MOSS-Image vs Qwen Image 3.0 : un laboratoire a opté pour le fermé, l'autre pour l'ouvert

Q​wen Image 3.0 et M​OSS-Image ont été publiés par des laboratoires chinois à huit semaines d'intervalle et ils ont pris des positions opposées sur la seule question qui détermine ce que vous pouvez construire. A​libaba a lancé Q​wen Image 3.0 le 21 juillet 2026 et l'a fait passer en disponibilité générale le 5 août — fermé, sans poids, sans fiche de modèle, sans rapport technique, accessible uniquement via une API hébergée en éditions Pro et Standard. OpenMOSS a publié M​OSS-Image le 16 octobre 2026 sous Apache 2.0 en poids ouverts, couvrant à la fois les points de contrôle et le pipeline d'inférence autonome. Il y a un piège de nommage du côté de Q​wen qu'il vaut la peine de connaître avant toute chose : Q​wen-Image 2.1, publié le 20 septembre 2026, est plus récent que Q​wen-Image 3.0 et les deux sont des lignes de produits distinctes partageant un numéro.

Présenté ainsi, la comparaison ressemble à un débat entre ouvert et fermé, et c’est en partie le cas. Mais la différence la plus intéressante ne réside pas dans le licensing. Elle réside dans le fait que Q​wen Image 3.0 et M​OSS-Image formulent leurs prétentions les plus fortes à propos de la même capacité — reproduire exactement le texte et la mise en page — et qu’ils disposent pour cela de mécanismes entièrement différents, dont l’un peut être inspecté et l’autre non.

What Qwen Image 3.0 affirme réellement

Qwen Image 3.0 est un modèle hébergé fermé qui assure la génération et l'édition d'images via une seule API, en éditions Standard et Pro. La documentation de lancement d'Alibaba avance quatre promesses précises : des prompts allant jusqu'à environ 4 500 tokens, un texte lisible dans l'image jusqu'à environ 10 pixels, une couverture de 12 langues sur plus de 20 polices, et une sortie allant jusqu'à 2048×2048 avec jusqu'à six images par appel. Aucun nombre de paramètres n'a été publié, et le chiffre d'environ 20B MMDiT largement repris est rapporté plutôt que confirmé par Alibaba.

Le tarif est d'environ 0,035 $ par image sur le Model Studio d'Alibaba, Artificial Analysis estimant à environ 30 $ les 1 000 images pour la version Standard et à 40 $ les 1 000 pour la version Pro. Sa position mesurée est en milieu de tableau plutôt qu'en tête : Elo 1 077 en texte-vers-image, classé seizième ; 1 088 pour l'édition Pro en retouche, quatorzième ; et 1 048 pour la version Standard en retouche, vingt et unième. Ce sont des chiffres d'Artificial Analysis, ce qui en fait les seuls chiffres produits de façon indépendante dans toute cette comparaison — MOSS-Image ne figure pas du tout dans Artificial Analysis.

Trois choses sont documentées à propos de son comportement d’édition, et cette parcimonie est précisément le point. Pro prend en charge 1–3 images d’entrée. Le parcours d’édition documenté couvre la réécriture locale, l’extension de contenu, le transfert de style et la génération multi-angles de caméra, sans flux de travail basé sur des masques publié. Il n’y a aucune mention de transparence dans l’annonce, du tout — aucune génération RGBA, aucune édition de calques transparents, aucune extraction de sujet vers un canal alpha.

Ce qui est notablement absent de chaque page Alibaba, c'est toute mesure de la précision de mise en page. Qwen Image 3.0 promet un texte lisible à 10 pixels et ne dit rien de l'endroit où ce texte atterrit.

Ce que MOSS-Image prétend, et la différence de nature

MOSS-Image est un transformer de diffusion à flux unique de 5B — 42 blocs conjoints, largeur cachée de 3 072, 24 têtes à 128 dimensions, feed-forward SiTU-GLU de 8 192 de large, encodage de position rotatif à quatre axes — avec un encodeur de texte Qwen3.5-9B gelé et un VAE FLUX.2 gelé chargé depuis FLUX.2-klein-4B. Le téléchargement SFT fait environ 27,2 Go, dont environ 16,8 Go pour l’encodeur.

