MOSS-Image vs. Qwen Image 3.0: Ein Labor setzte auf Closed Source, das andere auf Open Source

Q​wen Image 3.0 und M​OSS-Image wurden von chinesischen Laboren im Abstand von acht Wochen veröffentlicht und bezogen gegensätzliche Positionen zu der einen Frage, die entscheidet, was man bauen kann. A​libaba lieferte Q​wen Image 3.0 am 21. Juli 2026 aus und brachte es am 5. August zur allgemeinen Verfügbarkeit – geschlossen, keine Gewichte, keine Modellkarte, kein technischer Bericht, erreichbar nur über eine gehostete API in den Editionen Pro und Standard. OpenMOSS veröffentlichte M​OSS-Image am 16. Oktober 2026 als offene Gewichte unter Apache 2.0, die sowohl die Checkpoints als auch die eigenständige Inferenz-Pipeline abdecken. Auf der Q​wen-Seite gibt es eine Namensfalle, die man vor allem anderen kennen sollte: Q​wen-Image 2.1, veröffentlicht am 20. September 2026, ist neuer als Q​wen-Image 3.0, und die beiden sind getrennte Produktlinien, die sich eine Nummer teilen.

So formuliert wirkt der Vergleich wie eine Open-versus-Closed-Debatte, und zum Teil ist er das auch. Doch der interessantere Unterschied ist nicht die Lizenzierung. Er liegt darin, dass Q​wen Image 3.0 und M​OSS-Image ihre stärksten Behauptungen über dieselbe Fähigkeit aufstellen – Text und Layout exakt richtig hinzubekommen – und dass sie dafür völlig unterschiedliche Mechanismen haben, von denen man einen untersuchen kann und den anderen nicht.

Was Qwen Image 3.0 tatsächlich behauptet

Qwen Image 3.0 ist ein geschlossenes gehostetes Modell, das Bildgenerierung und -bearbeitung über eine einzige API in den Editionen Standard und Pro bereitstellt. Das Markteinführungsmaterial von Alibaba macht vier konkrete Versprechen: Prompts mit bis zu etwa 4.500 Tokens, lesbarer Text im Bild bis hinunter zu ungefähr 10 Pixeln, Abdeckung von 12 Sprachen über mehr als 20 Schriftarten und Ausgabe mit bis zu 2048×2048 sowie bis zu sechs Bildern pro Aufruf. Es wurde keine Parameteranzahl veröffentlicht, und die weithin wiederholte Angabe von ~20B MMDiT-Parametern wird berichtet, aber nicht von Alibaba bestätigt.

Der Preis liegt bei etwa 0,035 US-Dollar pro Bild auf A​libaba's Model Studio, wobei Artificial Analysis für Standard grob 30 US-Dollar pro 1.000 Bilder und für Pro 40 US-Dollar pro 1.000 Bilder errechnet. Seine gemessene Position liegt im Mittelfeld, nicht an der Spitze: Elo 1.077 für Text-zu-Bild, Rang sechzehn; 1.088 für die Pro-Edition bei der Bearbeitung, Rang vierzehn; und 1.048 für Standard bei der Bearbeitung, Rang einundzwanzig. Dabei handelt es sich um Zahlen von Artificial Analysis, was sie zu den einzigen unabhängig erstellten Zahlen in diesem gesamten Vergleich macht — M​OSS-Image hat überhaupt keinen Eintrag bei Artificial Analysis.

Drei Dinge sind zu seinem Bearbeitungsverhalten dokumentiert, und die Spärlichkeit ist das Entscheidende. Pro unterstützt 1–3 Eingabebilder. Der dokumentierte Bearbeitungspfad deckt lokales Umschreiben, Inhaltserweiterung, Stilübertragung und Multi-Kamera-Winkel-Generierung ab, ohne veröffentlichten maskenbasierten Workflow. In der Ankündigung gibt es überhaupt keine Transparenzaussage – keine RGBA-Generierung, keine Bearbeitung transparenter Ebenen, keine Subjekt-Extraktion in einen Alphakanal.

Was auf jeder Alibaba-Seite auffällig fehlt, ist jegliche Messung der Layout-Präzision. Qwen Image 3.0 behauptet, bei 10 Pixeln lesbaren Text zu erzeugen, und sagt nichts darüber, wo dieser Text landet.

