MOSS-Image 對比 FLUX 3：在提示詞中放入邊界框的兩種方式

比較MOSS-Image與FLUX 3最有趣的地方，在於兩者在過去一個月內都得出了相同結論——控制影像模型的方法，就是把座標寫進提示詞——但隨後又對座標系統意見分歧。2026 年 10 月 16 日，OpenMOSS 釋出了MOSS-Image-Base與MOSS-Image-SFT，採 Apache 2.0 授權：一個 5B 的擴散 transformer，可供下載，並附有 JSON 版面配置格式，會以從畫布中心量起的絕對像素位移來定位元素。Black Forest Labs 搶先一步，推出了Flux 3 Image，自 10 月 1 日起上線，並有公開費率表，會把每個邊界框當作[top, left, bottom, right]，以 0 到 1000 的整數表示，相對於固定網格。同樣的概念，不相容的語法，而且兩者之中只有一個能給你一個可以保留的檔案。

那個差異——不是影像品質——才是決定大多數團隊在這場對決中勝負的關鍵，而且它比任何基準測試都更快決定勝負。所以下方的比較就是圍繞著這一點來編排。每一個 MOSS-Image 數字都是 OpenMOSS 自家的，取自發布資料與其技術報告，而其中沒有任何一項曾被他人重現。每一個 Flux 3 數字都是 Black Forest Labs 自家公布的價目表與發布資料。這兩個模型之間並沒有獨立的正面對決，而且短期內也不會有。

雙方各自實際交付了什麼

MOSS-Image 是一組檢查點，MOSS-Image-Base 與 MOSS-Image-SFT，權重與推論程式碼依 Apache 2.0 授權釋出，並有 ModelScope 鏡像、Gradio Space、Diffusers 自訂管線，以及原生 ComfyUI 外掛。ComfyUI 核心支援與權重在同一天上線。OpenMOSS 沒有提供託管端點，也沒有公布價格，因為根本沒有東西可定價——你要嘛自己跑，要嘛不跑。

F​lux 3 的形態恰恰相反。Black Forest Labs 於 2026 年 7 月發表它，是一套橫跨影片、圖像與音訊訓練的單一架構，而靜態圖像層級 —— F​lux 3 Image —— 於 10 月 1 日以公開的按用量計費定價開放。開放權重的對應版本 FLUX 3 Image Klein，於 10 月 15 日在 FLUX Kommunity 授權下跟進推出，該授權僅在營收上限以下允許免費商業使用。因此 B​FL 如今確實同時提供租用與可下載兩條途徑，但兩者是不同模型、各有不同授權，而下載版本是較小的兄弟產品，而非旗艦。

這兩個模型都不在我們自家的目錄中。OrcaRouter 提供超過 200 個模型，而 M​OSS-Image 並不在其中，因此這裡的任何內容都不應被解讀為我們提供它——F​lux 3 也是如此。在這項比較中，路由器有用之處在於迴圈的另一半：當你想讓自架的檢查點與託管的圖像模型在相同提示上較量時，託管端可透過單一 API 金鑰存取，價格為供應商定價，我們這邊不加收任何費用，並具備供應商之間的自動容錯移轉，若其中一個在執行中途效能下降。

盒式語法，並排對照

這就是兩者出現分歧的地方，而且這種分歧是設定檔會注意到的。

• 座標空間 — M​OSS-Image：以絕對像素為單位，從畫布中心量測，使用 bbox_coord_space: "abs_centralized"，因此在 1024×1024 的畫布上，每個軸的範圍為 −512 到 +512。F​lux 3 Image：從左上角量測的 0 到 1000 正規化整數。

• 座標順序 — MOSS-Image：bbox_format: "yxyx"，表示 [y_min, x_min, y_max, x_max]。Flux 3 Image：[top, left, bottom, right]，也就是同樣的四個數字、相同的順序，只是名稱不同。

• 如何傳遞至模型 — MOSS-Image：將一個 JSON 物件當作提示字串傳入，其中包含一個 summary 區塊用來描述場景與風格，再加上一個 items 陣列，其中每個元素帶有標籤、說明文字，而文字元素則帶有要呈現的字面字串。Flux 3 Image：將一組 JSON 方框陣列寫進一般提示中，不需要額外的參數。

• 解析度耦合 — MOSS-Image 的座標是像素，因此只對你指定的寬度和高度正確；改變輸出尺寸，你就得重新推導每一個方框。Flux 3 的 0–1000 網格在構造上即與解析度無關：[0, 0, 500, 500] 就是你要求的任何畫布左上角的四分之一區塊。

• 方框的用途 —— MOSS-Image 首先被定位為生成控制，廠商指出編輯元素的說明文字或移動其方框會調整構圖中的該部分，並稱之為實驗性功能。Flux 3 Image 則將版面配置與以方框為範圍的多輪編輯搭配，作為主打能力。

最後那一點是實務上的分界。F​lux 3 的網格在輸出解析度改變後仍能成立；M​OSS-Image 的則不行，但 M​OSS-Image 讓你指定想在文字元素內呈現的確切字串，而不是描述它。如果你的流程會以不同尺寸重新渲染，網格就是真正的優勢。如果你的流程要渲染固定尺寸與特定文案的海報，絕對像素並不是負擔。