La différence de capacité n'est pas une question de degré. Ce que revendique Qwen Image 3.0 à propos du texte concerne la lisibilité — le modèle peut-il rendre des caractères assez petits pour être lus. Ce que revendique MOSS-Image concerne le placement — peut-il placer une chaîne donnée à des coordonnées données. Ces deux choses semblent similaires et ne le sont pas. Un modèle qui rend le texte magnifiquement mais fait traverser votre titre par-dessus la photo du produit a échoué à une tâche différente de celle d'un modèle qui rend des glyphes un peu plus doux dans exactement la bonne zone.

Le mécanisme de placement de MOSS-Image consiste à fournir la mise en page sous forme de données. L'invite peut être un objet JSON contenant des boîtes englobantes en coordonnées pixel absolues mesurées depuis le centre du canevas, des chaînes de texte littérales et des notes typographiques, avec bbox_format "yxyx". L'ablation réalisée par le fournisseur lui-même constitue la preuve la plus claire de l'importance de l'interface : sur RealLayoutArena, les invites de mise en page JSON obtiennent 1 622,87 sur le même système où les invites en langage naturel obtiennent 1 506,20. Sur 7Bench, que le rapport introduit également, MOSS-Image rapporte un IoU de mise en page moyen de 0,88 avec une AUC de mise en page de 0,70 — le même tableau place Qwen Image 3.0 Pro à 0,31 et une AUC de champ de 0,16 à 0,20.

Ce 0,88 contre 0,31 constitue le plus grand écart individuel de cette comparaison, et c’est aussi le chiffre le moins fiable qui y figure. OpenMOSS a rédigé le benchmark, y a fait tourner les deux modèles, puis en a publié le résultat. Les auteurs de Qwen Image 3.0 n’ont publié aucune métrique de mise en page, si bien qu’il n’y a rien à quoi la comparer — pas un chiffre inférieur, pas une contestation, rien. Cette asymétrie mérite d’être nommée : l’avantage d’un laboratoire sur un test qu’il a lui-même rédigé est comparé au silence d’un autre laboratoire.

Les dimensions, côte à côte

• Sortie — Q​wen Image 3.0 lancé le 21 juillet 2026, disponibilité générale le 5 août 2026 ; M​OSS-Image publié le 16 octobre 2026

• Licences — Q​wen Image 3.0 est fermé, sans poids, sans licence déclarée, sans fiche de modèle et sans rapport technique ; M​OSS-Image est sous Apache 2.0 pour les poids et le code de pipeline autonome, sans seuil de revenus

• Prix — Q​wen Image 3.0 environ 0,035 $ par image sur Model Studio, avec Artificial Analysis qui estime ~30 $ pour 1 000 images Standard et ~40 $ pour 1 000 images Pro ; M​OSS-Image gratuit à télécharger à ~27,2 Go, plus votre propre temps GPU

• Éditions — Q​wen Image 3.0 est proposé en versions Standard et Pro avec différents niveaux d’édition ; M​OSS-Image est proposé avec les checkpoints Base et SFT, où Base est délibérément laissé non distillé afin que les fine-tunes aient de quoi se mettre sous la dent.

• Plafond de prompt — Qwen Image 3.0 environ 4 500 tokens ; MOSS-Image 4 096 tokens à l’étape finale de pré-entraînement

• Rendu du texte — Q​wen Image 3.0 revendique un texte lisible jusqu'à environ 10 pixels sur 12 langues et plus de 20 polices ; M​OSS-Image annonce 96,3 Mean-6 sur LongLongTextBench, soit 97,1 en anglais et 92,4 en chinois, contre 64,9 pour Q​wen-Image-2512 dans le même tableau

• Contrôle de la mise en page — M​OSS-Image accepte des mises en page JSON en coordonnées absolues relatives au centre et revendique un IoU moyen de 0,88 sur 7Bench, où Q​wen Image 3.0 Pro est répertorié à 0,31 ; A​libaba ne publie aucune métrique de mise en page

• Images de référence — Q​wen Image 3.0 Pro documente 1–3 images d’entrée et jusqu’à six images par appel ; le conditionnement de référence de M​OSS-Image est un axe réservé dans son schéma positionnel, décrit comme tourné vers l’avenir plutôt que comme livré

• Édition — Qwen Image 3.0 couvre la réécriture locale, l’expansion, le transfert de style et la génération sous plusieurs angles de caméra via une seule API ; le rapport de MOSS-Image ne présente pas l’édition comme une surface produit

