MOSS-Image 对比 MAI-Image-2.6 Preview：双双位列第二，却都叫不动

M​OSS-Image 和 M​AI-Image-2.6 Preview 的共同点不只是两者都是新的图像模型。M​OSS-Image 于 2026 年 10 月 16 日以开放权重形式发布——即 M​OSS-Image-Base 和 M​OSS-Image-SFT 检查点，采用 Apache 2.0 许可。M​AI-Image-2.6 Preview 于 2026 年 8 月 19 日在 M​icrosoft 的 M​AI Playground 和 M​icrosoft Foundry 上进入非公开预览。目前，每个模型都在某个排行榜上位列第二，这两个排行榜由不同的人使用不同的方法构建，而且这两个模型都没有可以查到的价格。

最后一点就是整个比较的关键。这并不是两样你可以租来、并彼此衡量的东西之间的正面交锋。它是一场研究实验室的 27 GB 下载包与平台公司的邀请制预览版之间的对决，而真正有用的问题不是哪一个得分更高——而是哪一个你能在本季度真正放进产品里，以及每个供应商在你做出承诺之前愿意告诉你什么。

两个第二名，以及每一个衡量的是什么

两个模型被引用的数字都是“第二”，而这个巧合掩盖了一个事实：它们衡量的几乎是截然相反的东西。

MOSS-Image 的第二名来自RealLayoutArena，这是一个包含 61 项任务的设计基准——涵盖海报、信息图和用户界面——随该模型自己的技术报告一同发布。它得到 1,698.70 Elo 分，95% 置信区间为 1,655.96 至 1,741.43，落后于 GPT Image 2 的 1,844.35。RealLayoutArena 由 OpenMOSS 打造，也就是打造 MOSS-Image 的实验室，而其中的基线是该实验室自己运行其他公司模型的结果。这是一块厂商记分牌，而厂商也将其标注为厂商记分牌。

M​AI-Image-2.6 Preview的第二名来自Arena，即更名后的 LMArena。在那里，盲测的人类投票者会从同一提示词生成的两张图片中选出更好的一张。该参赛条目的名称字面就是mai-image-2.6-preview，获得 1,336 Elo，在约 3,488 票上有 ±11 的误差范围——落后于 1,381 分的 GPT Image 2 Medium，领先于 1,316 分的 G​rok Imagine Image 2.0。同一预览版本后来以 1,420 分在 Arena 的单图编辑榜上排名第 3。这是一项独立的人类偏好指标，而且也是初步指标：该榜榜首条目拥有超过 70,000 票，因此一个 3,488 票条目的误差范围是真实存在的，早期投票的 Elo 也会变动。

所以，诚实的说法是：一个模型在它自己作者编写的测试中排名第二，而另一个在众包排行榜上排名第二，但其背后的证据只有五分之一。两者都不是定论，也都没有被发表它们的组织之外的任何人复现。

M​OSS-Image 究竟能为你带来什么

MOSS-Image 是一个 5B 单流扩散 Transformer，从头训练：42 个联合块，隐藏宽度 3,072，24 个注意力头、每个 128 维，一个宽 8,192 的 SiTU-GLU 前馈网络，以及四轴旋转位置编码。标称参数量并不包含很多部分。文本编码器是冻结的 Qwen3.5-9B，VAE 来自 FLUX.2，从 FLUX.2-klein-4B 冻结加载，具有 32 个潜通道，并在 8× 下采样之上使用 2×2 潜块，有效步长为 16 像素。SFT 仓库约 27.2 GB，其中约 16.8 GB 是编码器。

它最核心的能力并非图像质量，而在于提示词可以是一个 JSON 对象，其中包含边界框、字面文本字符串和排版说明，并以从画布中心量起的绝对像素坐标表示，格式为bbox_format "yxyx"。厂商自己的消融实验把话讲得很直白：在 RealLayoutArena 上，JSON 布局提示词的得分为 1,622.87，而同一系统中的自然语言提示词得分为 1,506.20。这种结构化接口并非事后硬加到模型上的附加功能，性能恰恰就在这里。

支撑证据是该实验室还构建的一个基准测试 7Bench，其中 MOSS-Image 报告的平均布局 IoU 为 0.88，而 Ideogram 4.0 为 0.44，Nano Banana Pro 和 Seedream 5.0 Pro 为 0.33，Qwen Image 3.0 Pro 为 0.31，GPT Image 2 为 0.30，布局 AUC 为 0.70，而同类模型的区间为 0.16 到 0.20。在文本渲染方面，它在 LongLongTextBench 上报告 Mean-6 为 96.3——这也是它自己编写的 240 项文学文本基准——英语为 97.1，中文为 92.4。那张表中最可信的一行是它上面的一行：在厂商自己的基准测试中，GPT Image 2 得分为 99.0，Nano Banana Pro 为 96.6。发布一张竞争对手仍然获胜的表格，多少有些价值。

