MOSS-Image مقابل Qwen Image 3.0: مختبر واحد اتخذ المسار المغلق، والآخر اتخذ المسار المفتوح

Q​wen Image 3.0 وM​OSS-Image أُطلقا من مختبرات صينية بفارق ثمانية أسابيع، واتخذا موقفين متعارضين بشأن السؤال الوحيد الذي يحدد ما يمكنك بناؤه. طرحت علي بابا Q​wen Image 3.0 في 21 يوليو 2026 ووصلت به إلى التوافر العام في 5 أغسطس — مغلق، بلا أوزان، بلا بطاقة نموذج، بلا تقرير تقني، ولا يمكن الوصول إليه إلا عبر واجهة برمجة تطبيقات مُستضافة في إصداري Pro وStandard. أصدرت OpenMOSS نموذج M​OSS-Image في 16 أكتوبر 2026 بأوزان مفتوحة بموجب Apache 2.0 تغطي كلاً من نقاط التحقق وخط أنابيب الاستدلال المستقل. هناك فخ في التسمية على جانب Q​wen يجدر معرفته قبل أي شيء آخر: Q​wen-Image 2.1، الذي أُصدر في 20 سبتمبر 2026، أحدث من Q​wen-Image 3.0 والاثنان خطان منفصلان للمنتجات يتشاركان رقمًا.

إذا وُضِع الأمر على هذا النحو، تبدو المقارنة وكأنها جدال بين المفتوح والمغلق، وهي كذلك جزئيًا. لكن الفرق الأكثر إثارة للاهتمام ليس الترخيص. بل إن Qwen Image 3.0 وMOSS-Image يقدمان أقوى ادعاءاتهما حول القدرة نفسها — إتقان النص والتخطيط بدقة تامة — ولديهما آليتان مختلفتان تمامًا لتحقيق ذلك، إحداهما يمكنك فحصها والأخرى لا يمكنك.

ما الذي تدّعيه Q​wen Image 3.0 فعليًا

Qwen Image 3.0 هو نموذج مستضاف مغلق يقدّم توليد الصور وتحريرها عبر واجهة برمجية واحدة، بنسختي Standard و‏Pro. وتتضمّن مواد إطلاق Alibaba أربعة وعود محددة: مطالبات تصل إلى نحو 4,500 رمز، ونص قابل للقراءة داخل الصورة بحجم يصل إلى نحو 10 بكسل، وتغطية 12 لغة عبر أكثر من 20 خطًا، ومخرجات تصل إلى 2048×2048 مع ما يصل إلى ست صور في كل استدعاء. ولم يُنشر عدد المعاملات، ورقم ~20B MMDiT المتكرّر على نطاق واسع هو رقم منقول لا مؤكَّد من Alibaba.

يبلغ السعر نحو 0.035 دولار لكل صورة على A​libaba's Model Studio، مع تقدير Artificial Analysis بنحو 30 دولارًا لكل 1,000 صورة لإصدار Standard و40 دولارًا لكل 1,000 لإصدار Pro. موقعها المقاس في منتصف الجدول وليس في المقدمة: Elo 1,077 للتحويل من نص إلى صورة، في المرتبة السادسة عشرة؛ و1,088 لإصدار Pro في التحرير، في المرتبة الرابعة عشرة؛ و1,048 لإصدار Standard في التحرير، في المرتبة الحادية والعشرين. تلك أرقام Artificial Analysis، وهو ما يجعلها الأرقام المستقلة الوحيدة في هذه المقارنة بأكملها — فلا يوجد لـ M​OSS-Image أي إدخال لدى Artificial Analysis على الإطلاق.

هناك ثلاثة أمور موثّقة حول سلوكه في التحرير، وشحّ التفاصيل هو المقصود. يدعم Pro من 1–3 صور إدخال. ويغطي مسار التحرير الموثّق إعادة الصياغة المحلية، وتوسيع المحتوى، ونقل النمط، وتوليد زوايا كاميرا متعددة، دون وجود سير عمل منشور قائم على الأقنعة. ولا يوجد أي ادعاء بالشفافية في الإعلان على الإطلاق — لا توليد RGBA، ولا تحرير طبقات شفافة، ولا استخراج للعنصر إلى قناة ألفا.

ما الغائب بشكل لافت عن كل صفحة من صفحات Alibaba هو أي قياس لدقة التخطيط. يزعم Qwen Image 3.0 نصًا مقروءًا عند 10 بكسل، ولا يقول شيئًا عن الموضع الذي يستقر فيه ذلك النص.