• Transparence — L'annonce de Q​wen Image 3.0 ne comporte aucune affirmation de transparence ; le VAE de M​OSS-Image utilise 32 canaux latents et le pipeline expose la représentation latente, bien que la sortie RGBA ne soit pas une fonctionnalité revendiquée par le fournisseur

• Score indépendant — Q​wen Image 3.0 à l'Elo 1 077 en texte-image (16e) et 1 088 Pro en édition (14e) selon Artificial Analysis ; M​OSS-Image ne dispose d'aucun score indépendant

• Écosystème — Q​wen Image 3.0 dispose d'une API ; M​OSS-Image dispose d'un pipeline personnalisé Diffusers, d'une application Gradio, d'un plugin ComfyUI installable via ComfyUI Manager, et d'une pull request vLLM-Omni ouverte encore en cours de révision

L'argument qui décide la plupart des équipes

Qwen Image 3.0 n'est pas un modèle faible, et il n'est pas cher. À environ trois cents et demi par image, avec une fenêtre de prompt de 4 500 tokens, une sortie 2K et des appels multi-images, c'est une chose tout à fait raisonnable à mettre derrière une fonctionnalité produit dès cet après-midi. Si votre besoin est « générer de bonnes images de cette description, parfois avec une image de référence, à un coût unitaire prévisible », le modèle fermé l'emporte sur le temps jusqu'à la première requête et peut-être sur le coût total, car vos ingénieurs ne touchent jamais à un GPU.

MOSS-Image l'emporte sur un autre plan, et c'est un plan qu'aucune API ne peut offrir, quel qu'en soit le prix : vous pouvez inspecter ce qui décide de la sortie. Une spécification de mise en page est une donnée. Elle peut être générée par votre code, versionnée dans le même dépôt que tout le reste, comparée par diff lorsque quelqu'un modifie le gabarit, validée par rapport à un schéma avant d'atteindre le modèle, et examinée par un humain qui valide la composition avant qu'un seul pixel ne soit rendu. Rien de tout cela n'est possible lorsque la correspondance entre le prompt et la mise en page s'opère à l'intérieur d'un point de terminaison hébergé dans lequel vous ne pouvez pas voir.

C'est une vraie différence architecturale, et elle se vend mal, parce que « on peut tester unitairement son prompt » n'est pas une démo que quiconque filme. Mais c'est la différence entre un pipeline dont les échecs sont débogables et un autre dont les échecs génèrent un ticket de support. Quand M​OSS-Image place le titre au mauvais endroit, vous pouvez lire le JSON que vous avez envoyé et voir la mauvaise coordonnée. Quand un modèle hébergé le fait, vous avez un prompt qui semblait correct et une image qui ne l'est pas.

Il existe un second fait distinctif qu’aucun des deux fournisseurs ne met en avant. Les zones de silence de Qwen Image 3.0 sont cohérentes : aucun nombre de paramètres, aucune architecture, aucune description des données d’entraînement, aucun tableau de benchmarks, aucun rapport technique et aucune métrique de mise en page. Le rapport de MOSS-Image est, par comparaison, sur-spécifié — des étapes d’entraînement à résolution progressive avec le nombre de pas, un corpus dérivé de ReLAION réduit d’environ 5 milliards à 3 milliards d’images, un optimiseur hybride Muon–AdamW avec une ablation montrant 33,2 % et 28,6 % de pas en moins pour atteindre la même perte qu’AdamW à deux points de contrôle. Une partie de ces détails n’est disponible que parce que le modèle est ouvert, mais le rapport a été rédigé volontairement, et c’est là la différence entre un produit et une publication.

Là où la revendication d'ouverture a des limites

Trois choses sur l’ouverture de MOSS-Image méritent d’être vérifiées plutôt que supposées.

Le premier est opérationnel. Des poids ouverts sans chemin de service fusionné, ce n'est pas la même chose que des poids ouverts qui en disposent. La pull request vLLM-Omni qui ajoute MOSS-Image avec le guidage par saut de couches — [Modèle] Ajouter MOSImage texte-vers-image avec SLG — a été ouverte le 14 octobre avec 3 605 lignes ajoutées réparties sur 25 fichiers et reste ouverte, le relecteur demandant des preuves de parité de sortie par rapport à une implémentation de référence épinglée. La plus récente version publiée de vLLM-Omni est la v0.31.0rc1, datée du 6 octobre. Aucune version livrée ne contient le modèle, et la formulation « prise en charge dès le jour 0 » qui a circulé le jour de la sortie décrit une branche que l'on peut compiler plutôt qu'un paquet que l'on peut installer.