Was M​OSS-Image behauptet, und der Unterschied der Art

MOSS-Image ist ein 5B-Single-Stream-Diffusionstransformer — 42 Joint-Blöcke, Hidden-Breite 3.072, 24 Heads mit 128 Dimensionen, 8.192 breites SiTU-GLU-Feed-Forward, vierachsige Rotary-Positionskodierung — mit einem eingefrorenen Qwen3.5-9B-Textencoder und einem eingefrorenen FLUX.2-VAE, geladen aus FLUX.2-klein-4B. Der SFT-Download ist etwa 27,2 GB groß, davon rund 16,8 GB der Encoder.

Der Unterschied in den Fähigkeiten ist keine Frage des Grades. Die Text-Behauptung von Qwen Image 3.0 dreht sich um Lesbarkeit — kann das Modell Zeichen klein genug rendern, um sie zu lesen? Die Behauptung von MOSS-Image dreht sich um Platzierung — kann es eine bestimmte Zeichenkette an einer bestimmten Koordinate platzieren? Das klingt ähnlich und ist es nicht. Ein Modell, das Text wunderschön rendert, aber Ihre Schlagzeile quer über das Produktfoto setzt, ist bei einer anderen Aufgabe gescheitert als eines, das etwas weichere Glyphen genau im richtigen Kasten rendert.

Der Mechanismus von MOSS-Image für die Platzierung besteht darin, dass man das Layout als Daten liefert. Der Prompt kann ein JSON-Objekt sein, das Bounding-Boxes in absoluten Pixelkoordinaten, gemessen vom Mittelpunkt der Leinwand, wörtliche Textzeichenfolgen und Typografie-Hinweise enthält, mit bbox_format "yxyx". Die Ablation des Anbieters selbst ist der klarste Beleg dafür, warum die Schnittstelle wichtig ist: Bei RealLayoutArena erreichen JSON-Layout-Prompts 1.622,87 auf demselben System, auf dem natürlichsprachliche Prompts 1.506,20 erreichen. Bei 7Bench, das der Bericht ebenfalls einführt, meldet MOSS-Image einen mittleren Layout-IoU von 0,88 bei einer Layout-AUC von 0,70 — dieselbe Tabelle führt Qwen Image 3.0 Pro mit 0,31 und einer Feld-AUC von 0,16 bis 0,20 auf.

Diese 0,88 gegenüber 0,31 ist der größte einzelne Abstand in diesem Vergleich und zugleich die am wenigsten vertrauenswürdige Zahl darin. OpenMOSS hat den Benchmark geschrieben, beide Modelle darauf laufen lassen und das Ergebnis veröffentlicht. Die Autoren von Qwen Image 3.0 haben überhaupt keine Layout-Metrik veröffentlicht, es gibt also nichts, wogegen man es abgleichen könnte – keine niedrigere Zahl, keinen Widerspruch, nichts. Diese Asymmetrie verdient es, benannt zu werden: Der Vorteil eines Labors bei einem selbst verfassten Test wird dem Schweigen eines anderen Labors gegenübergestellt.

Die Abmessungen, Seite an Seite

• Veröffentlichung — Q​wen Image 3.0 am 21. Juli 2026 eingeführt, allgemeine Verfügbarkeit am 5. August 2026; M​OSS-Image am 16. Oktober 2026 veröffentlicht

• Lizenzierung — Qwen Image 3.0 ist geschlossen, ohne Gewichte, ohne angegebene Lizenz, ohne Modellkarte und ohne technischen Bericht; MOSS-Image ist Apache 2.0 für Gewichte und eigenständigen Pipeline-Code, ohne Umsatzschwelle

• Preis — Q​wen Image 3.0 etwa 0,035 $ pro Bild auf Model Studio, wobei Artificial Analysis ~30 $ pro 1.000 Standard und ~40 $ pro 1.000 Pro ableitet; M​OSS-Image kostenlos zum Herunterladen bei ~27,2 GB plus eigene GPU-Zeit

• Editionen — Q​wen Image 3.0 erscheint in Standard und Pro mit unterschiedlichen Bearbeitungsstufen; M​OSS-Image erscheint in Base- und SFT-Checkpoints, wobei Base bewusst undestilliert bleibt, damit Fine-Tunes etwas zum Ansetzen haben

• Prompt-Obergrenze — Qwen Image 3.0 etwa 4.500 Token; MOSS-Image 4.096 Token in der finalen Pretraining-Phase

