงในวันเดียวกับที่เวทเปิดตัว ไม่มีเอนด์พอยต์แบบโฮสต์จาก OpenMOSS และไม่มีราคาที่ประกาศไว้ เพราะไม่มีอะไรให้ตั้งราคา — คุณรันมันเองหรือไม่รัน

Flux 3 มีรูปร่างตรงกันข้าม Black Forest Labs ประกาศเปิดตัวในเดือนกรกฎาคม 2026 ในฐานะสถาปัตยกรรมเดียวที่ฝึกฝนครอบคลุมทั้งวิดีโอ ภาพ และเสียง และระดับภาพนิ่ง — Flux 3 Image — เปิดให้บริการด้วยราคาแบบจ่ายตามการใช้งานจริงต่อสาธารณะเมื่อวันที่ 1 ตุลาคม ส่วนคู่หูแบบเปิดน้ำหนักอย่าง FLUX 3 Image Klein ตามมาเมื่อวันที่ 15 ตุลาคม ภายใต้ FLUX Kommunity License ซึ่งอนุญาตให้ใช้เชิงพาณิชย์ได้ฟรีเฉพาะเมื่อมีรายได้ต่ำกว่าเพดานที่กำหนด ดังนั้นตอนนี้ BFL จึงมีทั้งเส้นทางแบบเช่าใช้และเส้นทางแบบดาวน์โหลดได้ แต่ทั้งสองเป็นโมเดลที่แตกต่างกันและมีสัญญาอนุญาตต่างกัน โดยตัวที่ดาวน์โหลดได้เป็นรุ่นน้องที่เล็กกว่า ไม่ใช่เรือธง

ไม่มีโมเดลใดในสองตัวนี้อยู่ในแค็ตตาล็อกของเราเอง OrcaRouter ให้บริการโมเดลมากกว่า 200 รุ่น และ MOSS-Image ไม่ใช่หนึ่งในนั้น ดังนั้นจึงไม่ควรตีความสิ่งใดในที่นี้ว่าเราเป็นผู้เสนอให้บริการดังกล่าว เช่นเดียวกันกับ Flux 3 สิ่งที่เราเตอร์มีประโยชน์ในการเปรียบเทียบนี้คืออีกครึ่งหนึ่งของวงจร เมื่อคุณต้องการนำเช็กพอยต์ที่โฮสต์เองมาเทียบกับโมเดลภาพแบบโฮสต์บนพรอมป์ต์เดียวกัน ฝั่งโฮสต์นั้นเข้าถึงได้ผ่านคีย์ API เดียว ในราคาตามรายการของผู้ให้บริการ โดยไม่มีการบวกเพิ่มจากฝั่งเรา พร้อมการสลับสำรองอัตโนมัติระหว่างผู้ให้บริการ หากหนึ่งในนั้นมีประสิทธิภาพลดลงระหว่างการทำงาน

ไวยากรณ์กล่อง เทียบกันแบบเคียงข้าง

นี่คือจุดที่ทั้งสองแตกต่างกันในลักษณะที่ไฟล์กำหนดค่าจะสังเกตเห็นได้

• ระบบพิกัด — M​OSS-Image: พิกัดแบบสัมบูรณ์เป็นพิกเซล วัดจากจุดกึ่งกลางของแคนวาส โดยใช้ bbox_coord_space: "abs_centralized" ดังนั้นบนแคนวาสขนาด 1024×1024 แต่ละแกนจะมีค่าตั้งแต่ −512 ถึง +512 F​lux 3 Image: จำนวนเต็มแบบนอร์มัลไลซ์ 0 ถึง 1000 วัดจากมุมซ้ายบน

• ลำดับพิกัด — M​OSS-Image: bbox_format: "yxyx" ซึ่งหมายความว่า [y_min, x_min, y_max, x_max] ส่วน F​lux 3 Image: [top, left, bottom, right] ซึ่งเป็นตัวเลขสี่ตัวเดียวกันในลำดับเดียวกัน เพียงแต่ใช้ชื่อเรียกต่างกัน