ما يزعمه MOSS-Image، والاختلاف في النوع

MOSS-Image هو محوّل انتشار أحادي المسار بحجم 5B — 42 كتلة مشتركة، عرض مخفي 3,072، 24 رأسًا بأبعاد 128، تغذية أمامية SiTU-GLU بعرض 8,192، ترميز موضع دوراني رباعي المحاور — مع مشفّر نصي Qwen3.5-9B مجمّد و VAE FLUX.2 مجمّد محمّل من FLUX.2-klein-4B. حجم تنزيل SFT حوالي 27.2 جيجابايت، منها حوالي 16.8 جيجابايت للمشفّر.

الفرق في القدرات ليس مسألة درجة. ادعاء Qwen Image 3.0 النصي يتعلق بقابلية القراءة — هل يمكن للنموذج رسم أحرف صغيرة بما يكفي للقراءة. ادعاء MOSS-Image يتعلق بالتموضع — هل يمكنه وضع سلسلة محددة عند إحداثيات محددة. تبدو هذه متشابهة وهي ليست كذلك. النموذج الذي يرسم النص بشكل جميل لكنه يضع عنوانك الرئيسي عبر صورة المنتج قد فشل في مهمة مختلفة عن النموذج الذي يرسم محارف أكثر نعومة قليلاً في المربع الصحيح تماماً.

آلية M​OSS-Image في التموضع هي أن تزوّد التخطيط كبيانات. يمكن أن تكون المطالبة كائن JSON يحمل صناديق محيطة بإحداثيات بكسل مطلقة مقاسة من مركز لوحة الرسم، وسلاسل نصية حرفية وملاحظات طباعية، مع bbox_format "yxyx". يُعدّ التحليل الاستئصالي الذي أجراه المورّد نفسه أوضح دليل على سبب أهمية الواجهة: في RealLayoutArena، تسجّل مطالبات تخطيط JSON 1,622.87 على النظام نفسه الذي تسجّل فيه المطالبات باللغة الطبيعية 1,506.20. وفي 7Bench، الذي يقدّمه التقرير أيضًا، يُبلّغ M​OSS-Image عن متوسط IoU للتخطيط قدره 0.88 مع Layout AUC قدره 0.70 — ويضع الجدول نفسه Q​wen Image 3.0 Pro عند 0.31 و AUC للحقل من 0.16 إلى 0.20.

إن 0.88 مقابل 0.31 هو أكبر فجوة منفردة في هذه المقارنة، وهو أيضًا الرقم الأقل موثوقية فيها. فقد كتبت OpenMOSS المعيار، وشغّلت كلا النموذجين عليه، ونشرت النتيجة. أما مؤلفو Qwen Image 3.0 فلم ينشروا أي مقياس تخطيط على الإطلاق، لذا لا يوجد شيء يمكن التحقق منه مقابله — لا رقم أدنى، ولا اعتراض، ولا أي شيء. هذا التفاوت يستحق أن يُسمّى: تفوّق مختبرٍ ما في اختبارٍ من تأليفه يُقارَن بصمت مختبرٍ آخر.

الأبعاد، جنبًا إلى جنب

• الإصدار — أُطلقت Qwen Image 3.0 في 21 يوليو 2026، والإتاحة العامة في 5 أغسطس 2026؛ وصدر MOSS-Image في 16 أكتوبر 2026

• الترخيص — Qwen Image 3.0 مغلق، بلا أوزان، ولا ترخيص معلن، ولا بطاقة نموذج، ولا تقرير تقني؛ أما MOSS-Image فهو Apache 2.0 للأوزان وشيفرة خط الأنابيب المستقلة، بلا عتبة إيرادات

• السعر — Qwen Image 3.0 حوالي 0.035 دولار لكل صورة على Model Studio، مع تقدير Artificial Analysis لنحو 30 دولارًا لكل 1000 صورة من فئة Standard وحوالي 40 دولارًا لكل 1000 صورة من فئة Pro؛ MOSS-Image مجاني للتنزيل بحجم ~27.2 GB، بالإضافة إلى وقت GPU الخاص بك

• الإصدارات — Q​wen Image 3.0 تطرح Standard و Pro برتب تحرير مختلفة؛ M​OSS-Image تطرح نقاط تحقق Base و SFT، حيث تُركت Base عن قصد دون تقطير ليكون لدى الضبط الدقيق ما يتعلق به.