• Textdarstellung — Qwen Image 3.0 gibt an, lesbaren Text bis hinunter zu rund 10 Pixeln in 12 Sprachen und mehr als 20 Schriftarten zu erreichen; MOSS-Image meldet 96,3 Mean-6 auf LongLongTextBench, aufgeteilt in 97,1 für Englisch und 92,4 für Chinesisch, gegenüber 64,9 von Qwen-Image-2512 in derselben Tabelle

• Layout-Steuerung — M​OSS-Image verwendet JSON-Layouts in absoluten, mittelpunktbezogenen Koordinaten und gibt einen mittleren IoU von 0,88 auf 7Bench an, während Q​wen Image 3.0 Pro mit 0,31 gelistet ist; A​libaba veröffentlicht keine Layout-Metrik

• Referenzbilder — Qwen Image 3.0 Pro dokumentiert 1–3 Eingabebilder und bis zu sechs Bilder pro Aufruf; die Referenzkonditionierung von MOSS-Image ist eine reservierte Achse im eigenen Positionsschema, beschrieben als zukunftsweisend statt als ausgeliefert

• Bearbeitung — Q​wen Image 3.0 umfasst lokales Umschreiben, Erweiterung, Stilübertragung und die Generierung aus mehreren Kamerawinkeln über eine einzige API; der Bericht von M​OSS-Image stellt Bearbeitung nicht als Produktoberfläche dar

• Transparenz — Die Ankündigung von Qwen Image 3.0 enthält keine Aussage zur Transparenz; das VAE von MOSS-Image verwendet 32 latente Kanäle, und die Pipeline legt die latente Repräsentation offen, obwohl die RGBA-Ausgabe kein vom Anbieter zugesichertes Merkmal ist

• Unabhängige Bewertung — Q​wen Image 3.0 mit Elo 1.077 bei Text-zu-Bild (16.) und 1.088 Pro bei der Bearbeitung (14.) laut Artificial Analysis; M​OSS-Image hat keine unabhängige Bewertung

• Ökosystem — Q​wen Image 3.0 hat eine API; M​OSS-Image hat eine benutzerdefinierte Diffusers-Pipeline, eine Gradio-App, ein über den ComfyUI Manager installierbares ComfyUI-Plugin und einen offenen vLLM-Omni-Pull-Request, der noch überprüft wird

Das Argument, das für die meisten Teams den Ausschlag gibt

Qwen Image 3.0 ist kein schwaches Modell, und es ist nicht teuer. Bei ungefähr dreieinhalb Cent pro Bild mit einem 4.500-Token-Prompt-Fenster, 2K-Ausgabe und Multi-Image-Aufrufen ist es eine völlig vernünftige Sache, das Modell noch heute Nachmittag hinter eine Produktfunktion zu stellen. Wenn Ihre Anforderung lautet: „gute Bilder anhand dieser Beschreibung zu erzeugen, manchmal mit einem Referenzbild, zu vorhersehbaren Stückkosten“, gewinnt das geschlossene Modell bei der Time-to-first-Request und möglicherweise bei den Gesamtkosten, weil Ihre Entwickler nie eine GPU anfassen.

MOSS-Image gewinnt auf einer anderen Achse, und zwar auf einer, die keine API bieten kann, egal zu welchem Preis: Sie können das überprüfen, was die Ausgabe bestimmt. Eine Layout-Spezifikation sind Daten. Sie kann von Ihrem Code generiert, im selben Repository wie alles andere versioniert, mit einem Diff verglichen werden, wenn jemand die Vorlage ändert, gegen ein Schema validiert werden, bevor sie das Modell erreicht, und von einem Menschen geprüft werden, der die Komposition absegnet, bevor ein einziges Pixel gerendert wird. Nichts davon ist möglich, wenn die Zuordnung vom Prompt zum Layout in einem gehosteten Endpunkt stattfindet, in den Sie nicht hineinsehen können.

Das ist ein echter architektonischer Unterschied, und er lässt sich schlecht vermarkten, denn „man kann seinen Prompt unit-testen“ ist keine Demo, die irgendjemand filmt. Aber es ist der Unterschied zwischen einer Pipeline, deren Fehler debugbar sind, und einer, deren Fehler ein Support-Ticket erzeugen. Wenn MOSS-Image die Überschrift an die falsche Stelle setzt, kannst du das JSON lesen, das du gesendet hast, und die falsche Koordinate sehen. Wenn ein gehostetes Modell das tut, hat man einen Prompt, der gut aussah, und ein Bild, bei dem das nicht der Fall ist.