MOSS-Image 没有提供给你的，是一个端点。没有我们能验证的商业 API，除了运行在单块 A10G 上的 Gradio Space 之外没有托管演练场，也没有托管方案。你要么安装带自定义流水线的 Diffusers，要么安装原生 ComfyUI 插件，并且 GPU 由你自己提供。

MAI-Image-2.6 Preview 究竟能为你带来什么

微软关于其模型所发布的信息，远少于OpenMOSS关于自身模型所发布的信息，而缺失内容的模式颇能说明问题。

现有的是：一个以六到八周为节奏推进的家族谱系——M​AI-Image-1，然后是 2026 年 3 月的 M​AI-Image-2，带来照片级真实感和文本渲染的跃升，2026 年 6 月的 M​AI-Image-2.5，它成为 Bing Image Creator、PowerPoint 和 OneDrive 内的引擎，接着是 2026 年 7 月带有 8K 高级档位的 M​AI-Image-2.5-Pro，而现在大约六周后是 2.6。M​icrosoft 自己对能力的描述是定性的：更强的文本渲染、人像和 3D 图像；更精致的商业和照片级真实感输出；在单次生成中处理多张参考图像；更丰富的 grounding；对推理、格式和分辨率有更强的控制。没有参数数量，没有许可证，没有架构，没有基准测试表。

并不存在的东西：价格。该预览版采用邀请制，访问途径是 MAI Playground 和 Microsoft Foundry，且未公布每张图片的收费。同样也没有正式发布的日期。Arena 的类别细分是唯一附在该模型上的细粒度结果——它在 3D 成像与建模中排名第一，在卡通/动漫/奇幻、产品与品牌、文本渲染与艺术中排名第二——而低投票数的初步榜单上的类别排名充其量只具有方向性参考意义。

唯一清楚属实且清楚重要的一点，就是节奏。Microsoft 发布图像模型改进的速度，比这个市场所习惯的更快，而 Arena 的首次亮相表明，这种累积效应是真实的，而不是靠宣称的。

这两个模型，逐行来看

• 发布 — M​OSS-Image 于 2026 年 10 月 16 日以开放权重形式发布；M​AI-Image-2.6 Preview 于 2026 年 8 月 19 日进入私密预览

• 访问方式 — M​OSS-Image 可下载并自托管，提供 ComfyUI 插件与 Diffusers 管线；M​AI-Image-2.6 Preview 在 M​AI Playground 和 M​icrosoft Foundry 上需受邀使用

• 价格 — M​OSS-Image 可免费下载，占用空间约 27.2 GB，并需耗费你自己的 GPU 时间；M​AI-Image-2.6 Preview 尚未公布定价表

• 许可证 — MOSS-Image 的权重和独立流水线代码均采用 Apache 2.0，无收入门槛；MAI-Image-2.6 Preview 为专有许可，未声明许可证

• 独立评分 — M​OSS-Image 在 RealLayoutArena 上以 1,698.70 Elo 排名第二（作者自建基准）；M​AI-Image-2.6 Preview 在 Arena 文生图榜单上基于约 3,488 票获得 1,336±11 分，排名第二（众包榜单），在 Arena 单图编辑榜单上以 1,420 分排名第三

• 布局控制 — M​OSS-Image 接受带绝对像素坐标的 JSON 布局，并在 7Bench 上报告平均 IoU 为 0.88；M​icrosoft 未针对 M​AI 图像产品线中的任何内容发布布局基准

• 文本渲染 — MOSS-Image 在 LongLongTextBench 上报告 96.3 Mean-6，其中英文 97.1、中文 92.4；根据 Arena 的分类细分，MAI-Image-2.6 Preview 在文本渲染上相较 2.5 提升了 +91 Elo，但未公布绝对数值

• 编辑 — M​AI-Image-2.6 Preview 在 Arena 的单图编辑排行榜上排名第 3；M​OSS-Image 的报告并未将编辑呈现为一种产品界面

• 服务 — MOSS-Image 的 Day 0 框架工作仍在进行中，包括一个开放的 vLLM-Omni 拉取请求，该请求以跳层引导的方式添加了该模型，且尚未合并进带标签的发布版本；MAI-Image-2.6 Preview 由微软提供服务，按微软的条件，在微软认为合适的时候