• الحد الأقصى لطول المطالبة — Qwen Image 3.0 حوالي 4,500 رمز؛ MOSS-Image 4,096 رمزًا في المرحلة النهائية من التدريب المسبق

• عرض النص — تدّعي Qwen Image 3.0 أن النص مقروء حتى حوالي 10 بكسلات عبر 12 لغة وأكثر من 20 خطًا؛ ويُفيد MOSS-Image بنتيجة 96.3 Mean-6 على LongLongTextBench، بتقسيم 97.1 للإنجليزية و92.4 للصينية، مقابل 64.9 لـ Qwen-Image-2512 في الجدول نفسه

• التحكم في التخطيط — MOSS-Image يتلقى تخطيطات JSON بإحداثيات مطلقة نسبةً إلى المركز ويزعم تحقيق متوسط IoU قدره 0.88 على 7Bench، حيث يُدرج Qwen Image 3.0 Pro عند 0.31؛ Alibaba لا تنشر أي مقياس للتخطيط

• الصور المرجعية — توثّق Qwen Image 3.0 Pro من 1 إلى 3 صور مدخلة وما يصل إلى ست صور لكل استدعاء؛ أما التكييف المرجعي في MOSS-Image فهو محور محجوز في مخططه الموضعي، ويوصف بأنه تطلّعي لا مطروح فعليًا

• التحرير — يغطّي Qwen Image 3.0 إعادة الصياغة الموضعية والتوسيع ونقل الأسلوب وتوليد زوايا كاميرا متعددة عبر واجهة برمجية واحدة؛ أما تقرير MOSS-Image فلا يقدّم التحرير كسطحٍ منتجيّ

• الشفافية — لا يحمل إعلان Q​wen Image 3.0 أي ادعاء بالشفافية؛ يستخدم VAE الخاص بـ M​OSS-Image 32 قناة كامنة، ويكشف خط المعالجة عن التمثيل الكامن، وإن كان إخراج RGBA ليس ميزةً معلنة من المورّد

• درجة مستقلة — Qwen Image 3.0 عند Elo 1,077 في تحويل النص إلى صورة (المركز السادس عشر) و1,088 Pro في التحرير (المركز الرابع عشر) وفقًا لـ Artificial Analysis؛ ولا يملك MOSS-Image درجة مستقلة

• النظام البيئي — Q​wen Image 3.0 لديه واجهة برمجية (API)؛ وM​OSS-Image لديه خط أنابيب مخصص لـ Diffusers، وتطبيق Gradio، وإضافة ComfyUI قابلة للتثبيت عبر ComfyUI Manager، وطلب سحب مفتوح لـ vLLM-Omni لا يزال قيد المراجعة

الحجة التي تحسم مصير معظم الفرق

Qwen Image 3.0 ليس نموذجًا ضعيفًا، وليس باهظ الثمن. عند نحو ثلاثة سنتات ونصف للصورة، مع نافذة موجه تبلغ 4,500 توكن، ومخرجات بدقة 2K، واستدعاءات متعددة الصور، فهو أمر معقول تمامًا لوضعه خلف ميزة منتج بعد ظهر اليوم. إذا كان متطلبك هو «توليد صور جيدة لهذا الوصف، وأحيانًا مع صورة مرجعية، بتكلفة متوقعة لكل وحدة»، فإن النموذج المغلق يتفوق من حيث الزمن حتى أول طلب، وربما من حيث التكلفة الإجمالية، لأن مهندسيك لا يلمسون وحدة معالجة رسومات (GPU) أبدًا.

يفوز MOSS-Image على محور مختلف، وهو محور لا يمكن لأي API تقديمه مهما كان سعره: يمكنك فحص الشيء الذي يقرر الناتج. إن مواصفة التخطيط هي بيانات. يمكن أن يولّدها كودك، ويُتحكَّم في إصدارها داخل المستودع نفسه الذي يضم كل شيء آخر، ويُقارَن الفرق عند تغيير شخص ما للقالب، ويُتحقق من مطابقتها لمخطط قبل أن تصل إلى النموذج، ويراجعها إنسان يعتمد التركيب قبل عرض بكسل واحد. لا شيء من ذلك ممكن عندما تحدث عملية التحويل من الطلب النصي إلى التخطيط داخل نقطة نهاية مستضافة لا يمكنك الاطلاع على ما بداخلها.

هذا فرق معماري حقيقي، لكنه يُسوَّق بشكل سيئ، لأن «يمكنك اختبار الـ prompt الخاص بك اختبارًا وحديًا» ليس عرضًا يصوّره أحد. لكنه الفرق بين خط معالجة تكون إخفاقاته قابلة للتنقيح وآخر تنتج إخفاقاته تذكرة دعم. عندما تضع MOSS-Image العنوان الرئيسي في المكان الخطأ، يمكنك قراءة JSON الذي أرسلته وترى الإحداثي الخطأ. وعندما يفعل ذلك نموذج مستضاف، يكون لديك prompt بدا جيدًا وصورة لا تبدو كذلك.

