MOSS-Image กับ Meta Muse Image: สองทฤษฎีว่าด้วยการควบคุม หนึ่งในนั้นมีค่าใช้จ่ายเพียงหนึ่งเซนต์

วิธีที่มีประโยชน์ที่สุดในการเปรียบเทียบ M​OSS-Image กับ M​eta M​use Image คือการสังเกตว่าทั้งคู่มีจุดขายอยู่ที่การควบคุม และทั้งคู่ให้ความหมายของคำนั้นในทางที่ตรงกันข้ามกัน M​eta M​use Image ซึ่งเปิดตัวเมื่อวันที่ 7 กรกฎาคม 2026 และเข้าถึงได้ผ่าน Model API ของ M​eta เองในชื่อ muse-image-1.0 ในราคาคงที่ $0.01 ต่อภาพที่สร้าง ควบคุมเอาต์พุตด้วยการให้เหตุผลก่อนที่จะเรนเดอร์ — มันเรียกใช้เครื่องมือค้นหาและเครื่องมือเขียนโค้ด ปรับปรุงตนเอง และพัฒนาขึ้นเมื่อใช้พลังประมวลผลตอนทดสอบมากขึ้น M​OSS-Image ซึ่งเผยแพร่เมื่อวันที่ 16 ตุลาคม 2026 ในรูปแบบน้ำหนักเปิดภายใต้ Apache 2.0 ควบคุมเอาต์พุตโดยการปฏิเสธที่จะเดา: คุณยื่นออบเจ็กต์ JSON ที่มี bounding box สตริงตามตัวอักษร และโน้ตด้านการพิมพ์ให้มัน แล้วมันจะเรนเดอร์ตามข้อกำหนดนั้น โมเดลหนึ่งใช้ความคิดมากขึ้น อีกตัวถูกบอกอย่างชัดเจนว่าต้องทำอะไร

นั่นไม่ใช่การตั้งค่าสองแบบบนหน้าปัดเดียวกัน แต่เป็นเดิมพันที่แตกต่างกันสองแบบเกี่ยวกับว่าความยากในการสร้างภาพอยู่ตรงไหน และเดิมพันที่คุณควรเลือกนั้นขึ้นอยู่กับว่าปัญหาของคุณคือคุณไม่รู้ว่าจะบรรยายสิ่งที่ต้องการอย่างไร หรือคุณรู้อย่างแม่นยำแล้วแต่โมเดลยังคงเพิกเฉยต่อคุณ

ทฤษฎีทั้งสอง เมื่อกล่าวอย่างถูกต้อง

ทฤษฎีของ Meta คือการสร้างภาพล้มเหลวเพราะโมเดลรู้ไม่มากพอ หน้าเพจโมเดลของบริษัทอธิบายว่า Muse Image เป็น "โมเดลภาพที่ให้เหตุผลก่อนจะเรนเดอร์" และโพสต์เปิดตัวก็ระบุกลไกอย่างชัดเจนว่า "แทนที่จะแมปพรอมป์ตไปยังภาพโดยตรง Muse Image ทำงานเป็นเอเจนต์: มันเรียกใช้เครื่องมือค้นหาและการเขียนโค้ดเพื่อปรับปรุงความแม่นยำ ปรับปรุงผลลัพธ์ที่ตัวเองสร้างขึ้น และพัฒนาผ่านการสเกลคอมพิวต์ในเวลาทดสอบ" ภายใต้ทฤษฎีนั้น ผลลัพธ์ที่ดีขึ้นมาจากการคิดมากขึ้น การดึงข้อมูลมากขึ้น และการตรวจสอบตัวเองมากขึ้น

ทฤษฎีของ OpenMOSS คือการสร้างล้มเหลวเพราะโมเดลไม่รู้ว่าจะวางสิ่งต่างๆ ไว้ตรงไหน คำตอบของมันคือการขจัดความกำกวมออกจากพรอมต์อย่างสิ้นเชิง — เลย์เอาต์ไม่ได้ถูกอนุมานจากข้อความบรรยาย แต่ถูกป้อนให้เป็นข้อมูล การทดลอง ablation ของรายงานเองบน RealLayoutArena คือข้อความที่ชัดเจนที่สุดถึงเดิมพันนี้: พรอมต์เลย์เอาต์แบบ JSON ได้คะแนน 1,622.87 บนระบบเดียวกันที่พรอมต์ภาษาธรรมชาติได้คะแนน 1,506.20 นั่นคือช่องว่าง 117 คะแนนที่เกิดจากอินเทอร์เฟซมากกว่าจากค่าน้ำหนัก

