MOSS-Image vs MAI-Image-2.6 Preview: Cả hai đều xếp thứ hai, không cái nào có thể gọi là nhất

M​OSS-Image và M​AI-Image-2.6 Preview có nhiều điểm chung hơn cả việc cả hai đều là những model hình ảnh mới. M​OSS-Image được phát hành vào ngày 16 tháng 10 năm 2026 dưới dạng trọng số mở — các checkpoint M​OSS-Image-Base và M​OSS-Image-SFT theo giấy phép Apache 2.0. M​AI-Image-2.6 Preview đã vào bản xem trước riêng tư vào ngày 19 tháng 8 năm 2026 trên M​AI Playground và M​icrosoft Foundry của M​icrosoft. Hiện tại, mỗi model đều đang đứng ở vị trí thứ hai trên một bảng xếp hạng, hai bảng xếp hạng đó được xây dựng bởi những người khác nhau bằng những phương pháp khác nhau, và cả hai model đều không có mức giá nào để bạn tra cứu.

Điểm cuối cùng đó chính là toàn bộ phép so sánh. Đây không phải là màn đối đầu trực tiếp giữa hai thứ mà bạn có thể thuê và đo lường đối chiếu với nhau. Đây là cuộc so tài giữa một bản tải xuống 27 GB từ một phòng thí nghiệm nghiên cứu và một bản xem trước chỉ truy cập được bằng lời mời từ một công ty nền tảng, và câu hỏi hữu ích không phải là cái nào đạt điểm cao hơn — mà là cái nào bạn thực sự có thể đưa vào một sản phẩm trong quý này, và mỗi nhà cung cấp sẵn sàng cho bạn biết điều gì trước khi bạn cam kết.

Hai vị trí thứ hai, và mỗi cái đang đo lường điều gì

Những con số được trích dẫn cho cả hai mô hình đều là “Số 2”, và sự trùng hợp đó che giấu việc chúng đo lường những thứ gần như đối lập nhau.

Vị trí thứ hai của MOSS-Image đến từ RealLayoutArena, một bộ chuẩn đánh giá thiết kế gồm 61 tác vụ — áp phích, đồ họa thông tin và giao diện người dùng — đi kèm với chính báo cáo kỹ thuật của mô hình. Nó đạt 1.698,70 Elo với khoảng tin cậy 95% từ 1.655,96 đến 1.741,43, xếp sau GPT Image 2 ở 1.844,35. RealLayoutArena được xây dựng bởi OpenMOSS, phòng thí nghiệm đã tạo ra MOSS-Image, và các đường cơ sở trong đó là các lần chạy của chính phòng thí nghiệm này đối với mô hình của các công ty khác. Đây là một bảng điểm do nhà cung cấp tự lập, và nhà cung cấp đã tự ghi rõ nó là như vậy.

Vị trí thứ hai của M​AI-Image-2.6 Preview đến từ Arena, tức LMArena đã được đổi thương hiệu, nơi những người bình chọn là con người theo phương thức mù chọn bức ảnh tốt hơn trong hai bức ảnh từ cùng một câu lệnh. Mục này có tên chính xác là mai-image-2.6-preview và đạt 1.336 Elo với biên độ ±11 trên khoảng 3.488 phiếu bầu — xếp sau GPT Image 2 Medium ở 1.381 và xếp trên G​rok Imagine Image 2.0 ở 1.316. Bản dựng xem trước tương tự sau đó đứng thứ 3 trên bảng xếp hạng chỉnh sửa ảnh đơn của Arena với 1.420 điểm. Đó là một thước đo sở thích của con người độc lập, và cũng là một thước đo sơ bộ: mục đứng đầu trên bảng xếp hạng đó có hơn 70.000 phiếu bầu, nên sai số trên một mục có 3.488 phiếu là có thật, và Elo từ các phiếu bầu sớm có thể biến động.