هناك حقيقة فارقة ثانية لا يستهلّ بها أيٌّ من المورّدين. مناطق الصمت في Qwen Image 3.0 متسقة: لا عدد معلمات، ولا معمارية، ولا وصف لبيانات التدريب، ولا جدول معايير، ولا تقرير تقني، ولا مقياس تخطيط. أما تقرير MOSS-Image فهو مفرط في التفصيل بالمقارنة — مراحل تدريب بالدقة التدريجية مع أعداد الخطوات، ومجموعة بيانات مستمدة من ReLAION قُلّصت من نحو 5 مليارات إلى 3 مليارات صورة، ومُحسِّن هجين Muon–AdamW مع تجربة استئصال تُظهر خطوات أقل بنسبة 33.2% و28.6% للوصول إلى الخسارة نفسها مقارنةً بـ AdamW عند نقطتي فحص. بعض تلك التفاصيل متاح فقط لأن النموذج مفتوح، لكن التقرير كُتب بمحض الاختيار، وهو الفرق بين منتج ومنشور.

حيث يكون لدعوى الانفتاح حدود

ثلاثة أمور تتعلق بانفتاح MOSS-Image تستحق التحقق منها بدلًا من افتراضها.

الأول تشغيلي. الأوزان المفتوحة بدون مسار خدمة مدموج تختلف عن الأوزان المفتوحة مع مسار خدمة مدموج. طلب السحب vLLM-Omni الذي يضيف M​OSS-Image مع توجيه الطبقة المتخطاة — [نموذج] إضافة MOSImage لتحويل النص إلى صورة مع SLG — تم فتحه في 14 أكتوبر مع 3,605 سطرًا مضافًا عبر 25 ملفًا ولا يزال مفتوحًا، حيث يطلب المراجع أدلة على تطابق المخرجات مقابل تنفيذ مرجعي مثبت. أحدث إصدار منشور لـ vLLM-Omni هو v0.31.0rc1، بتاريخ 6 أكتوبر. لا يوجد إصدار مُشحن يحتوي على النموذج، وصياغة "دعم اليوم صفر" التي انتشرت في يوم الإصدار تصف فرعًا يمكنك بنائه بدلاً من حزمة يمكنك تثبيتها.

الثاني هو أن أقوى نتيجة في التقرير ليست من نموذج واحد. يُذكر أن وحدة تعزيز المُطالَبات، LayoutPE، تستخدم G​PT-6 مع تعليمات مهام معيارية وقت الاستدلال، ويوصَف مهارة مُحسّن المُطالَبات المرفقة بأنها مصممة لوكلاء من عائلة G​PT-6. وبالتالي فإن نتيجة Elo الرئيسية من البداية إلى النهاية البالغة 1,698.70 — الثانية بعد 1,844.35 الخاصة بـ GPT Image 2 — تنتجها منظومة من نموذجين نصفها الخاص بالمواصفات يعود إلى واجهة برمجة تطبيقات طرف آخر. وإذا قُرئت كمقياس للمُولِّد وحده، فإن ذلك الرقم مُضخَّم.

الثالث هو الضبط الدقيق. تُرك Base عمدًا غير مقطّر — تذكر بطاقة النموذج أنه "لم يخضع لأي تدريب لاحق أو تقطير لمعاملات الاستدلال مثل CFG" — وتحديدًا كي يكون لدى LoRAs ما تتشبث به، وهو التزام حقيقي وليس لفتة ترخيصية. لكن وصفة التدريب توثيق وليست بيانات منشورة، والإرشادات الخاصة بالضبط الدقيق حتى الآن ليست سوى تعليمات محددة (أبقِ مُرمِّز النص مجمّدًا؛ لا تضبطه ضبطًا دقيقًا) بالإضافة إلى مُوجِّه لكتابة التسميات التوضيحية. إن الادعاء بأن SFT البسيط يفتح الباب أمام التوليد القائم على المراجع وإخراج GIF مذكور مع إرفاق عبارة "ترقبوا".

التوجيه، بصياغة لا تجاوز فيها.

