MOSS-Image 对比 FLUX 3：在提示词中放置边界框的两种方式

比较 M​OSS-Image 与 FLUX 3，最有趣的一点在于，两者在过去一个月内得出了相同的结论——控制图像模型的方法就是把坐标写进提示词——但随后又在坐标系上产生了分歧。2026 年 10 月 16 日，OpenMOSS 发布了 M​OSS-Image-Base 和 M​OSS-Image-SFT，采用 Apache 2.0 许可：一个可下载的 5B 扩散 Transformer，带有 JSON 布局格式，通过从画布中心测量的绝对像素偏移来定位元素。Black Forest Labs 抢先一步，推出了 F​lux 3 Image，自 10 月 1 日起上线，并公布了价目表；它把每个框都表示为 [top, left, bottom, right]，取 0 到 1000 的整数，相对于一个固定网格。同样的想法，不兼容的语法，而且两者中只有一个能给你一个可以保留的文件。

真正决定这场对决（对大多数团队而言）的，正是这一差异——而非图像质量，而且它比任何基准测试都更快地见分晓。因此，下文的对比正是围绕这一点来组织的。MOSS-Image 的每一项数据都出自 OpenMOSS 自己，取自其发布公告与技术报告，且没有任何人复现过其中任何一项。Flux 3 的每一项数据都来自 Black Forest Labs 自己公布的价格表与发布材料。这两个模型之间并不存在独立的正面交锋，而且在相当长一段时间内也不会有。

各方实际交付了什么

MOSS-Image 是一对检查点，MOSS-Image-Base和MOSS-Image-SFT，权重和推理代码基于 Apache 2.0 许可，提供 ModelScope 镜像、Gradio Space、Diffusers 自定义管线和原生 ComfyUI 插件。ComfyUI 核心支持在权重发布当天同步落地。OpenMOSS 没有提供托管端点，也没有公布价格，因为没有什么可定价的——要么自己运行，要么就不运行。

Flux 3 则是相反的形态。Black Forest Labs 于 2026 年 7 月发布了它，将其作为一个横跨视频、图像和音频训练的单一架构，而静态图像层级——Flux 3 Image——于 10 月 1 日以公开的按使用量付费定价开放。开放权重的对应版本 FLUX 3 Image Klein 随后于 10 月 15 日推出，采用 FLUX Kommunity 许可证，该许可证仅在收入上限以下允许免费商业使用。因此 BFL 现在确实同时提供了租赁路径和可下载路径，但它们是不同的模型、持有不同的许可证，而且可下载的那个是小弟而非旗舰。

这两款模型均不在我们自己的目录中。 OrcaRouter 提供超过 200 个模型，而 M​OSS-Image 并不在其中，因此这里没有任何内容应被解读为我们提供它——F​lux 3 也是如此。在这次比较中，路由器有用之处在于循环的另一半：当你想让自托管的检查点与托管图像模型在相同提示词上进行对比时，托管侧可以通过一个 API 密钥访问，按提供商标价计费，我方不添加任何加价，并具备 提供商之间的自动故障转移，如果其中某个在运行中途性能下降。

方框语法，并排对照

正是在这里，两者出现了配置文件会注意到的那种分歧。

• 坐标空间 — MOSS-Image：从画布中心测量的绝对像素，使用 bbox_coord_space: "abs_centralized"，因此在 1024×1024 画布上，每条轴的取值范围是从 −512 到 +512。Flux 3 Image：从左上角测量的归一化整数 0 到 1000。

• 坐标顺序 — MOSS-Image：bbox_format: "yxyx"，即[y_min, x_min, y_max, x_max]。Flux 3 Image：[top, left, bottom, right]，也就是同样顺序下的同样四个数值，只是名称不同。

• 它如何到达模型——MOSS-Image：一个作为提示字符串传入的 JSON 对象，其中包含用于场景和样式的 summary块，以及一个 items数组，其中每个元素都带有一个标签、一段说明文字，对于文本元素还包括要渲染的字面字符串。Flux 3 Image：一个写入普通提示中的 JSON 框数组，无需额外参数。

• 分辨率耦合 —— MOSS-Image 的坐标是像素，因此只对您请求的宽度和高度成立；一旦改变输出尺寸，就得重新推导每一个框。Flux 3 的 0–1000 网格在构造上就与分辨率无关：[0, 0, 500, 500] 始终是您所请求的任何画布的左上四分之一。

• 框的用途——M​OSS-Image 首先被定位为生成控制工具，厂商指出，编辑某个元素的说明文字或移动它的框，都会调整构图中相应的部分，并称其为实验性功能。F​lux 3 Image 则将布局与以框为范围的多轮编辑搭配，作为一项主打能力。

最后那条要点正是实际的分界线。F​lux 3 的网格能经受输出分辨率的变化；M​OSS-Image 的则不能，但 M​OSS-Image 让你可以指定希望在文本元素中渲染的确切字符串，而不是对其进行描述。如果你的流水线会以不同尺寸重新渲染，网格就是一项真正的优势。如果你的流水线渲染的是具有固定尺寸和特定文案的海报，绝对像素并不是负担。

