MOSS-Image vs Qwen Image 3.0: un laboratorio se pasó a lo cerrado y el otro a lo abierto

Qwen Image 3.0 y MOSS-Image fueron lanzados por laboratorios chinos con ocho semanas de diferencia y adoptaron posiciones opuestas ante la única cuestión que determina lo que puedes construir. Alibaba lanzó Qwen Image 3.0 el 21 de julio de 2026 y lo llevó a disponibilidad general el 5 de agosto: cerrado, sin pesos, sin model card, sin informe técnico, accesible únicamente a través de una API alojada en ediciones Pro y Standard. OpenMOSS lanzó MOSS-Image el 16 de octubre de 2026 como pesos abiertos bajo Apache 2.0 que abarcan tanto los checkpoints como el pipeline de inferencia independiente. Hay una trampa de nomenclatura en el lado de Qwen que conviene conocer antes que nada: Qwen-Image 2.1, publicado el 20 de septiembre de 2026, es más reciente que Qwen-Image 3.0 y ambas son líneas de producto separadas que comparten un número.

Puesto así, la comparación parece un argumento de abierto frente a cerrado, y en parte lo es. Pero la diferencia más interesante no es la licencia. Es que Q​wen Image 3.0 y M​OSS-Image hacen sus afirmaciones más contundentes sobre la misma capacidad —conseguir que el texto y la disposición sean exactamente correctos— y tienen mecanismos completamente distintos para lograrlo, uno de los cuales puedes inspeccionar y otro que no.

Lo que Qwen Image 3.0 afirma realmente

Qwen Image 3.0 es un modelo alojado y cerrado que ofrece generación y edición de imágenes a través de una única API, en ediciones Standard y Pro. El material de lanzamiento de Alibaba hace cuatro promesas concretas: prompts de hasta unos 4500 tokens, texto legible dentro de la imagen hasta aproximadamente 10 píxeles, cobertura de 12 idiomas en más de 20 tipografías, y una salida de hasta 2048×2048 con hasta seis imágenes por llamada. No se publicó el número de parámetros, y la cifra de ~20B MMDiT que se repite ampliamente está reportada, no confirmada por Alibaba.

El precio ronda los $0,035 por imagen en Model Studio de Alibaba, y Artificial Analysis calcula aproximadamente $30 por cada 1.000 imágenes para Standard y $40 por cada 1.000 para Pro. Su posición medida es de mitad de tabla en lugar de líder: Elo 1.077 en texto a imagen, decimosexto; 1.088 en la edición Pro, decimocuarto; y 1.048 en la edición Standard, vigesimoprimero. Estas son cifras de Artificial Analysis, lo que las convierte en los únicos números producidos de forma independiente en toda esta comparación: MOSS-Image no tiene ninguna entrada en Artificial Analysis.

Se documentan tres cosas sobre su comportamiento de edición, y la escasez es lo importante. Pro admite 1–3 imágenes de entrada. La ruta de edición documentada abarca reescritura local, expansión de contenido, transferencia de estilo y generación de múltiples ángulos de cámara, sin un flujo de trabajo basado en máscaras publicado. No hay ninguna afirmación sobre transparencia en el anuncio — ni generación de RGBA, ni edición de capas transparentes, ni extracción de sujeto a un canal alfa.

Lo que está notablemente ausente de cada página de A​libaba es cualquier medición de la precisión de maquetación. Q​wen Image 3.0 afirma que el texto es legible a 10 píxeles y no dice nada sobre dónde acaba ese texto.

Lo que afirma M​OSS-Image, y la diferencia de naturaleza

MOSS-Image es un transformador de difusión de flujo único de 5B —42 bloques conjuntos, ancho oculto de 3.072, 24 cabezas de 128 dimensiones, feed-forward SiTU-GLU de 8.192 de ancho, codificación posicional rotatoria de cuatro ejes— con un codificador de texto Qwen3.5-9B congelado y un VAE FLUX.2 congelado cargado desde FLUX.2-klein-4B. La descarga de SFT es de aproximadamente 27,2 GB, de los cuales unos 16,8 GB corresponden al codificador.

La diferencia de capacidad no es una cuestión de grado. La afirmación de Q​wen Image 3.0 sobre el texto tiene que ver con la legibilidad: ¿puede el modelo renderizar caracteres lo suficientemente pequeños como para leerlos? La afirmación de M​OSS-Image tiene que ver con la colocación: ¿puede situar una cadena específica en una coordenada específica? Ambas cosas suenan similares y no lo son. Un modelo que renderiza el texto de forma preciosa pero coloca tu titular sobre la imagen del producto ha fallado en una tarea distinta a la de otro que renderiza glifos un poco más suaves en la casilla exacta.