لا يوجد أيٌّ من النموذجين في هذه المقارنة على كتالوجناولن ندّعي غير ذلك. يعيش Q​wen Image 3.0 على M​odel Studio من A​libaba، وكما هو الحال مع بقية سلسلة صور Q​wen، فإنه ليس مما يقدّمه O​rcaRouter. أما M​OSS-Image فهو تنزيل. الحدّ هنا بسيط: نحن لا نستضيف أيًّا منهما.

ما يوجد في كتالوجنا هو بقية المجال الذي يُقاس عليه هذان الاثنان — نماذج الصور المستضافة التي قد تقيس مقابلها MOSS-Image المستضاف ذاتيًا، ويمكن الوصول إليها بمفتاح API واحد بسعر قائمة المزوّد مع هامش ربح 0%، بحيث ينعكس أي تغيير في سعر المورّد لنموذج مستضاف هنا في اليوم نفسه لا عند تجديد العقد التالي. في مقارنة كهذه، حيث يُحتسب جانب Qwen لكل صورة ويُحتسب جانب MOSS بساعات GPU، فإن الشيء المفيد الذي تقدمه طبقة التوجيه ليس خصمًا، بل مكان واحد لقراءة السعر المباشر للنماذج المستضافة ونقطة نهاية واحدة من أجل التحويل عند الفشل بين المزوّدين عندما يتدهور أحد المصادر في منتصف التقييم. هذا هو الادعاء بأكمله، وهو لا يبلغ حد تقديم نموذج لا نشغّله.

كيف تقرر، بالترتيب

تَناوَل هذه بالتتابع وعادةً ما تظهر الإجابة بحلول السؤال الثالث.

• هل لديك وحدات معالجة رسومات (GPUs)، أو ميزانية يمكنك تحويلها إلى ساعات GPU؟ إذا لا، فهذه المقارنة انتهت وQwen Image 3.0 هو الحل بتكلفة حوالي $0.035 للصورة.

• هل يمكن معرفة تخطيطك قبل التوليد — هل لديك قالب، أو شبكة، أو مجموعة إحداثيات؟ إذا كان الجواب نعم، فإن واجهة JSON الخاصة بـ MOSS-Image هي الآلية الوحيدة في هذه المقارنة التي تعالج مشكلتك مباشرةً، والفجوة بين 0.88 و0.31 هي الدليل على ذلك، وإن كان هذا الدليل من إعداد المورّد.

• هل تحتاج إلى الضبط الدقيق، أو التكميم، أو التشغيل في بيئة معزولة عن الشبكة؟ إذا كانت الإجابة نعم، فالنموذج المغلق ليس مرشحًا بأي ثمن، وحقيقة أن DMD LoRA بأربع خطوات ونسخة مقطّرة بثماني خطوات قد ظهرا خلال نحو يوم من الإصدار هي ما تدخل فيه.

• هل تحتاج مراجعتك القانونية إلى أن تنتهي بوثيقة؟ Apache 2.0 مقابل عدم ذكر أي ترخيص هو أقصر جزء في هذه المقارنة.

• هل يُشترط استقلال القياس؟ إذًا لا تختر أيًّا منهما دون مزيد من العمل. الأرقام المستقلة الوحيدة لـ Qwen Image 3.0 هي تصنيفات Elo لدى Artificial Analysis، التي تضعه في منتصف المجال لا قرب القمة. جميع النتائج الرئيسية لـ MOSS-Image مصدرها معايير تقييم بناها مؤلفوها أنفسهم.

الشيء الذي قد يغيّر الإجابة على نحو أسرع من أي شيء آخر غير موجود بعد، وهو الأمر نفسه بالنسبة إلى كلا الطرازين: إجراء مستقل واحد للاختبار الذي يتفوق فيه كل منهما. وبالنسبة إلى Q​wen Image 3.0، يعني ذلك قياس تخطيط من أي جهة كانت، بما أن A​libaba لم تنشر أي قياس. وبالنسبة إلى M​OSS-Image، يعني ذلك أن يقوم شخص آخر غير OpenMOSS بتشغيل LongLongTextBench أو RealLayoutArena أو 7Bench. وحتى ذلك الحين، أيًّا كان ما تقرره، فأنت تقرر بناءً على البنية والترخيص والآلية لا على جودة متحقَّق منها — وهو، في مواجهة مباشرة بين واجهة برمجية مغلقة ونقطة تفتيش مفتوحة، قد يُقال إنه الأساس الصحيح على أي حال.

إخفاقات الذكاء الاصطناعي الموثقة وحوادث الوكلاء الكامنة وراء إصدارات مثل هذا الإصدار تُجمع في أرشيف حوادث الذكاء الاصطناعي OrcaRouter، حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة كونه محل نزاع.