文本渲染，其中唯一的数字来自厂商自己

M​OSS-Image 的标志性能力是清晰可读的文本，厂商为此构建了两个基准来评估它。在 LongLongTextBench 上——包含 240 个文学文本渲染任务，平均目标长度约为 1,340 个字符——M​OSS-Image 在 Mean-6 文本覆盖率上得分为 96.3，而 Q​wen-Image-2512 为 64.9。同一张表中排在它上面的一行是 GPT Image 2（99.0）和 N​ano Banana Pro（96.6），这一点值得注意：OpenMOSS 发布的表格中，竞争对手仍然胜出。

Black Forest Labs 完全没有为 Flux 3 Image 发布任何文本渲染基准。没有任何数字可以放在 96.3 旁边——无论从哪一方来说都是如此——而仅凭示例图像编造出一个对比，正是本博客不该做的事。可以确定的是，FLUX.2 的 VAE 正是 MOSS-Image 所使用的那一个——MOSS-Image 自己的模型卡就提到它加载的是 FLUX.2 小型解码器——因此，尽管两者的生成器并无关联，这两个系列在像素层面也并非素不相识。

成本：一个数字对五个

• M​OSS-Image — 可免费下载，Apache 2.0，无收入门槛，也没有商业版档位。成本在于硬件：SFT 仓库总计约 27.2 GB，其中约 16.8 GB 分布在四个分片中，是冻结的 Qwen3.5-9B 文本编码器；另有约 10.2 GB 分布在三个分片中，是 transformer。预算要花在编码器上，而不是花在标签上。

• F​lux 3 Image — 根据 Black Forest Labs 自己的价目表，每张图像的价格为：768×768 下 $0.041，约 100 万像素下 $0.048，1.5K 下 $0.07，2K 下 $0.10，4K 下 $0.607。50% 的发布折扣从 10 月 1 日持续到 10 月 8 日，现已过期，因此任何基于该折扣构建的成本模型都需要按全价另列一行。

• FLUX 3 Image Klein — 768×768 时为 $0.008，4K 时升至 $0.036，且文生图与编辑成本相同。它在人力成本上远比与之竞争的 5B 下载版便宜，即便在许可证方面未必如此。

坦率地说，这两者并不是同一种购买。MOSS-Image 用金钱换取 GPU 小时和工程投入；Flux 3 Image 则是用金钱换取由他人运行整套技术栈，并按每张交付的图像计费，费率随分辨率急剧上升。

双方均未公布的内容

M​OSS-Image 没有独立基准测试。F​lux 3 Image 也没有独立基准测试——B​FL 发布图像层级时没有提供与任何其他图像模型的对比数据，无论是厂商自行测试还是其他形式的。这两个模型在中立排行榜上都没有一行可供任何人指认。当比较的双方都缺乏证据时，正确的结论不是它们同样优秀；而是你目前无法判断，打破僵局的标准必须是你真正能够衡量的东西——许可证、格式、在你自己的硬件上的延迟，以及框语法是否与你已有的代码匹配。

有两件事会改变这一点。由 OpenMOSS 以外的任何人独立运行 LongLongTextBench 或 RealLayoutArena，将成为 M​OSS-Image 核心主张的首个真正证据。在 B​FL 网格上进行第三方布局控制对比，也会为 F​lux 3 Image 做到同样的事。两者目前都尚不存在。

你实际会选哪一个

如果交付物是排版合成的页面——海报、信息图、产品效果图——其中特定文字必须落在特定位置，而且你希望把权重放在自己的基础设施里，那就选 MOSS-Image。Apache 2.0 许可证让商业审查流程变得简短，Base 检查点被有意保持未蒸馏，好让 LoRA 训练有可着力的地方，而 JSON 布局是厂商测量得最仔细的模型部分。要为编码器留出预算，并预期提供结构化 JSON 而非自然语言文本：厂商自己的消融实验显示，在同一系统上，JSON 布局提示达到 1622.87 Elo，而自然语言为 1506.20，差距很大，也是本次发布中最明确的信号。

如果你今天就需要一个可调用的端点，如果你的输出在分辨率上各不相同，或者你希望把跨多个轮次的框选范围编辑作为一项受支持的功能而非实验性功能，那就选 Flux 3 Image。0–1000 网格与分辨率无关，价目表是公开的，而且如果许可上限可以接受，它旁边还有一个廉价的开源权重变体。

值得留意的是边界框语法。你的工具链最先采用哪种约定，就会一直沿用哪种约定，而目前这两种约定互不兼容——一边是yxyx顺序的绝对中心相对像素，另一边是归一化的左上角整数。一个小型适配函数就能在两者之间转换。它之所以重要，是因为它是这项比较中如今唯一完全可知的部分。

此类发布背后有据可查的 AI 故障与智能体事件，均收录于OrcaRouter AI 事件档案，其中每条记录都带有自己的来源、严重程度、置信度评级和争议标记。