Images 2.6 vs Qwen Image 3.0 : aucun des deux n’est ouvert, et un seul l’a déjà été

Les personnes qui effectuent cette comparaison cherchent généralement la même chose : une raison d’exécuter un modèle d’image sur leurs propres GPU. Qwen Image 3.0semble être la réponse, car la gamme d’images Qwen propose des poids ouverts depuis trois générations. Ce n’est pas la réponse. Qwen Image 3.0 et Qwen Image 3.0 Prosont des modèles d’API hébergés, annoncés le 22 juillet 2026 et généralement disponibles sur Alibaba Cloud Model Studio depuis le 4 août 2026, sans fiche modèle, sans rapport technique et sans nombre de paramètres publié. La lignée ouverte s’arrête une étape plus tôt, à Qwen-Image-2.1. Pendant ce temps, Images 2.6 — la version publiée par OpenAI le 4 novembre 2026 de GPT-Image-2.6 Sunburst et GPT-Image-2.6 Flare — est manifestement fermée, et n’a jamais prétendu le contraire.

Donc, la présentation honnête de cette confrontation n’est pas « ouvert contre fermé ». C’est « fermé contre fermé », avec un fournisseur qui a proposé une option ouverte six semaines plus tôt et un autre qui vend un produit plus large avec animation, sortie vectorielle et un système de niveaux de qualité. La question des poids ouverts mérite quand même une réponse, car c’est la raison d’être de cette page, et la réponse est que Qwen-Image-2.1 est le modèle qu’il vous faut réellement si l’auto-hébergement est une exigence.

La position en matière de licences, énoncée avec prudence

C'est un sujet sur lequel les sources secondaires sont carrément erronées, si bien que la provenance des sources compte davantage que la conclusion.

Plusieurs pages d’agrégateurs — notamment les pages de comparaison de LLM Stats et le tableau Wikipédia sur l’IA générative — répertorient Qwen Image 3.0 comme modèle à poids ouverts sous Apache 2.0 ou sous une « Qwen License ». Ces inscriptions semblent être des artefacts de gabarit : les pages sont générées à partir d’un schéma qui suppose que la famille est ouverte, et elles contredisent les articles plus détaillés. Aucun dépôt Hugging Face, aucun point de contrôle safetensors et aucune fiche de modèle pour 3.0 ou 3.0 Pro n’a pu être trouvé. L’interprétation prudente, et celle que retient cet article, est que 3.0 est disponible uniquement en mode hébergé jusqu’à ce qu’Alibaba publie les poids.

Ce qui est sans ambiguïté ouvert, c’est la génération précédente. Qwen-Image-2.1, publié en septembre 2026, est un transformateur de diffusion 7B associé à un encodeur de texte Qwen3-VL 8B, publié sous la Qwen Research License — et non Apache 2.0, et non gratuit pour un usage commercial sans accord distinct. Cette distinction compte davantage que les poids eux-mêmes pour la plupart des entreprises. Une licence de recherche qui exige une négociation avant de pouvoir commercialiser représente un problème d’approvisionnement différent d’un téléchargement Apache 2.0, et les équipes qui supposaient que la gamme d’images Qwen était uniformément permissive découvriront que les conditions ont changé sous leurs pieds.

Ce qui place Qwen Image 3.0 dans une position délicate. Il est meilleur que 2.1 sur chaque axe mesuré — nous y reviendrons ci-dessous — mais il ne peut pas être auto-hébergé, ne peut pas être fine-tuné sur vos propres données et ne peut pas être épinglé à un checkpoint que vous contrôlez. Si c’étaient les raisons pour lesquelles vous vous intéressiez à la gamme Qwen, 3.0 n’y répond pas et 2.1 est une régression.

Le tableau de score, avec l'écart au bon endroit

Artificial Analysis, 5 novembre 2026, les deux classements :

• AA-Image-Editing v2.1 — Qwen Image 3.0 Pro à 1,092 (rang 20, 13,614 échantillons), Qwen Image 3.0 à 1,069 (rang 29, 8,137 échantillons), Qwen-Image-2.1 à 1,081. GPT Image 2.5 Sunburst arrive en tête avec 1,199.

• AA-Image-T2I v2.1 — Qwen Image 3.0 Pro à 1 096 (17e rang), Qwen Image 3.0 à 1 073 (18e rang), Qwen-Image-2.1 à 1 044. GPT Image 2.5 Sunburst est en tête avec 1 224.

• Images 2.6 — aucune ligne sur l’un ou l’autre tableau. Cela fait un jour.