Es gibt eine zweite Besonderheit, die keiner der beiden Anbieter in den Vordergrund stellt. Die Bereiche, zu denen Q​wen Image 3.0 schweigt, sind konsistent: keine Parameteranzahl, keine Architektur, keine Trainingsdatenbeschreibung, keine Benchmark-Tabelle, kein technischer Bericht und keine Layout-Metrik. Der Bericht zu M​OSS-Image ist im Vergleich dazu überdetailliert — progressive Auflösungs-Trainingsphasen mit Schrittangaben, ein aus ReLAION abgeleiteter Korpus, der von rund 5 Milliarden auf 3 Milliarden Bilder reduziert wurde, ein hybrider Muon–AdamW-Optimierer mit einer Ablation, die an zwei Checkpoints 33,2 % bzw. 28,6 % weniger Schritte bis zum selben Loss als AdamW ausweist. Einige dieser Details sind nur verfügbar, weil das Modell offen ist, aber der Bericht wurde bewusst geschrieben, und das ist der Unterschied zwischen einem Produkt und einer Publikation.

Wo der Offenheitsanspruch Grenzen hat

Drei Dinge an der Offenheit von M​OSS-Image verdienen es, überprüft statt vorausgesetzt zu werden.

Das erste ist operativ. Offene Gewichte ohne einen zusammengeführten Serving-Pfad sind eine andere Sache als offene Gewichte mit einem. Der vLLM-Omni-Pull-Request, der M​OSS-Image mit Skip-Layer-Guidance hinzufügt — [Model] MOSImage Text-zu-Bild mit SLG hinzufügen — wurde am 14. Oktober geöffnet, mit 3.605 hinzugefügten Zeilen über 25 Dateien, und ist weiterhin offen; der Reviewer bittet um Nachweise zur Output-Parität gegenüber einer gepinnten Referenzimplementierung. Die neueste veröffentlichte Version von vLLM-Omni ist v0.31.0rc1 vom 6. Oktober. Keine ausgelieferte Version enthält das Modell, und die Formulierung „Day-0-Support", die am Veröffentlichungstag kursierte, beschreibt einen Branch, den man bauen kann, statt ein Paket, das man installieren kann.

Der zweite Punkt ist, dass das stärkste Ergebnis im Bericht nicht auf einem Einzelmodell beruht. Das Prompt-Enhancement-Modul LayoutPE verwendet laut Angabe zur Inferenzzeit G​PT-6 mit modularen Aufgabenanweisungen, und die mitgelieferte Prompt-Enhancer-Skill wird als für Agenten der G​PT-6-Familie konzipiert beschrieben. Die vielbeachtete Ende-zu-Ende-Elo von 1.698,70 – an zweiter Stelle hinter den 1.844,35 von GPT Image 2 – wird somit von einer Zwei-Modell-Pipeline erzeugt, deren Spezifikationshälfte die API eines anderen Anbieters ist. Als Maß für den Generator allein betrachtet, ist diese Zahl aufgebläht.

Der dritte Punkt ist Fine-Tuning. Base wurde bewusst undistilliert belassen – die Modellkarte gibt an, es habe „kein Post-Training und keine Destillation von Inferenzparametern wie CFG“ durchlaufen –, und zwar gezielt, damit LoRAs etwas haben, woran sie sich festbeißen können, was ein echtes Bekenntnis und nicht bloß eine Lizenzgeste ist. Doch das Trainingsrezept ist Dokumentation statt veröffentlichter Daten, und die bisherige Fine-Tuning-Anleitung läuft auf konkrete Anweisungen hinaus (den Text-Encoder eingefroren lassen; ihn nicht fine-tunen) plus einen Captioning-Prompt. Die Behauptung, dass einfaches SFT referenzbasierte Generierung und GIF-Ausgabe freischaltet, wird mit einem angehängten „Stay tuned“ geäußert.