การทดสอบว่าทฤษฎีไหนใช้กับคุณคือคำถามเพียงข้อเดียว ถ้าคุณวาดเลย์เอาต์ที่ต้องการบนกระดาษเช็ดปากแล้วยื่นกระดาษนั้นให้ใครสักคน วิธีของ MOSS-Image คือวิธีที่จะได้ผล ถ้าคุณทำไม่ได้ — ถ้าคำขอคือ "ทำให้ฉันมีอะไรบางอย่างที่ดูเหมาะกับแบรนด์นี้" และคุณจะรู้ทันทีเมื่อเห็นคำตอบ — งั้นโมเดลที่ใช้เหตุผลก็มีอะไรให้ใช้เหตุผล ส่วนสเปกเลย์เอาต์ไม่มีอะไรให้ยึด

M​eta M​use Image คืออะไร และราคาเท่าไหร่

Muse Image เป็นโมเดลสร้างและแก้ไขภาพแบบเอเจนต์ของ Meta ซึ่งเป็นแบบมีกรรมสิทธิ์ ไม่ได้เปิดเผยน้ำหนักโมเดล ให้บริการบน API เดียวกันและระบบยืนยันตัวตนเดียวกันกับ Muse Spark ซึ่งเป็นโมเดลการให้เหตุผลของ Meta — Meta ระบุว่าการจับคู่นี้ทำให้ "ทั้งสองโมเดลใช้เครื่องมือร่วมกันและวางแผนร่วมกันเพื่อการสร้างสื่อแบบเอเจนต์ที่ทรงพลัง" ผลลัพธ์ที่ Meta ระบุไว้สำหรับการจับคู่นี้คือสื่อที่มีหลายส่วนประกอบ ได้แก่ GIF แบบเคลื่อนไหว หน้าเว็บที่มีรูปภาพฝังอยู่ และเกมแบบอินเทอร์แอกทีฟขนาดเล็ก

พื้นผิวความสามารถถูกแบ่งออกเป็นสี่โหมดที่ M​eta ระบุชื่อไว้ในหน้าของโมเดล ได้แก่ การสร้างภาพ การแก้ไขแบบแม่นยำ การจัดองค์ประกอบแบบยึดโยง และการปรับแต่งแบบหลายรอบ ข้ออ้างที่ทำให้แตกต่างนั้นเกี่ยวกับความยับยั้งชั่งใจมากกว่าผลลัพธ์ M​eta กล่าวว่าโมเดลนี้ "ถูกออกแบบมาให้เปลี่ยนเฉพาะสิ่งที่คุณระบุไว้เท่านั้น และปล่อยทุกอย่างอื่นไว้ไม่แตะต้อง" และโหมดการจัดองค์ประกอบแบบยึดโยงจะยึด "ชุดการสร้างภาพทั้งหมดไว้กับชุดภาพอ้างอิงขนาดเล็ก เพื่อให้ตัวละคร สไตล์ และฉากคงความสอดคล้องกันจากภาพหนึ่งไปยังภาพถัดไป" ซึ่งเป็นความสามารถที่สำคัญสำหรับแคตตาล็อกหรือชุดโฆษณา มากกว่าภาพเพียงภาพเดียว ในฝั่งนักพัฒนา มีreasoning_strengthเป็นตัวควบคุมที่มีการตั้งค่าสูงและต่ำ และoutput_formatมีค่าเริ่มต้นเป็น WebP

ราคาคือส่วนที่ทำให้การเปรียบเทียบนี้ดูไม่ลงตัวสำหรับใครก็ตามที่เทียบกันเรื่องต้นทุน Meta คิดค่าบริการ $0.01 ต่อภาพที่สร้างขึ้น แบบเหมาจ่าย และระบุว่า search grounding ถูกรวมอยู่ในราคานั้นแล้ว ไม่ได้คิดแยกตามการใช้งานต่างหาก ไม่มีระดับความละเอียด ไม่มีการนับโทเคน และไม่มีส่วนลดแบบเป็นชุดให้คำนวณ สำหรับทีมที่เคยเจ็บช้ำจากการคิดค่าบริการตามพิกเซลซึ่งเพิ่มขึ้นอย่างเงียบ ๆ ตามขนาดเอาต์พุต การคิดเหมาจ่ายหนึ่งเซนต์ถือเป็นรูปแบบเชิงพาณิชย์ที่แตกต่างอย่างแท้จริง