Trois observations. Premièrement, l'écart entre Qwen Image 3.0 Pro et le prédécesseur d'OpenAI est d'environ 100 Elo sur les deux classements, ce qui n'est pas un duel serré. Deuxièmement, la version Pro apporte 23 Elo en génération d'images à partir de texte et 23 en édition pour une hausse de prix modérée — une amélioration réelle et cohérente, plutôt qu'un simple palier marketing. Troisièmement, et c'est le plus intéressant, Qwen-Image-2.1 bat Qwen Image 3.0 sur le classement d'édition (1 081 contre 1 069), bien qu'il s'agisse du modèle à poids ouverts plus ancien et qu'il soit nettement distancé en génération. La version 3.0 a amélioré la génération sans améliorer l'édition. Si c'est l'édition dont vous avez besoin dans la famille Qwen, le modèle ouvert est le meilleur choix, ce qui est une conclusion inhabituelle et réellement utile.

Les intervalles de confiance sont suffisamment larges — ±12 à ±13 — pour que la différence d’édition entre 2.1 et 3.0 se situe dans le bruit. Mais le sens est cohérent avec les tailles d’échantillon, et c’est une raison de ne pas supposer qu’un numéro plus récent signifie toujours un meilleur modèle.

Ce en quoi Qwen Image 3.0 est vraiment bon

La raison de l'utiliser n'est pas la colonne des benchmarks. C'est le texte.

Les affirmations d'Alibaba concernant Qwen Image 3.0 sont précises : des prompts allant jusqu'à environ 4 500 tokens, un rendu lisible jusqu'à environ 10 pixels de corps de texte, la prise en charge de 12 langues, jusqu'à six images par appel, et une sortie maximale de 2048 × 2048. Les images de référence sont facturées séparément, à environ 0,003 $ chacune, et les références renvoyées sont facturées à nouveau — un détail qu'il vaut la peine de surveiller, car une boucle de modification qui transmet la même référence à chaque tour accumule discrètement des coûts.

Parmi ces affirmations, le rendu de texte multilingue est celle qui bénéficie du soutien indépendant le plus solide. Alibaba n’a publié aucun benchmark officiel pour les paliers 3.0, ce qui est en soi un signal, mais la réputation du modèle dans la communauté repose sur les images à texte dense : affiches, maquettes d’interface, emballages avec mentions en petits caractères et typographie CJK que les modèles occidentaux maîtrisent mal. Si votre livrable doit contenir un texte lisible en chinois, japonais ou coréen dans une mise en page conçue, c’est le modèle de la comparaison conçu pour cela, et la gamme d’OpenAI n’a pas d’affirmation équivalente.

Les points forts d’Images 2.6 se situent ailleurs et sont structurels plutôt que typographiques. Il propose la génération de GIF animés dans ChatGPT, l’export SVG, les modifications guidées par le balisage ainsi qu’un paramètre de complexité qui définit la quantité de planification que le modèle consacre à une requête. Il ajoute aussi des images de référence enregistrées réutilisables. Aucune de ces fonctionnalités n’est proposée par Qwen Image 3.0. L’export SVG en particulier constitue un avantage de catégorie plutôt qu’un simple agrément : une sortie vectorielle pour des icônes, des logos et des diagrammes est quelque chose qu’aucun modèle raster de cette comparaison ne peut produire, quel que soit le réglage de qualité.

Coût par image utilisable, et non par image

Les grilles tarifaires se ressemblent jusqu’à ce qu’on chiffre le taux de rejet.

• Qwen Image 3.0 Standard — environ 0,03 à 0,035 $ par image en 1K ou 2K, soit environ 30 $ les mille sur la liste d'Artificial Analysis.

• Qwen Image 3.0 Pro — 0,04 $ en 1K, 0,075 $ en 2K, soit environ 40 $ les mille. Les références ajoutent environ 0,003 $ chacune.

• Images 2.6 — facturé au token à 5 $ par million de tokens d’entrée texte, 8 $ par million de tokens d’entrée d’image et 30 $ par million de tokens de sortie d’image, avec le traitement par lot à environ moitié prix. Par image, cela représente environ 0,006 $ en mode faible, 0,013 $ en mode moyen, 0,053 $ en mode élevé et 0,21 $ en mode max, dérivé de budgets de tokens repris de la génération 2.5 plutôt que de chiffres publiés pour la 2.6.