Vậy cách diễn đạt trung thực là: một mô hình đứng thứ hai trên một bài kiểm tra do chính các tác giả của nó viết ra, còn mô hình kia đứng thứ hai trên một bảng xếp hạng cộng đồng với chỉ một phần năm bằng chứng phía sau. Cả hai đều không phải là kết quả đã ngã ngũ, và cả hai đều chưa được bất kỳ ai bên ngoài tổ chức công bố chúng tái lập.

M​OSS-Image thực sự mang lại cho bạn những gì

MOSS-Image là một diffusion transformer đơn luồng 5B được huấn luyện từ đầu: 42 khối kết hợp, chiều rộng ẩn 3.072, 24 đầu chú ý ở 128 chiều, một mạng feed-forward SiTU-GLU rộng 8.192 và một mã hóa vị trí quay bốn trục. Số lượng tham số được công bố bỏ qua rất nhiều thứ. Bộ mã hóa văn bản là Qwen3.5-9B đóng băng, và VAE là của FLUX.2, được tải đóng băng từ FLUX.2-klein-4B, với 32 kênh tiềm ẩn và một patch tiềm ẩn 2×2 trên nền giảm mẫu 8× cho bước hiệu dụng 16 pixel. Kho lưu trữ SFT có dung lượng khoảng 27,2 GB, trong đó khoảng 16,8 GB là bộ mã hóa.

Khả năng đặc trưng của nó không nằm ở chất lượng hình ảnh. Mà nằm ở chỗ prompt có thể là một đối tượng JSON chứa các bounding box, chuỗi văn bản nguyên văn và ghi chú về kiểu chữ, được biểu diễn bằng tọa độ pixel tuyệt đối đo từ tâm canvas với bbox_format "yxyx". Chính phần ablation của nhà cung cấp đã nói thẳng ra điều đó: trên RealLayoutArena, các prompt bố cục dạng JSON đạt 1.622,87 điểm trong khi các prompt ngôn ngữ tự nhiên trên cùng hệ thống chỉ đạt 1.506,20. Giao diện có cấu trúc không phải là một tính năng thưởng gắn thêm vào mô hình. Đó chính là nơi hiệu năng thực sự nằm.

Bằng chứng hỗ trợ là một benchmark mà chính phòng thí nghiệm cũng xây dựng, 7Bench, trong đó MOSS-Image báo cáo IoU bố cục trung bình là 0,88 so với 0,44 của Ideogram 4.0, 0,33 của Nano Banana Pro và Seedream 5.0 Pro, 0,31 của Qwen Image 3.0 Pro và 0,30 của GPT Image 2, với Layout AUC là 0,70 so với mặt bằng chung chỉ từ 0,16 đến 0,20. Về phía kết xuất văn bản, nó báo cáo 96,3 Mean-6 trên LongLongTextBench — một benchmark văn bản văn học gồm 240 tác vụ do chính nó tạo ra — với 97,1 ở tiếng Anh và 92,4 ở tiếng Trung. Dòng đáng tin nhất trong bảng đó là dòng ngay trên nó: trên chính benchmark của nhà cung cấp, GPT Image 2 đạt 99,0 và Nano Banana Pro đạt 96,6. Việc công bố một bảng mà một đối thủ vẫn giành chiến thắng là điều đáng ghi nhận.

Điều mà M​OSS-Image không cung cấp cho bạn là một endpoint. Không có API thương mại nào mà chúng tôi có thể xác minh, không có playground được host nào ngoài Gradio Space chạy trên một A10G duy nhất, và không có lộ trình được quản lý nào. Bạn cài đặt Diffusers với một pipeline tùy chỉnh, hoặc plugin ComfyUI gốc, và bạn tự cung cấp GPU.

M​AI-Image-2.6 Preview thực sự mang lại cho bạn những gì

Microsoft đã công bố về mô hình của mình ít hơn nhiều so với những gì OpenMOSS công bố về mô hình của họ, và việc nhìn vào những gì bị thiếu hụt cũng cho thấy nhiều điều đáng chú ý.