สิ่งที่ Meta ไม่ได้เผยแพร่คือเกณฑ์มาตรฐาน ไม่มีคะแนนด้านการทำตามคำสั่ง ไม่มีการวัดความเที่ยงตรงของการแก้ไข และไม่มีการประเมินอย่างอิสระสำหรับข้อกล่าวอ้างเรื่องการให้เหตุผลก่อนการเรนเดอร์ ชุดความสามารถข้างต้นเป็นคำอธิบายจากผู้ขาย และสัญญาณจากบุคคลที่สามเพียงอย่างเดียวที่มีสำหรับสายผลิตภัณฑ์ภาพของ Meta เลยคือกระดานจัดอันดับความชื่นชอบของมนุษย์ของ Arena ซึ่ง Muse Image ถูกจัดอันดับตามหลังผู้นำในปัจจุบัน — รวมถึงตามหลัง MAI-Image-2.6 Preview ด้วย

MOSS-Image คืออะไร และมีค่าใช้จ่ายเท่าไร

MOSS-Image เป็น diffusion transformer แบบ single-stream ขนาด 5B ลึก 42 joint blocks, hidden width 3,072, 24 heads ที่ 128 dimensions, พร้อม text encoder Qwen3.5-9B แบบ frozen และ VAE FLUX.2 แบบ frozen ที่โหลดจาก FLUX.2-klein-4B ที่ 32 latent channels Base และ SFT checkpoints อยู่บน Hugging Face ภายใต้ Apache 2.0, ทั้ง weights และ standalone pipeline code เช่นเดียวกัน, โดยไม่มี revenue threshold และไม่มี separate commercial tier SFT repository มีขนาดประมาณ 27.2 GB, ซึ่งประมาณ 16.8 GB เป็น text encoder

อินเทอร์เฟซเลย์เอาต์ของมันใช้พิกัดพิกเซลแบบสัมบูรณ์ที่วัดจากจุดกึ่งกลางของแคนวาส — bbox_format "yxyx" — แทนที่จะเป็นธรรมเนียมพิกัดสัมพัทธ์ที่ระบบเลย์เอาต์อื่นอีกหลายระบบใช้ ข้อโต้แย้งของผู้ขายสำหรับพิกเซลแบบสัมบูรณ์ก็คือ มันรับมือกับงานหลายความละเอียดได้ดีกว่า และนั่นก็เป็นข้อโต้แย้งที่มีน้ำหนักจริง แต่ก็ยังหมายความว่าการนำโมเดลนี้มาใช้จะต้องเขียนตรรกะพรอมป์ที่คุณมีอยู่แล้วใหม่ทั้งหมด

หลักฐานที่แนบมากับข้อกล่าวอ้างนี้มีน้ำหนักมากและเขียนขึ้นโดยผู้ขายทั้งหมด บน 7Bench ซึ่งรายงานนี้ก็เป็นผู้แนะนำเช่นกัน MOSS-Image รายงานค่าเฉลี่ย layout IoU ที่ 0.88 เทียบกับ 0.44 ของ Ideogram 4.0, 0.33 ของ Nano Banana Pro และ Seedream 5.0 Pro, 0.31 ของ Qwen Image 3.0 Pro และ 0.30 ของ GPT Image 2 โดยมี Layout AUC 0.70 เทียบกับกลุ่มที่อยู่ในช่วง 0.16 ถึง 0.20 บน LongLongTextBench รายงานค่า Mean-6 ที่ 96.3 แยกเป็นภาษาอังกฤษ 97.1 และภาษาจีน 92.4 — โดยในตารางเดียวกัน GPT Image 2 อยู่ที่ 99.0 และ Nano Banana Pro อยู่ที่ 96.6 บน RealLayoutArena แบบ end-to-end อยู่อันดับสองที่ 1,698.70 Elo และอันดับหนึ่งที่ 1,807.34 เมื่อจำกัดการเปรียบเทียบเฉพาะ backbone ภายใต้พรอมป์ภาษาธรรมชาติเดียวกัน