• วิธีการที่มันไปถึงโมเดล — MOSS-Image: อ็อบเจกต์ JSON หนึ่งรายการที่ส่งเป็นสตริงพรอมต์ โดยมี บล็อกสรุป สำหรับฉากและสไตล์ พร้อมด้วย รายการ อาร์เรย์ที่แต่ละองค์ประกอบมีป้ายกำกับ คำอธิบายภาพ และสำหรับองค์ประกอบข้อความ สตริงตามตัวอักษรที่จะแสดงผล Flux 3 Image: อาร์เรย์ JSON ของกล่องที่เขียนลงในพรอมต์ปกติ โดยไม่ต้องมีพารามิเตอร์เพิ่มเติม

• การผูกติดกับความละเอียด — พิกัดของ MOSS-Image เป็นพิกเซล ดังนั้นจึงถูกต้องเฉพาะกับความกว้างและความสูงที่คุณกำหนดเท่านั้น; หากเปลี่ยนขนาดเอาต์พุต คุณต้องคำนวณทุกกล่องใหม่ กริด 0–1000 ของ Flux 3 ไม่ขึ้นกับความละเอียดโดยโครงสร้าง: [0, 0, 500, 500] คือพื้นที่หนึ่งในสี่ด้านซ้ายบนของแคนวาสใดก็ตามที่คุณร้องขอ

• กล่องนี้มีไว้เพื่ออะไร — M​OSS-Image ถูกนำเสนอเป็นเครื่องมือควบคุมการสร้างก่อนเป็นอันดับแรก โดยผู้ให้บริการระบุว่าการแก้ไขคำบรรยายขององค์ประกอบหรือการย้ายกล่องขององค์ประกอบนั้นจะปรับส่วนนั้นขององค์ประกอบภาพ ซึ่งอธิบายว่าเป็นฟีเจอร์ทดลอง F​lux 3 Image จับคู่เลย์เอาต์กับการแก้ไขแบบหลายรอบที่จำกัดขอบเขตในกล่องเป็นความสามารถหลัก

บูลเล็ตสุดท้ายคือข้อแตกต่างในทางปฏิบัติ กริดของ Flux 3 ยังใช้ได้เมื่อเปลี่ยนความละเอียดเอาต์พุต ส่วนกริดของ MOSS-Image ใช้ไม่ได้ แต่ MOSS-Image ให้คุณระบุสตริงที่แน่นอนซึ่งต้องการให้เรนเดอร์ภายในองค์ประกอบข้อความ แทนที่จะต้องอธิบายมัน หากไปป์ไลน์ของคุณเรนเดอร์ซ้ำที่ขนาดต่าง ๆ กริดถือเป็นข้อได้เปรียบที่แท้จริง หากไปป์ไลน์ของคุณเรนเดอร์โปสเตอร์ที่มีขนาดคงที่และข้อความเฉพาะ พิกเซลแบบสัมบูรณ์ก็ไม่ใช่ภาระ

การเรนเดอร์ข้อความ ซึ่งตัวเลขที่มีอยู่เพียงอย่างเดียวคือตัวเลขของผู้ขาย

ความสามารถหลักของ M​OSS-Image คือข้อความที่อ่านออกได้ชัดเจน และผู้พัฒนาได้สร้างแบบทดสอบสองชุดเพื่อวัดความสามารถนี้ บน LongLongTextBench — งานเรนเดอร์ข้อความวรรณกรรม 240 งาน ที่มีความยาวเป้าหมายเฉลี่ยประมาณ 1,340 ตัวอักษร — M​OSS-Image ได้คะแนน 96.3 ในการครอบคลุมข้อความ Mean-6 เทียบกับ 64.9 ของ Q​wen-Image-2512 แถวเหนือขึ้นไปในตารางเดียวกันคือ GPT Image 2 ที่ 99.0 และ N​ano Banana Pro ที่ 96.6 ซึ่งน่าสังเกตว่า OpenMOSS ได้เผยแพร่ตารางที่คู่แข่งยังคงชนะ

Black Forest Labs ไม่ได้เผยแพร่เบนช์มาร์กการเรนเดอร์ข้อความสำหรับ F​lux 3 Image เลยแม้แต่รายการเดียว ไม่มีตัวเลขที่จะนำมาวางข้าง ๆ 96.3 จากฝั่งไหนก็ตาม และการประดิษฐ์การเปรียบเทียบขึ้นมาจากภาพตัวอย่างก็เป็นสิ่งที่บล็อกนี้ไม่ควรทำ สิ่งที่กล่าวได้คือ VAE ของ FLUX.2 คือตัวที่ M​OSS-Image ใช้ — การ์ดโมเดลของ M​OSS-Image เองระบุว่าโหลด FLUX.2 small decoder — ดังนั้นสองตระกูลนี้จึงไม่ใช่คนแปลกหน้ากันในระดับพิกเซล แม้ว่าตัวกำเนิดจะไม่เกี่ยวข้องกันก็ตาม