Những gì hiện có: một dòng phả hệ mô hình tiến theo nhịp sáu đến tám tuần — M​AI-Image-1, rồi M​AI-Image-2 vào tháng 3 năm 2026 với bước nhảy vọt về khả năng tái tạo chân thực như ảnh chụp và kết xuất văn bản, M​AI-Image-2.5 vào tháng 6 năm 2026, bản đã trở thành engine bên trong Bing Image Creator, PowerPoint và OneDrive, rồi M​AI-Image-2.5-Pro vào tháng 7 năm 2026 với hạng cao cấp 8K, và giờ là 2.6 chỉ khoảng sáu tuần sau đó. Các mô tả năng lực của chính M​icrosoft mang tính định tính: kết xuất văn bản mạnh hơn, chân dung và hình ảnh 3D; đầu ra thương mại và chân thực như ảnh chụp chỉn chu hơn; làm việc với nhiều ảnh tham chiếu trong một lần tạo; khả năng grounding phong phú hơn; kiểm soát tốt hơn đối với suy luận, định dạng và độ phân giải. Không có số lượng tham số, không có giấy phép, không có kiến trúc, không có bảng benchmark.

Điều không tồn tại: một mức giá. Bản xem trước được giới hạn bằng lời mời, đường truy cập là M​AI Playground và M​icrosoft Foundry, và không có mức giá trên mỗi ảnh nào được công bố. Cũng không có ngày phát hành chính thức. Phân tích theo hạng mục của Arena là kết quả chi tiết duy nhất gắn với mô hình — nó xếp thứ nhất ở mảng hình ảnh và mô hình hóa 3D, và xếp thứ hai ở mảng hoạt hình/anime/giả tưởng, sản phẩm và thương hiệu, kết xuất văn bản và nghệ thuật — còn thứ hạng hạng mục trên một bảng sơ bộ có ít phiếu bầu thì cùng lắm chỉ mang tính định hướng.

Điều duy nhất rõ ràng là đúng và rõ ràng là quan trọng chính là nhịp độ. Microsoft đang tung ra các cải tiến mô hình hình ảnh nhanh hơn mức thị trường này vốn quen, và màn chào sân trên Arena cho thấy sự cộng dồn là thật chứ không chỉ được công bố.

Hai mô hình, từng dòng một

• Phát hành — MOSS-Image vào ngày 16 tháng 10 năm 2026 dưới dạng trọng số mở; MAI-Image-2.6 Preview vào bản xem trước riêng tư vào ngày 19 tháng 8 năm 2026

• Truy cập — M​OSS-Image có thể tải xuống và tự lưu trữ, kèm plugin ComfyUI và pipeline Diffusers; M​AI-Image-2.6 Preview chỉ truy cập được bằng lời mời trên M​AI Playground và M​icrosoft Foundry

• Giá — M​OSS-Image miễn phí tải về, với dung lượng khoảng ~27,2 GB và thời gian GPU của riêng bạn; M​AI-Image-2.6 Preview không có bảng giá công bố

• Giấy phép — MOSS-Image là Apache 2.0 cho cả trọng số và mã pipeline độc lập, không có ngưỡng doanh thu; MAI-Image-2.6 Preview là độc quyền và không nêu rõ giấy phép.

• Điểm số độc lập — MOSS-Image đứng thứ hai trên RealLayoutArena với 1.698,70 Elo (bài kiểm chuẩn do chính tác giả xây dựng); MAI-Image-2.6 Preview đứng thứ hai trên Arena text-to-image với 1.336±11 trên ~3.488 phiếu bầu (bảng bình chọn cộng đồng), đứng thứ ba trên Arena single-image edit với 1.420

• Điều khiển bố cục — MOSS-Image chấp nhận bố cục JSON với tọa độ pixel tuyệt đối và báo cáo IoU trung bình 0,88 trên 7Bench; Microsoft không công bố benchmark bố cục nào cho bất kỳ thứ gì trong dòng hình ảnh MAI