ข้อแม้หนึ่งข้อควรอยู่ข้าง ๆ ตัวเลขเหล่านั้น เพราะมันเปลี่ยนสิ่งที่ตัวเลขเหล่านั้นวัด รายงานระบุอย่างชัดเจนว่าโมดูลเสริมพรอมป์ต์ของตนชื่อ LayoutPE ใช้ G​PT-6 ร่วมกับคำสั่งงานแบบโมดูลาร์ ณ เวลาอนุมาน และสกิล prompt-enhancer ที่มาพร้อมกันนั้นได้รับการอธิบายว่าออกแบบมาสำหรับเอเจนต์ในตระกูล G​PT-6 ดังนั้นผลลัพธ์แบบครบวงจรที่แข็งแกร่งที่สุดจึงเป็นไปป์ไลน์สองโมเดล ซึ่งครึ่งที่ทำหน้าที่สร้างข้อกำหนดนั้นทำงานบน API ของบุคคลที่สาม

ทีละบรรทัด

• เปิดตัว — Meta Muse Image วันที่ 7 กรกฎาคม 2026; MOSS-Image วันที่ 16 ตุลาคม 2026

• ราคา — M​eta M​use Image 0.01 ดอลลาร์ต่อภาพที่สร้าง อัตราเดียว รวมการอ้างอิงจากการค้นหาไว้แล้ว; M​OSS-Image ดาวน์โหลดฟรี ขนาดประมาณ 27.2 GB บวกกับเวลา GPU ของคุณเอง

• การอนุญาตสิทธิ์ — Meta Muse Image เป็นซอฟต์แวร์กรรมสิทธิ์ ใช้ผ่าน API เท่านั้น; MOSS-Image อยู่ภายใต้ Apache 2.0 สำหรับน้ำหนักโมเดลและโค้ดไปป์ไลน์แบบสแตนด์อโลน

• ตัวระบุโมเดล — muse-image-1.0 บน Model API ของ M​eta เอง; OpenMOSS-Team/M​OSS-Image-Base และ OpenMOSS-Team/M​OSS-Image-SFT บน Hugging Face และ ModelScope

• กลไกการควบคุม — Meta Muse Image ใช้เหตุผลก่อนการเรนเดอร์ โดยเรียกใช้เครื่องมือค้นหาและเครื่องมือเขียนโค้ด และปรับปรุงตนเอง; MOSS-Image เรนเดอร์เลย์เอาต์ JSON ที่ให้มา พร้อมกล่องขอบเขต สตริง และหมายเหตุด้านการพิมพ์

• การควบคุมการให้เหตุผล — Meta เปิดให้ตั้งค่า reasoning_strength โดยเลือกเป็น high หรือ low; MOSS-Image ไม่มีองค์ประกอบด้านการให้เหตุผลเลยแม้แต่นิดเดียว ตามการออกแบบ

• การจัดการเรฟเฟอเรนซ์ — การจัดองค์ประกอบแบบมีจุดยึดของ Meta ทำให้ตัวละคร สไตล์ และฉากมีความสอดคล้องกันตลอดทั้งซีรีส์; การเข้ารหัสตำแหน่งแบบสี่แกนของ MOSS-Image สงวนแกนแรกไว้สำหรับดัชนีอ้างอิง ซึ่งเป็นฮุกที่ผู้ขายอธิบายว่าเป็นแนวคิดล่วงหน้ามากกว่าที่จะเปิดตัวแล้ว

• การวัดผลโดยอิสระ — ไม่มีฝ่ายใดมี Meta ไม่เผยแพร่แบบทดสอบมาตรฐานใด ๆ สำหรับ Muse Image; ผลลัพธ์บนลีดเดอร์บอร์ดของ MOSS-Image มาจากแบบทดสอบมาตรฐานที่ผู้เขียนของตัวเองเขียนขึ้น

• การเข้าถึงเวต — M​eta M​use Image ไม่สามารถควอนไทซ์ ไฟน์ทูน หรือโฮสต์เองได้; MOSS-Image ทำได้ทั้งสามอย่าง และการควอนไทซ์โดยชุมชนกับเวอร์ชันกลั่นก็ปรากฏขึ้นภายในเวลาประมาณหนึ่งวันหลังเปิดตัว