Sur le papier, {{1}}Qwen Image 3.0 Pro{{/1}} à {{2}}0,075 ${{/2}} pour du 2K se situe entre les réglages high et xhigh d’OpenAI. Mais un déficit de 100 points Elo ne correspond pas à une petite différence de qualité ; cela implique une proportion nettement plus élevée de résultats rejetés, nécessitant une nouvelle invite ou corrigés manuellement. Si {{3}}Pro{{/3}} nécessite deux tentatives pour atteindre un résultat acceptable et qu’{{4}}Images 2.6{{/4}} en réglage high n’en nécessite qu’une, le coût effectif est de {{5}}0,15 ${{/5}} contre {{6}}0,053 ${{/6}} — le modèle le moins cher revient trois fois plus cher dès lors que l’on compte ceux que l’on jette. Cette arithmétique joue dans les deux sens, et c’est pourquoi le conseil honnête est de mesurer le taux de rejet sur vos propres invites plutôt que de se fier à l’une ou l’autre des grilles tarifaires.

C'est aussi là que la marge de 0 % compte concrètement. OrcaRouter répercute le prix catalogue du fournisseur sans modification, de sorte que le chiffre par image de notre catalogue est celui que facture le fournisseur — aucune marge n'est ajoutée à une facture mesurée en tokens, et une modification du prix d'un fournisseur est reflétée le jour même plutôt qu'au cycle de révision tarifaire suivant. Pour un workflow dont le coût réel dépend d'un taux de rejet que vous mesurez encore, un compteur sans marge est la différence entre un chiffre comparable et un chiffre gonflé.

La décision sur les poids ouverts, si c’est bien là votre véritable question.

Si l'auto-hébergement n'est pas négociable, rien de tout cela n'a d'importance et la réponse est simple : exécutez Qwen-Image-2.1, acceptez le score d'édition de 1 081, prévoyez la discussion sur la licence Qwen Research si vous êtes une entreprise, et n'attendez pas des poids 3.0 qui n'ont pas été publiés et pourraient ne jamais l'être. Associez-le à un modèle hébergé pour les tâches où il est faible, à savoir la génération plutôt que l'édition.

Si l'auto-hébergement relevait d'une préférence plutôt que d'une exigence, le calcul change. L'avantage de Qwen Image 3.0 réside dans le rendu de texte multilingue et un prix bas par image. Les atouts d'Images 2.6 sont l'animation, la sortie vectorielle, les modifications par balisage et une base de référence mesurée bien plus solide — du moins via son prédécesseur. Ces forces ne se recoupent guère, ce qui signifie que les deux peuvent cohabiter dans un même pipeline sans se concurrencer : la gamme d'OpenAI pour la génération et le mouvement, celle de Qwen pour les mises en page à forte composante typographique dans des langues que les modèles occidentaux massacrent.

Faire tourner les deux n’est pas un problème de deux contrats s’ils partagent une clé. OrcaRouter achemine les modèles d’image d’OpenAI au prix catalogue avec basculement automatique, et une règle de routage peut envoyer une requête vers l’un ou l’autre selon ce dont le prompt a besoin — pas de second SDK, pas de seconde relation de facturation, pas de rotation des identifiants par fournisseur. C’est un point opérationnel modeste, mais c’est celui qui détermine si un pipeline à deux modèles vaut la peine d’être construit.

Où cela atterrit

Qwen Image 3.0 est un bon modèle, dont la stratégie de distribution reste à clarifier. Son prix est compétitif, son rendu de texte multilingue est véritablement le meilleur de sa catégorie dans cette comparaison, et sa qualité mesurée se situe à environ 100 Elo derrière la génération précédente d'OpenAI sur les deux classements. Les poids ouverts qui rendent la gamme Qwen Image attractive en principe ne sont pas présents dans la 3.0, et le modèle qui les propose — Qwen-Image-2.1 — obtient de meilleurs résultats en édition que la 3.0.

Images 2.6 est un produit plus large, dont la position n’est pas mesurée. Tout ce qui, à son sujet, est vérifiable relève d’une affirmation héritée : le modèle de tarification, la surface d’endpoints, la structure à deux variantes. Tout ce qui, à son sujet, est nouveau — GIF, SVG, modifications de balisage, paramètre de complexité — n’est vérifié par aucun test indépendant et reste en partie non documenté.

La seule conclusion qui ne dépend pas d’un benchmark manquant est celle des licences, et c’est la raison pour laquelle la plupart des lecteurs sont venus : si vous avez besoin des poids, ils ne sont pas ici, et ils ne sont pas non plus dans la 3.0. Vérifiez l’organisation Hugging Face avant de planifier autour d’un checkpoint. C’est le signal fiable pour cette famille depuis le début de l’année, et il s’arrête actuellement à la 2.1.