文字渲染，其中唯一的數字是廠商的

M​OSS-Image 的主打能力是可讀的文字，而廠商建立了兩項基準測試來衡量這項能力。在 LongLongTextBench 上——240 項文學文本渲染任務，平均目標長度約 1,340 個字元——M​OSS-Image 在 Mean-6 文字覆蓋率上得分 96.3，相較之下 Q​wen-Image-2512 為 64.9。同一張表中，位於其上方的那一列是 99.0 的 GPT Image 2 與 96.6 的 N​ano Banana Pro，這點值得注意：OpenMOSS 發布了一張競爭對手仍然勝出的表。

Black Forest Labs 完全沒有為 F​lux 3 Image 發布任何文字渲染基準。無論從哪一方來看，都沒有數字可以放在 96.3 旁邊，而從樣本圖片捏造出比較，會是這個部落格不該做的事。可以說的是，FLUX.2 的 VAE 正是 M​OSS-Image 所使用的——M​OSS-Image 自己的模型卡指出它載入 FLUX.2 small decoder——因此這兩個家族在像素層面上並非陌生人，即使這些生成器彼此無關。

成本：一個數字對五個

• MOSS-Image — 可免費下載，Apache 2.0，沒有營收門檻，也沒有商業層級。成本在於硬體：SFT 儲存庫總計約 27.2 GB，其中約 16.8 GB 分散於四個分片，是凍結的 Qwen3.5-9B 文字編碼器，而約 10.2 GB 分散於三個分片，則是 Transformer。要為編碼器編列預算，而不是為標章。

• F​lux 3 Image — 每張圖片 $0.041（768×768）、$0.048（約 1 百萬像素）、$0.07（1.5K）、$0.10（2K）及 $0.607（4K），資料來自 Black Forest Labs 自家的價目表。50% 首發折扣於 10 月 1 日至 10 月 8 日實施，現已結束，因此任何以此為基礎建立的成本模型，都需要另列一行以全價計算。

• FLUX 3 Image Klein — 在 768×768 時為 $0.008，到 4K 時升至 $0.036，而且文字轉圖像與編輯的成本相同。它在人力成本上比它所競爭的 5B 下載模型便宜得多，即使在授權方面未必如此。

坦白說，這兩者並不是同一種購買。MOSS-Image 是用金錢換取 GPU 時數與工程投入；Flux 3 Image 則是用金錢換取由他人代為運行整套技術堆疊，並按每張交付的圖片計價，而且費率會隨解析度急劇上升。

雙方都未公布的內容

MOSS-Image 並沒有獨立的基準測試。Flux 3 Image 也沒有——BFL 推出這個圖像層級時，並沒有提供與任何其他圖像模型比較的數據，無論是廠商自行測試還是其他來源。這兩個模型在中立排行榜上都沒有任何一列是大家指得出來的。當一項比較的兩邊都缺乏證據時，正確的結論並不是它們一樣好；而是你目前根本無法判斷，而打破僵局的關鍵必須是你能實際衡量的東西——授權條款、格式、在你自己的硬體上的延遲，以及 box grammar 是否與你既有的程式碼相符。

有兩件事會改變這一點。由 OpenMOSS 以外的任何人對 LongLongTextBench 或 RealLayoutArena 進行獨立運行，將是 MOSS-Image 核心主張的首個真正證據。在 BFL 網格上進行的第三方版面控制比較，也會為 Flux 3 Image 帶來同樣效果。這兩者目前都還不存在。

你實際上會選哪一個

如果交付物是編排好的頁面——海報、資訊圖表、產品模型圖——其中特定文字必須落在特定位置，而且你希望權重放在自己的基礎設施中，那就選 MOSS-Image。Apache 2.0 授權讓商業審查簡短，Base 檢查點刻意保持未蒸餾，好讓 LoRA 訓練有可著力之處，而 JSON 版面配置是廠商最仔細衡量的模型部分。把編碼器納入預算，並預期要提供結構化 JSON，而不是自然語言文字：廠商自己的消融實驗顯示，在同一系統上，JSON 版面配置提示達到 1622.87 Elo，而自然語言為 1506.20，這是很大的差距，也是這次發布中最清楚的訊號。

如果你今天就需要一個可呼叫的端點，就選 F​lux 3 Image；如果你的輸出解析度不一，或者你想把跨多輪的框選範圍編輯當作正式支援的功能、而不是實驗性功能，也該選它。0–1000 的網格不受解析度影響，價目表是公開的，而且只要授權上限可以接受，旁邊還有一個便宜的開放權重版本。

要注意的是 box 語法。你的工具鏈先採用哪一套慣例，就會沿用哪一套，而目前這兩套慣例並不相容——一邊是yxyx順序的絕對中心相對像素，另一邊是正規化的左上角整數。一個小型的配接函式可在兩者之間轉換。這件事之所以重要，是因為它是這項比較中目前唯一完全可知的部分。

像這次發布背後有紀錄的 AI 失敗與代理事件，都收錄於 OrcaRouter AI Incident Archive，其中每一筆條目都附有各自的來源、嚴重程度、信心評級與爭議標記。