จุดที่แต่ละทฤษฎีชนะจริงๆ

แนวทางแบบเอเจนติกคุ้มค่า $0.01 ในสถานการณ์ที่ส่วนที่ยากคือความรู้มากกว่าการเรียบเรียง หากพรอมต์อ้างถึงสิ่งที่มีอยู่จริง — อาคารเฉพาะแห่งหนึ่ง ผลิตภัณฑ์ชิ้นหนึ่ง หรือสไตล์ภาพในปัจจุบัน — การยึดโยงด้วยการค้นหาเป็นกลไกที่ข้อกำหนดเลย์เอาต์ไม่มีทางมีได้ เช่นเดียวกับสิ่งใดก็ตามที่ต้องใช้การคำนวณ: Meta ระบุว่าการรันโค้ดเป็นเส้นทางสำหรับพล็อตและคิวอาร์โค้ดที่แม่นยำ และความแม่นยำของ bounding box ไม่ว่าจะมากเพียงใดก็ไม่ได้แผนภูมิที่ถูกต้องหากไม่มีสิ่งที่คำนวณเลขได้ และการขัดเกลาตนเองสำคัญที่สุดเมื่อคุณไม่สามารถเขียนออกมาว่า "ถูกต้อง" หน้าตาเป็นอย่างไร ซึ่งเป็นกรณีที่ข้อกำหนดเลย์เอาต์ช่วยอะไรไม่ได้เลย

แนวทางแบบข้อกำหนดมีที่ยืนในสถานการณ์ตรงกันข้าม เมื่อคุณรู้อย่างแม่นยำว่าองค์ประกอบทุกอย่างไปอยู่ที่ไหน — โปสเตอร์ที่มีกริดแบบคงที่ ม็อกอัป UI ที่มีตำแหน่งคอมโพเนนต์จริง อินโฟกราฟิกที่ข้อความต้องอ่านออกและวางตำแหน่งอย่างถูกต้องแม่นยำถึงระดับตัวอักษร — ดังนั้นการให้เหตุผลจึงเป็นภาระส่วนเกิน และการอนุมานเป็นความเสี่ยง คุณไม่ได้ขอให้โมเดลตัดสินใจอะไร คุณกำลังขอให้มันดำเนินการวาดภาพ และการทดลอง ablation ระหว่าง 1,622.87 กับ 1,506.20 เป็นหลักฐานของผู้ขายว่าการดำเนินการวาดภาพและการตีความคำอธิบายเป็นความสามารถที่แตกต่างกันซึ่งมีคะแนนต่างกัน

มีข้อพิจารณาลำดับรองที่ผู้จำหน่ายทั้งสองรายไม่ได้โฆษณาไว้ สเปกเลย์เอาต์สามารถตรวจสอบได้ก่อนที่จะเรนเดอร์ ซึ่งหมายความว่ามันสามารถถูกสร้าง จัดการเวอร์ชัน เปรียบเทียบความต่าง และทดสอบระดับหน่วยได้เหมือนข้อมูลที่มีโครงสร้างอื่น ๆ ไปป์ไลน์แบบเอเจนติกที่ตัดสินใจแนวทางของตัวเองนั้นไม่สามารถตรวจสอบในลักษณะนั้นได้ ความเป็นดีเทอร์มินิสต์ของมันมาจากโมเดล ไม่ใช่จากโค้ดของคุณ หากไปป์ไลน์ของคุณต้องมีขั้นตอนการอนุมัติ — โดยมีมนุษย์เป็นผู้ลงนามอนุมัติองค์ประกอบก่อนที่จะมีการเรนเดอร์สิ่งใด ๆ — มีเพียงสถาปัตยกรรมหนึ่งในสองแบบนี้เท่านั้นที่รองรับได้อย่างเรียบร้อย

คำถามเรื่องการจัดเส้นทาง ตอบอย่างตรงไปตรงมา

ไม่มีโมเดลใดในการเปรียบเทียบนี้ที่เราให้บริการ และควรพูดให้ชัดเจนตรงนี้มากกว่าจะอ้างแบบคลุมเครือถึงคำกล่าวอ้างของแพลตฟอร์ม Meta Muse Image ไม่ได้อยู่ในแคตตาล็อกของเรา — เข้าถึงได้ผ่าน Model API ของ Meta เองภายใต้ muse-image-1.0 และนั่นคือที่เดียวที่มีให้ใช้ MOSS-Image ก็ไม่ได้อยู่ในแคตตาล็อกของเราเช่นกัน มันเป็นไฟล์ดาวน์โหลดที่คุณรันเอง สิ่งที่อยู่ใน แคตตาล็อกของเรา คือส่วนที่เหลือของวงการที่สองตัวนี้ถูกนำมาเทียบด้วย ผ่านคีย์ API เดียวในราคาตามที่ผู้ให้บริการประกาศไว้ โดยบวกกำไร 0% ดังนั้นหากผู้ขายปรับราคาโมเดลแบบโฮสต์ ที่นี่จะสะท้อนให้เห็นในวันเดียวกัน meta/muse-spark-1.1 และ meta/muse-spark-1.2 ของ Meta เองให้บริการอยู่ที่นี่ ซึ่งมีประโยชน์หากไปป์ไลน์ของคุณผสมภาพที่สร้างขึ้นกับข้อความที่สร้างขึ้น — แต่ Muse Spark เป็นโมเดลการให้เหตุผลของ Meta ไม่ใช่โมเดลสร้างภาพ และทั้งสองแทนกันไม่ได้