在各自真正领先的地方

MOSS-Image 在一切源于开放的特性上都领先。你可以阅读其架构、对它进行量化、用私有数据对其进行微调、在物理隔离的环境中运行它，并将其打包进商业产品而无需进行许可谈判——Apache 2.0 覆盖模型权重和独立流水线代码，没有可接受使用附录，也没有单独的商用层级。对于一个核心能力是在特定位置渲染出清晰可读文本的模型而言，这一点比基准测试上的差距更重要，因为文本渲染恰恰是会在客户项目中派上用场的能力：产品效果图、界面设计稿、信息图、海报、广告版式。

M​AI-Image-2.6 Preview 在那些源于它是平台模型而非仓库模型的事情上处于领先。它通过 Bing Image Creator、PowerPoint 和 OneDrive 触达数亿人，它瞄准的是 Foundry 上的托管云端点，并且正以公开的节奏持续改进。如果你需要的是一个能够从 M​icrosoft 形态的技术栈中调用、背后还有支持合同的图像模型，那么再多的 Apache 2.0 也替代不了这一点。

令人不安的中间地带，正是大多数团队实际所处的位置。微软尚未公布价格、许可或参数数量，因此你无法估算采用其模型的成本。OpenMOSS 把这一切都公布了，却没有任何办法在不拥有硬件的情况下调用它。

它们俩都不会改变你日常中的哪一点

这两个模型都不在你可能已经基于其构建的托管市场之中，而这正是路由层值得说些精确内容、而非宣传话术的地方。我们不托管 M​OSS-Image，也不托管 M​AI-Image-2.6 Preview，因此这里的任何内容都不构成提供其中任一模型服务的要约。我们实际提供的是对比集合：你会用来衡量自托管 M​OSS-Image 的那些托管图像模型，可通过一个 API 密钥在 我们的目录中按提供商标价、0% 加价访问，这意味着托管侧的供应商价格变化当天就会生效，而不是等到合同周期，并且具备 自动故障转移，可跨提供商进行，因此一次基准测试不会因为某个上游那天状态不佳而中断。尝试用未经检验的检查点对比租用的检查点，不应该需要第二个 SDK，而这就是这里唯一的主张。

就 MAI-Image-2.6 Preview 而言，目前还没有任何可供路由的东西。诚实的说法是：模型是真的，排名是真的，而访问权限则是一份等待名单。

谁应该行动，谁应该继续观望？

如果你有 GPU、有一套能把意图表达为框和字符串的工作流，并且你的用例中布局本身就是交付物而非意外之喜，那就选择 M​OSS-Image。从 SFT 检查点开始，先为编码器的 16.8 GB 做好预算，再为生成器做预算；除非你采用某个社区蒸馏版本，否则预计需要 50 个采样步，每步两次 transformer 前向传播。其中两个蒸馏版本在发布后一天内就出现了：一个 4 步 DMD LoRA 和一个 8 步蒸馏变体，二者均不受厂商支持，也都未经过基准测试。

先别急着上 MOSS-Image——如果你本周就需要一个可调用的端点，如果你是租用算力而不是自有算力，或者如果你想要一个并非由测试构建者自己产出的单一数字，就该再等等。上面这三项亮眼结果全部出自厂商自己编写的基准测试，其所用的规格说明环节，据报告称在推理时运行在 GPT-6 之上——所以端到端的 Elo 是双模型流水线的产物，而不是单一模型的输出。

如果你需要任何合同层面的事项，先别急着上 MAI-Image-2.6 Preview。如果你已经是 Foundry 客户，那就得盯着它，因为按照发布节奏，下一个版本还要六到八周，而这个预览版将会转成带价格的东西。

能平息这场比较的，对双方来说是同一件东西，而两者都没有：对各自所排名基准的一次独立运行。对 M​OSS-Image 来说，这意味着由 OpenMOSS 以外的某方来运行 LongLongTextBench 或 RealLayoutArena。对 M​AI-Image-2.6 Preview 来说，这意味着 Arena 榜单积累足够多的投票，让 ±11 不再重要，或者 M​icrosoft 公布价格。

在以上任一情况发生之前，准确的总结是这样的——一个采用宽松许可证的 5B 研究模型，拥有异常出色的文本与布局界面，但没有端点；而它对比的是一个专有平台模型，拥有独立的众包排名、真实的分发渠道，却没有价格。你能实际采取行动的那个，完全取决于你的瓶颈是许可证还是 URL。

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。