El mecanismo de MOSS-Image para la colocación consiste en que tú proporcionas el diseño como datos. El prompt puede ser un objeto JSON que contiene cuadros delimitadores en coordenadas de píxeles absolutas medidas desde el centro del lienzo, cadenas de texto literales y notas tipográficas, con bbox_format "yxyx". La propia ablación del proveedor es la evidencia más clara de por qué importa la interfaz: en RealLayoutArena, los prompts de diseño JSON obtienen 1.622,87 en el mismo sistema donde los prompts en lenguaje natural obtienen 1.506,20. En 7Bench, que el informe también presenta, MOSS-Image reporta un IoU de diseño medio de 0,88 con un AUC de diseño de 0,70 — la misma tabla sitúa a Qwen Image 3.0 Pro en 0,31 y un AUC de campo de 0,16 a 0,20.

Ese 0,88 frente a 0,31 es la mayor brecha individual de esta comparación y también es la cifra menos fiable de todas. OpenMOSS escribió la prueba comparativa, ejecutó ambos modelos en ella y publicó el resultado. Los autores de Qwen Image 3.0 no han publicado ninguna métrica de layout, así que no hay nada con lo que contrastarla: ni una cifra inferior, ni una disputa, nada. Esa asimetría merece que se nombre: la ventaja de un laboratorio en una prueba de su propia autoría se está comparando con el silencio de otro laboratorio.

Las dimensiones, lado a lado

• Lanzamiento — Qwen Image 3.0 se lanzó el 21 de julio de 2026, disponibilidad general el 5 de agosto de 2026; MOSS-Image se lanzó el 16 de octubre de 2026

• Licencias — Q​wen Image 3.0 es cerrado, sin pesos, sin licencia declarada, sin tarjeta de modelo y sin informe técnico; M​OSS-Image es Apache 2.0 para pesos y código de canalización independiente, sin umbral de ingresos.

• Precio — Qwen Image 3.0 alrededor de $0.035 por imagen en Model Studio, con Artificial Analysis estimando ~$30 por 1,000 Standard y ~$40 por 1,000 Pro; MOSS-Image gratis para descargar con ~27.2 GB más tu propio tiempo de GPU

• Ediciones — Qwen Image 3.0 se ofrece en Standard y Pro con distintos rangos de edición; MOSS-Image se ofrece con checkpoints Base y SFT, donde Base se deja deliberadamente sin destilar para que los ajustes finos tengan algo a lo que hincarle el diente

• Límite de prompt — Qwen Image 3.0 alrededor de 4.500 tokens; MOSS-Image 4.096 tokens en la etapa final de preentrenamiento

• Renderizado de texto — Q​wen Image 3.0 afirma que el texto es legible hasta aproximadamente 10 píxeles en 12 idiomas y más de 20 fuentes; M​OSS-Image reporta 96,3 Mean-6 en LongLongTextBench, con un desglose de 97,1 en inglés y 92,4 en chino, frente al 64,9 de Q​wen-Image-2512 en la misma tabla

• Control de diseño — M​OSS-Image acepta diseños JSON en coordenadas absolutas relativas al centro y afirma un IoU medio de 0.88 en 7Bench, mientras que Q​wen Image 3.0 Pro figura con 0.31; A​libaba no publica ninguna métrica de diseño

• Imágenes de referencia — Q​wen Image 3.0 Pro documenta 1–3 imágenes de entrada y hasta seis imágenes por llamada; el condicionamiento de referencia de M​OSS-Image es un eje reservado en su esquema posicional, descrito como algo previsto para el futuro en lugar de ya lanzado.

• Edición — Qwen Image 3.0 abarca la reescritura local, la expansión, la transferencia de estilo y la generación desde múltiples ángulos de cámara mediante una sola API; el informe de MOSS-Image no presenta la edición como una superficie de producto

• Transparencia — el anuncio de Q​wen Image 3.0 no incluye ninguna afirmación de transparencia; el VAE de M​OSS-Image utiliza 32 canales latentes y el pipeline expone la representación latente, aunque la salida RGBA no es una característica reclamada por el proveedor

• Puntuación independiente: Qwen Image 3.0 con Elo 1.077 en texto a imagen (puesto 16) y 1.088 Pro en edición (puesto 14) según Artificial Analysis; MOSS-Image no tiene puntuación independiente.