• Kết xuất văn bản — MOSS-Image báo cáo 96,3 Mean-6 trên LongLongTextBench với 97,1 tiếng Anh và 92,4 tiếng Trung; MAI-Image-2.6 Preview tăng +91 Elo về kết xuất văn bản so với 2.5 theo phân tích theo danh mục của Arena, nhưng không có con số tuyệt đối nào được công bố

• Chỉnh sửa — M​AI-Image-2.6 Preview được đo ở vị trí thứ 3 trên bảng chỉnh sửa ảnh đơn của Arena; báo cáo của M​OSS-Image không trình bày chỉnh sửa như một bề mặt sản phẩm

• Phục vụ — M​OSS-Image có công việc khung Day 0 đang được tiến hành, bao gồm một yêu cầu kéo vLLM-Omni đang mở để bổ sung mô hình với skip-layer guidance và chưa được hợp nhất vào bản phát hành có gắn thẻ; M​AI-Image-2.6 Preview được Microsoft phục vụ, theo điều khoản của Microsoft, khi Microsoft nói như vậy

Nơi mỗi thứ thực sự vượt trội

MOSS-Image dẫn đầu ở mọi thứ xuất phát từ việc mở. Bạn có thể đọc kiến trúc, lượng tử hóa nó, tinh chỉnh nó trên dữ liệu riêng tư, chạy nó trong môi trường cách ly hoàn toàn, và đưa nó vào một sản phẩm thương mại mà không cần đàm phán giấy phép — Apache 2.0 bao phủ phần trọng số và mã pipeline độc lập, không có phụ lục về mục đích sử dụng được phép và không có gói thương mại riêng. Với một mô hình mà năng lực chủ đạo là kết xuất văn bản dễ đọc ở những vị trí cụ thể, điều đó quan trọng hơn cả một mức chênh lệch benchmark, bởi vì kết xuất văn bản chính xác là năng lực xuất hiện trong công việc khách hàng: bản mô phỏng sản phẩm, bản thiết kế giao diện, đồ họa thông tin, áp phích, bố cục quảng cáo.

M​AI-Image-2.6 Preview dẫn đầu ở những khía cạnh xuất phát từ việc là một mô hình nền tảng thay vì một kho lưu trữ. Nó có sự phân phối đến hàng trăm triệu người thông qua Bing Image Creator, PowerPoint và OneDrive, nó hướng đến một điểm cuối đám mây được quản lý trên Foundry, và nó đang được cải thiện theo một nhịp độ công bố. Nếu yêu cầu của bạn là một mô hình hình ảnh mà tổ chức của bạn có thể gọi từ một ngăn xếp mang hình dạng M​icrosoft với một hợp đồng hỗ trợ phía sau, thì không có lượng Apache 2.0 nào thay thế được điều đó.

Vùng giữa khó chịu là nơi phần lớn các đội thực sự đang ở. M​icrosoft chưa công bố giá, giấy phép hay số lượng tham số, nên bạn không thể mô hình hóa chi phí khi áp dụng mô hình của họ. OpenMOSS đã công bố tất cả những điều đó, nhưng không có cách nào để gọi nó mà không sở hữu phần cứng.

Điều mà cả hai người họ đều không thay đổi về ngày của bạn

Cả hai mô hình này đều nằm ngoài thị trường dịch vụ lưu trữ mà bạn có thể đã xây dựng dựa trên đó, và đó là lúc một lớp định tuyến đáng để nói điều gì đó chính xác thay vì mang tính quảng bá. Chúng tôi không host M​OSS-Image và chúng tôi không host M​AI-Image-2.6 Preview, nên không có gì ở đây là lời đề nghị cung cấp một trong hai. Điều chúng tôi thực sự cung cấp là bộ so sánh: các mô hình hình ảnh được host mà bạn sẽ dùng để đo lường một M​OSS-Image tự host đều có thể truy cập qua một khóa API trên danh mục của chúng tôi ở mức giá niêm yết của nhà cung cấp với 0% markup, nghĩa là thay đổi giá của nhà cung cấp ở phía dịch vụ host sẽ có hiệu lực ngay trong cùng ngày thay vì theo chu kỳ hợp đồng, với chuyển đổi dự phòng tự động giữa các nhà cung cấp để một lượt chạy đánh giá không bị chết vì một upstream đã có một buổi chiều tồi tệ. Việc thử một checkpoint chưa được kiểm chứng so với một mô hình đi thuê không nên đòi hỏi một SDK thứ hai, và đó là tuyên bố duy nhất được đưa ra.