ค่าใช้จ่าย: หนึ่งตัวเลขเทียบกับห้า

• MOSS-Image — ดาวน์โหลดฟรี Apache 2.0 ไม่มีเกณฑ์รายได้ขั้นต่ำ และไม่มีแพ็กเกจเชิงพาณิชย์ ค่าใช้จ่ายที่ต้องจ่ายจริงคือฮาร์ดแวร์: ที่เก็บ SFT มีขนาดรวมประมาณ 27.2 GB โดยประมาณ 16.8 GB กระจายอยู่ในสี่ชาร์ดเป็นตัวเข้ารหัสข้อความ Qwen3.5-9B แบบฟิกซ์ และอีกราว 10.2 GB กระจายอยู่ในสามชาร์ดเป็นทรานส์ฟอร์เมอร์ ตั้งงบไว้ที่ตัวเข้ารหัส ไม่ใช่ที่ป้าย

• Flux 3 Image — $0.041 ที่ 768×768, $0.048 ที่ประมาณ 1 เมกะพิกเซล, $0.07 ที่ 1.5K, $0.10 ที่ 2K และ $0.607 ที่ 4K ต่อภาพ จากตารางราคาของ Black Forest Labs เอง ส่วนลดเปิดตัว 50% มีผลตั้งแต่วันที่ 1 ตุลาคมถึง 8 ตุลาคม และได้หมดอายุแล้ว ดังนั้นโมเดลต้นทุนใดๆ ที่สร้างจากส่วนลดนี้จึงต้องมีบรรทัดที่สองที่ราคาเต็ม

• FLUX 3 Image Klein — $0.008 ที่ 768×768 เพิ่มเป็น $0.036 ที่ 4K และการสร้างภาพจากข้อความกับการแก้ไขมีค่าใช้จ่ายเท่ากัน มันถูกกว่าอย่างมากเมื่อเทียบกับโมเดล 5B ที่ดาวน์โหลดได้ซึ่งมันแข่งขันด้วยในด้านแรงงาน หากไม่ใช่ในด้านใบอนุญาต

การพูดตามตรงก็คือทั้งสองอย่างนี้ไม่ใช่การซื้อแบบเดียวกัน MOSS-Image แลกเงินเป็นชั่วโมง GPU และงานวิศวกรรม; Flux 3 Image แลกเงินเพื่อให้คนอื่นรันสแต็ก และคิดราคาต่อภาพที่ส่งมอบในอัตราที่เพิ่มขึ้นอย่างรวดเร็วตามความละเอียด

สิ่งที่ทั้งสองฝ่ายยังไม่ได้เผยแพร่

ไม่มีเบนช์มาร์กอิสระของ MOSS-Image และก็ไม่มีเบนช์มาร์กอิสระของ Flux 3 Image เช่นกัน — BFL เปิดตัวระดับผลิตภัณฑ์ด้านภาพโดยไม่มีตัวเลขเปรียบเทียบกับโมเดลภาพอื่นใด ไม่ว่าจะเป็นตัวเลขที่ผู้ขายจัดทำเองหรือแหล่งอื่น ทั้งสองโมเดลไม่มีแถวอยู่บนลีดเดอร์บอร์ดที่เป็นกลางที่ใคร ๆ ก็ชี้ได้ เมื่อทั้งสองฝ่ายของการเปรียบเทียบต่างไม่มีหลักฐานยืนยัน ข้อสรุปที่ถูกต้องไม่ใช่ว่าพวกมันดีเท่ากัน แต่คือตอนนี้คุณยังบอกไม่ได้ และตัวตัดสินต้องเป็นสิ่งที่คุณวัดได้จริง — ใบอนุญาต รูปแบบ ความหน่วงบนฮาร์ดแวร์ของคุณเอง และว่าไวยากรณ์ของกล่องตรงกับโค้ดที่คุณมีอยู่แล้วหรือไม่