Routing, ohne Überzeichnung dargestellt

Keines der beiden Modelle in diesem Vergleich ist in unserem Katalog, und wir werden nichts anderes vorgeben. Q​wen Image 3.0 läuft auf A​libabas Model Studio und wird, wie der Rest der Q​wen-Bildreihe, nicht von OrcaRouter bereitgestellt. M​OSS-Image ist ein Download. Die Grenze ist hier einfach: Wir hosten keines von beiden.

Was in unserem Katalog steht, ist der Rest des Feldes, an dem sich diese beiden messen lassen müssen — die gehosteten Bildmodelle, an denen man ein selbst gehostetes MOSS-Image messen würde, erreichbar mit einem einzigen API-Schlüssel zum Listenpreis des Anbieters mit 0 % Aufschlag, sodass eine Preisänderung eines Anbieters bei einem gehosteten Modell hier noch am selben Tag sichtbar wird und nicht erst bei der nächsten Vertragsverlängerung. Bei einem Vergleich wie diesem, bei dem die Qwen-Seite pro Bild abgerechnet wird und die MOSS-Seite in GPU-Stunden, ist das Nützliche, was eine Routing-Schicht bietet, nicht ein Rabatt, sondern eine einzige Stelle, an der man den aktuellen Preis des gehosteten Modells ablesen kann, und ein einziger Endpunkt, um ein Failover über Anbieter hinweg durchzuführen, wenn ein Upstream mitten in der Evaluierung schwächelt. Das ist die ganze Behauptung, und sie geht nicht so weit, Ihnen ein Modell anzubieten, das wir nicht betreiben.

Wie man der Reihe nach entscheidet

Arbeite sie der Reihe nach ab, und die Antwort ergibt sich meist bei der dritten Frage.

• Haben Sie GPUs oder ein Budget, das Sie in GPU-Stunden umwandeln können? Wenn nein, ist dieser Vergleich beendet und Qwen Image 3.0 ist die Antwort bei etwa 0,035 $ pro Bild.

• Ist Ihr Layout vor der Generierung bekannt — haben Sie eine Vorlage, ein Raster, einen Koordinatensatz? Wenn ja, ist die JSON-Schnittstelle von MOSS-Image der einzige Mechanismus in diesem Vergleich, der Ihr Problem direkt adressiert, und der Abstand von 0,88 gegenüber 0,31 ist der Beleg dafür, allerdings vom Anbieter selbst verfasst.

• Musst du feinabstimmen, quantisieren oder air-gapped betreiben? Wenn ja, kommt das geschlossene Modell zu keinem Preis infrage, und die Tatsache, dass eine 4-Step-DMD-LoRA und eine 8-Step-distillierte Variante innerhalb von etwa einem Tag nach der Veröffentlichung erschienen sind, ist genau das, worauf du dich einlässt.

• Muss Ihre rechtliche Prüfung in einem Dokument enden? Apache 2.0 versus keine angegebene Lizenz ist der kürzeste Teil dieses Vergleichs.

• Ist die Unabhängigkeit der Messung eine Voraussetzung? Dann wählen Sie ohne weitere Arbeit keines von beiden. Die einzigen unabhängigen Zahlen von Qwen Image 3.0 sind die Elo-Platzierungen von Artificial Analysis, die es im Mittelfeld statt nahe der Spitze einordnen. Die prominenten Ergebnisse von MOSS-Image stammen alle aus Benchmarks, die seine eigenen Autoren entwickelt haben.

Das, was die Antwort am schnellsten ändern würde, gibt es noch nicht, und es ist für beide Modelle dasselbe: ein unabhängiger Durchlauf des Tests, in dem jedes am besten abschneidet. Für Qwen Image 3.0 bedeutet das eine Layout-Messung von irgendjemandem, da Alibaba keine veröffentlicht hat. Für MOSS-Image bedeutet es, dass jemand anderes als OpenMOSS LongLongTextBench, RealLayoutArena oder 7Bench durchführt. Bis dahin entscheiden Sie, was auch immer Sie entscheiden, über Architektur, Lizenz und Mechanismus statt über verifizierte Qualität – was für einen direkten Vergleich zwischen einer geschlossenen API und einem offenen Checkpoint wohl ohnehin die richtige Grundlage ist.

Die dokumentierten KI-Ausfälle und Agent-Vorfälle hinter Veröffentlichungen wie dieser werden gesammelt in dem OrcaRouter AI Incident Archive, wo jeder Eintrag eigene Quellen, Schweregrad, Konfidenzstufe und eine Kennzeichnung als strittig enthält.