• Ecosistema — Qwen Image 3.0 tiene una API; MOSS-Image tiene un pipeline personalizado de Diffusers, una aplicación Gradio, un plugin de ComfyUI instalable a través de ComfyUI Manager, y una pull request abierta de vLLM-Omni que aún está en revisión

El argumento que decide a la mayoría de los equipos

Qwen Image 3.0 no es un modelo débil, y no es caro. A aproximadamente tres centavos y medio por imagen con una ventana de prompt de 4500 tokens, salida 2K y llamadas con múltiples imágenes, es algo completamente razonable para ponerlo detrás de una funcionalidad de producto esta misma tarde. Si tu requisito es «generar buenas imágenes de esta descripción, a veces con una imagen de referencia, a un coste predecible por unidad», el modelo cerrado gana en tiempo hasta la primera solicitud y posiblemente en coste total, porque tus ingenieros nunca tocan una GPU.

M​OSS-Image gana en un eje distinto, y es uno que ninguna API puede ofrecer independientemente del precio: puedes inspeccionar aquello que decide la salida. Una especificación de diseño es datos. Puede generarla tu código, controlarse por versiones en el mismo repositorio que todo lo demás, compararse con diferencias cuando alguien cambia la plantilla, validarse contra un esquema antes de que llegue al modelo y ser revisada por una persona que aprueba la composición antes de que se renderice un solo píxel. Nada de eso es posible cuando la correspondencia entre el prompt y el diseño ocurre dentro de un endpoint alojado en el que no puedes ver hacia dentro.

Esa es una diferencia arquitectónica real y es difícil de vender, porque «puedes hacer pruebas unitarias de tu prompt» no es una demo que alguien grabe. Pero es la diferencia entre un pipeline cuyos fallos se pueden depurar y uno cuyos fallos generan un ticket de soporte. Cuando M​OSS-Image coloca el titular en el lugar equivocado, puedes leer el JSON que enviaste y ver la coordenada equivocada. Cuando lo hace un modelo alojado, tienes un prompt que parecía estar bien y una imagen que no lo está.

Hay un segundo hecho distintivo que ninguno de los dos proveedores destaca por delante. Las áreas silenciosas de Qwen Image 3.0 son consistentes: ni recuento de parámetros, ni arquitectura, ni descripción de los datos de entrenamiento, ni tabla de benchmarks, ni informe técnico, ni métrica de layout. El informe de MOSS-Image está sobrespecificado en comparación: etapas de entrenamiento de resolución progresiva con recuentos de pasos, un corpus derivado de ReLAION recortado de aproximadamente 5000 millones a 3000 millones de imágenes, un optimizador híbrido Muon–AdamW con una ablación que muestra un 33,2 % y un 28,6 % menos de pasos para alcanzar la misma pérdida que AdamW en dos puntos de control. Parte de ese detalle solo está disponible porque el modelo es abierto, pero el informe se redactó por decisión propia, y esa es la diferencia entre un producto y una publicación.

Donde la pretensión de apertura tiene límites

Three things about MOSS-Image's openness deserve to be checked rather than assumed.

El primero es operativo. Unos pesos abiertos sin una ruta de servicio ya fusionada son una propuesta muy distinta de unos pesos abiertos con ella. La pull request de vLLM-Omni que añade MOSS-Image con guiado por omisión de capas (skip-layer guidance) — [Modelo] Añadir MOSImage de texto a imagen con SLG — se abrió el 14 de octubre con 3605 líneas añadidas en 25 archivos y sigue abierta, y el revisor pide pruebas de paridad de salida frente a una implementación de referencia fijada. La versión publicada más reciente de vLLM-Omni es la v0.31.0rc1, con fecha del 6 de octubre. Ninguna versión distribuida contiene el modelo, y el planteamiento de "soporte desde el día 0" que circuló el día del lanzamiento describe una rama que puedes compilar, no un paquete que puedas instalar.

Lo segundo es que el resultado más sólido del informe no es de un solo modelo. Se afirma que el módulo de mejora de prompts, LayoutPE, utiliza G​PT-6 con instrucciones de tarea modulares en el momento de la inferencia, y se describe que la habilidad de mejora de prompts incluida está diseñada para agentes de la familia G​PT-6. Por lo tanto, la puntuación Elo de extremo a extremo principal, 1.698,70 —segunda por detrás de la de 1.844,35 de GPT Image 2—, la produce una canalización de dos modelos cuya mitad de especificación es la API de un tercero. Si se interpreta como una medida del generador por sí solo, esa cifra está inflada.