Cụ thể với M​AI-Image-2.6 Preview thì hiện chưa có gì để định tuyến cả. Vị thế trung thực là: mô hình là thật, thứ hạng là thật, và quyền truy cập là một danh sách chờ.

Ai nên hành động, và ai nên tiếp tục theo dõi

Hãy chọn MOSS-Image nếu bạn có GPU, một quy trình làm việc có thể diễn đạt ý định dưới dạng hộp và chuỗi, và một trường hợp sử dụng mà bố cục là sản phẩm bàn giao chứ không phải là một sự tình cờ may mắn. Hãy bắt đầu với checkpoint SFT, dự trù 16,8 GB cho encoder trước khi dự trù cho generator, và mong đợi 50 bước lấy mẫu với hai lượt forward của transformer mỗi bước trừ khi bạn áp dụng một trong các bản chưng cất từ cộng đồng. Hai trong số đó đã xuất hiện trong vòng một ngày sau khi phát hành: một LoRA DMD 4 bước và một biến thể chưng cất 8 bước, cả hai đều không được nhà cung cấp hỗ trợ và đều chưa được benchmark.

Hãy chờ MOSS-Image nếu bạn cần một endpoint có thể gọi được trong tuần này, nếu bạn đang thuê năng lực thay vì sở hữu nó, hoặc nếu bạn muốn một con số không được tạo ra bởi chính những người đã xây dựng bài kiểm tra. Cả ba kết quả mạnh ở trên đều đến từ các benchmark do nhà cung cấp tự biên soạn, sử dụng một giai đoạn đặc tả mà báo cáo nói rằng chạy trên GPT-6 tại thời điểm suy luận — vì vậy Elo đầu-cuối là một pipeline hai mô hình, chứ không phải đầu ra của một mô hình duy nhất.

Hãy chờ MAI-Image-2.6 Preview nếu bạn cần bất cứ điều gì mang tính hợp đồng. Hãy để mắt tới nó nếu bạn đã là khách hàng của Foundry, vì nhịp độ cho thấy phiên bản tiếp theo còn sáu đến tám tuần nữa và bản xem trước sẽ chuyển thành một thứ có kèm mức giá.

Điều có thể giải quyết dứt điểm so sánh này là cùng một thứ cho cả hai, và cả hai đều không có nó: một lần chạy độc lập trên bộ benchmark mà mỗi bên được xếp hạng. Với M​OSS-Image, điều đó nghĩa là ai đó khác OpenMOSS chạy LongLongTextBench hoặc RealLayoutArena. Với M​AI-Image-2.6 Preview, điều đó nghĩa là bảng Arena tích lũy đủ phiếu để ±11 không còn quan trọng, hoặc M​icrosoft công bố một mức giá.

Cho đến khi một trong những điều đó xảy ra, tóm tắt chính xác là thế này — một mô hình nghiên cứu 5B với giấy phép kiểu permissive, có giao diện văn bản-và-bố cục tốt đến bất thường cùng không có endpoint, đối lại với một mô hình nền tảng độc quyền có thứ hạng cộng đồng độc lập, phân phối thực sự, và không có giá. Cái mà bạn có thể hành động dựa trên đó phụ thuộc hoàn toàn vào việc nút thắt của bạn là giấy phép hay một URL.

Các lỗi AI và sự cố tác nhân được ghi nhận đằng sau những bản phát hành như bản này được tập hợp trong OrcaRouter AI Incident Archive, trong đó mỗi mục đều có nguồn, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp riêng.