สิ่งที่สำคัญสำหรับการจับคู่เฉพาะครั้งนี้คือการสร้างแบบจำลองต้นทุน ราคาแบบคงที่ระดับเซนต์ของ Meta นั้นเข้าใจง่าย และเป็นไปไม่ได้ที่จะนำไปเปรียบเทียบกับโมเดลน้ำหนักเปิด จนกว่าคุณจะคิดราคาชั่วโมง GPU ของคุณเอง โมเดลแบบโฮสต์ที่คุณจะใช้เป็นเกณฑ์เปรียบเทียบกับ MOSS-Image คือโมเดลที่ต้องมีตัวเลขต่อภาพ และนั่นคือตัวเลขที่เลเยอร์การจัดเส้นทางซึ่งมีการคิดราคาแบบส่งผ่านตรงทำให้คุณอ่านได้แบบสด ๆ แทนที่จะต้องอนุมานเอง

ควรเลือกอันไหนดี ในคำแนะนำหนึ่งย่อหน้า

เลือก M​eta M​use Image หากคำขอเป็นเชิงบทสนทนา หากอ้างอิงโลกจริง หากต้องปรับปรุงซ้ำไปมาหลายเทิร์น หรือหากทีมการเงินของคุณต้องการรายการบรรทัดเดียวเพียงหนึ่งเซนต์ต่อภาพโดยไม่มีความประหลาดใจเรื่องความละเอียด เลือก M​OSS-Image หากคุณมี GPU เป็นของตัวเอง หากรู้เลย์เอาต์ล่วงหน้าได้ หากคุณต้องไฟน์จูนหรือควอนไทซ์ หรือหากการตรวจสอบสัญญาอนุญาตที่จบลงด้วย "Apache 2.0, no negotiation" คุ้มค่ามากกว่าปลายทางที่เรียกใช้ได้ หากคุณต้องการทั้งสองอย่าง — ฟรอนต์เอนด์แบบเอเจนต์สำหรับการสำรวจ และแบ็กเอนด์แบบสเปกสำหรับการผลิต — คุณกำลังอธิบายถึงสองระบบ เพราะไม่มีอะไรในนี้ที่ทำได้ทั้งสองอย่าง

สิ่งที่ทำให้คำแนะนำนี้เปลี่ยนไปเร็วที่สุดคือสิ่งเดียวกันสำหรับทั้งสองโมเดล และสิ่งนั้นยังไม่มีอยู่จริง Meta ยังไม่ได้เผยแพร่การวัดผลด้านการปฏิบัติตามคำสั่งหรือความแม่นยำในการแก้ไขของ Muse Image เลย ดังนั้นข้ออ้างเรื่องความยับยั้งชั่งใจของมัน — "เปลี่ยนเฉพาะสิ่งที่คุณระบุเท่านั้น และปล่อยทุกอย่างอื่นไว้ไม่แตะต้อง" — จึงไม่สามารถพิสูจน์ว่าเป็นเท็จจากภายนอกได้ OpenMOSS เผยแพร่ไว้เป็นจำนวนมาก โดยทั้งหมดเป็นผลงานที่เขียนขึ้นเอง การทดสอบโดยอิสระของโมเดลใดโมเดลหนึ่งจะย้ายเรื่องนี้จาก "ถูกบรรยายไว้" ไปสู่ "ถูกวัดผล" และจนกว่าจะถึงตอนนั้น ทางเลือกก็ขึ้นอยู่กับสถาปัตยกรรมและราคามากกว่าคุณภาพ ซึ่งเป็นเรื่องผิดปกติที่จะพูดได้เกี่ยวกับโมเดลรูปภาพสองตัวที่เปิดตัวห่างกันสี่เดือน

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