El tercero es el ajuste fino. Base se dejó deliberadamente sin destilar — la tarjeta del modelo afirma que "no ha pasado por ningún post-entrenamiento ni destilación de parámetros de inferencia como CFG" — específicamente para que los LoRAs tengan algo de lo que agarrarse, lo cual es un compromiso genuino en lugar de un gesto de licencia. Pero la receta de entrenamiento es documentación en lugar de datos publicados, y la guía de ajuste fino hasta ahora se reduce a instrucciones específicas (mantener el codificador de texto congelado; no ajustarlo) más un prompt de subtitulado. La afirmación de que el SFT simple desbloquea la generación basada en referencias y la salida de GIF se declara con un "manténganse atentos" adjunto.

Enrutamiento, expresado sin exagerar

Ninguno de los dos modelos de esta comparación está en nuestro catálogo y no vamos a pretender lo contrario. Qwen Image 3.0 vive en el Model Studio de Alibaba y, como el resto de la línea de imágenes Qwen, no es algo que OrcaRouter ofrezca. MOSS-Image es una descarga. La frontera aquí es simple: no alojamos ninguno de los dos.

Lo que hay en nuestro catálogo es el resto del campo con el que se miden estos dos: los modelos de imagen alojados con los que compararías un M​OSS-Image autoalojado, accesibles con una sola clave de API al precio de lista del proveedor y con un 0 % de recargo, de modo que un cambio de precio del proveedor en un modelo alojado se refleje aquí el mismo día en lugar de en la siguiente renovación de contrato. Para una comparación como esta, en la que el lado de Q​wen se factura por imagen y el lado de M​OSS se factura en horas de GPU, lo útil que aporta una capa de enrutamiento no es un descuento, sino un único lugar donde consultar el precio alojado en vivo y un único endpoint para conmutar por error entre proveedores cuando un upstream se degrada a mitad de la evaluación. Eso es todo lo que afirmamos, y no llegamos a ofrecerte un modelo que no ejecutamos.

Cómo decidir, en orden

Trabaja con estos en secuencia y, por lo general, la respuesta surge con la tercera pregunta.

• ¿Tienes GPUs, o un presupuesto que puedas convertir en horas de GPU? Si no, esta comparación ha terminado y Q​wen Image 3.0 es la respuesta a unos $0.035 por imagen.

• ¿Se puede conocer tu maquetación antes de la generación — tienes una plantilla, una cuadrícula, un conjunto de coordenadas? Si es así, la interfaz JSON de M​OSS-Image es el único mecanismo en esta comparación que aborda tu problema directamente, y la brecha de 0,88 frente a 0,31 es la evidencia de ello, aunque sea de autoría del proveedor.

• ¿Necesitas hacer ajuste fino, cuantizar o ejecutar en un entorno aislado? Si es así, el modelo cerrado no es candidato a ningún precio, y el hecho de que un LoRA DMD de 4 pasos y una variante destilada de 8 pasos aparecieran a aproximadamente un día de su lanzamiento es lo que estás comprando.

• ¿Su revisión legal debe terminar en un documento? Apache 2.0 frente a la ausencia de una licencia declarada es la parte más breve de esta comparación.

• ¿Es la independencia de la medición un requisito? Entonces, sin trabajo adicional, no elijas ninguno de los dos. Los únicos números independientes de Qwen Image 3.0 son las posiciones Elo de Artificial Analysis, que lo sitúan en la mitad de la tabla en lugar de cerca de la cima. Todos los resultados destacados de MOSS-Image provienen de benchmarks creados por sus propios autores.

Lo que cambiaría la respuesta más rápido aún no existe, y es lo mismo para ambos modelos: una ejecución independiente de la prueba en la que cada uno es mejor. Para Q​wen Image 3.0, eso significa una medición de layout de cualquiera, ya que A​libaba no ha publicado ninguna. Para M​OSS-Image, significa que alguien distinto de OpenMOSS ejecute LongLongTextBench, RealLayoutArena o 7Bench. Hasta entonces, decidas lo que decidas, estarás decidiendo sobre arquitectura, licencia y mecanismo en lugar de sobre calidad verificada, lo que para un cara a cara entre una API cerrada y un checkpoint abierto es, podría decirse, la base correcta de todos modos.

Los fallos de IA documentados y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.