สองสิ่งจะเปลี่ยนเรื่องนั้นได้ การรัน LongLongTextBench หรือ RealLayoutArena อย่างอิสระโดยใครก็ตามที่ไม่ใช่ OpenMOSS จะเป็นหลักฐานจริงชิ้นแรกสำหรับข้ออ้างหลักของ M​OSS-Image การเปรียบเทียบการควบคุมเลย์เอาต์โดยบุคคลที่สามบนกริด B​FL ก็จะให้ผลเช่นเดียวกันกับ F​lux 3 Image ยังไม่มีทั้งสองอย่างนี้เลย

อันไหนที่คุณจะเลือกจริงๆ

เลือก MOSS-Image หากสิ่งที่ต้องส่งมอบเป็นหน้าที่จัดองค์ประกอบแล้ว — โปสเตอร์ อินโฟกราฟิก โมกอัปสินค้า — ซึ่งข้อความเฉพาะต้องไปอยู่ในตำแหน่งเฉพาะ และเป็นที่ที่คุณต้องการให้ค่าน้ำหนักอยู่บนโครงสร้างพื้นฐานของคุณเอง สัญญาอนุญาต Apache 2.0 ทำให้การตรวจสอบเชิงพาณิชย์สั้นลง เช็กพอยต์ Base ถูกตั้งใจปล่อยไว้โดยไม่กลั่น เพื่อให้การเทรน LoRA มีอะไรให้เกาะ และเลย์เอาต์ JSON คือส่วนของโมเดลที่ผู้ขายวัดอย่างละเอียดที่สุด กันงบสำหรับเอนโคเดอร์ และคาดว่าจะต้องป้อน JSON แบบมีโครงสร้างแทนข้อความร้อยเรียง การทำ ablation ของผู้ขายเองให้พรอมป์ต์เลย์เอาต์ JSON อยู่ที่ 1622.87 Elo เทียบกับ 1506.20 สำหรับภาษาธรรมชาติบนระบบเดียวกัน ซึ่งเป็นช่องว่างที่ใหญ่และเป็นสัญญาณที่ชัดเจนที่สุดในการเปิดตัวครั้งนี้

เลือกใช้ F​lux 3 Image หากคุณต้องการ endpoint ที่เรียกใช้งานได้ทันที หากผลลัพธ์ของคุณมีความละเอียดแตกต่างกันไป หรือหากคุณต้องการการแก้ไขแบบกำหนดขอบเขตในหลายเทิร์นเป็นฟีเจอร์ที่รองรับจริง ไม่ใช่แค่ฟีเจอร์ทดลอง ตาราง 0–1000 ไม่ขึ้นกับความละเอียด เรตการ์ดเปิดเผยต่อสาธารณะ และมีเวอร์ชัน open-weight ราคาถูกอยู่ข้าง ๆ หากเพดานสิทธิ์การใช้งานยอมรับได้

สิ่งที่ต้องจับตาคือไวยากรณ์ของกล่อง ไม่ว่าเครื่องมือของคุณจะนำธรรมเนียมปฏิบัติใดมาใช้ก่อน คุณจะยึดธรรมเนียมนั้นไว้ และในตอนนี้ธรรมเนียมทั้งสองแบบเข้ากันไม่ได้ — พิกเซลแบบสัมบูรณ์ที่อ้างอิงจากศูนย์กลางโดยเรียงตาม yxyx อยู่ฝั่งหนึ่ง ส่วนจำนวนเต็มแบบนอร์มัลไลซ์จากมุมซ้ายบนอยู่อีกฝั่งหนึ่ง ฟังก์ชันอะแดปเตอร์เล็ก ๆ ใช้แปลงค่าระหว่างสองแบบนี้ เหตุผลที่เรื่องนี้สำคัญก็คือ มันเป็นส่วนเดียวของการเปรียบเทียบนี้ที่รู้ได้อย่างสมบูรณ์ในวันนี้

ความล้มเหลวของ AI และเหตุการณ์เกี่ยวกับเอเจนต์ที่มีการบันทึกเป็นหลักฐานไว้ ซึ่งอยู่เบื้องหลังการเปิดตัวในลักษณะนี้ ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง ระดับความเชื่อมั่น และแฟล็กข้อโต้แย้งของตัวเอง