Le second point est que le résultat le plus solide du rapport ne concerne pas un modèle unique. Le module d’amélioration de prompt, LayoutPE, est annoncé comme utilisant GPT-6 avec des instructions de tâche modulaires au moment de l’inférence, et la compétence d’amélioration de prompt fournie est décrite comme conçue pour les agents de la famille GPT-6. Le score Elo de bout en bout phare de 1 698,70 — deuxième derrière celui de GPT Image 2, à 1 844,35 — est donc produit par un pipeline à deux modèles dont la moitié dédiée à la spécification repose sur l’API de quelqu’un d’autre. Interprété comme une mesure du générateur seul, ce chiffre est gonflé.

Le troisième est le fine-tuning. Base a été délibérément laissé non distillé — la fiche du modèle indique qu'il « n'a subi aucun post-entraînement ni distillation de paramètres d'inférence tels que CFG » — précisément pour que les LoRAs aient prise, ce qui constitue un engagement réel plutôt qu'un geste de licence. Mais la recette d'entraînement relève de la documentation plutôt que de données publiées, et les conseils de fine-tuning se résument jusqu'à présent à des instructions spécifiques (garder l'encodeur de texte gelé ; ne pas le fine-tuner) plus un prompt de légendage. L'affirmation selon laquelle un simple SFT débloque la génération basée sur référence et la sortie GIF est énoncée avec un « restez à l'écoute » attaché.

Routage, énoncé sans exagération

Aucun des deux modèles de cette comparaison ne figure sur notre catalogue et nous ne prétendrons pas le contraire. Q​wen Image 3.0 réside sur le Model Studio d'A​libaba et, comme le reste de la gamme d'images Q​wen, n'est pas proposé par OrcaRouter. M​OSS-Image est un téléchargement. La limite ici est simple : nous n'hébergeons ni l'un ni l'autre.

Ce que l'on trouve sur notre catalogue, c'est le reste du panel par rapport auquel ces deux modèles sont mesurés — les modèles d'images hébergés par rapport auxquels vous évalueriez un M​OSS-Image auto-hébergé, accessibles avec une seule clé API, au prix catalogue du fournisseur, avec 0 % de marge, de sorte qu'un changement de tarif d'un fournisseur sur un modèle hébergé soit répercuté ici le jour même plutôt qu'à la prochaine reconduction de contrat. Pour une comparaison comme celle-ci, où le côté Q​wen est facturé à l'image et le côté M​OSS en heures de GPU, ce qu'une couche de routage apporte d'utile n'est pas une remise, mais un point unique où consulter le prix hébergé en direct et un point de terminaison unique pour basculer d'un fournisseur à l'autre lorsqu'une source en amont se dégrade en pleine évaluation. Voilà toute l'affirmation, et elle s'arrête avant de vous proposer un modèle que nous n'exploitons pas.

Comment décider, dans l’ordre

Traitez-les dans l’ordre et la réponse apparaît généralement dès la troisième question.

• Avez-vous des GPU, ou un budget que vous pouvez convertir en heures de GPU ? Si non, cette comparaison est terminée et Q​wen Image 3.0 est la solution à environ 0,035 $ l’image.

• Votre mise en page est-elle connaissable avant la génération — disposez-vous d’un gabarit, d’une grille, d’un ensemble de coordonnées ? Si oui, l’interface JSON de M​OSS-Image est le seul mécanisme de ce comparatif qui réponde directement à votre problème, et l’écart de 0,88 contre 0,31 en est la preuve, même si elle émane du fournisseur.

• Devez-vous affiner, quantifier ou exécuter en environnement isolé ? Si oui, le modèle fermé n’est pas un candidat, à aucun prix, et le fait qu’un LoRA DMD en 4 étapes et une variante distillée en 8 étapes soient apparus environ un jour après la sortie, c’est ce dans quoi vous vous engagez.

• Votre revue juridique doit-elle aboutir à un document ? Apache 2.0 contre l'absence de licence déclarée constitue la partie la plus courte de cette comparaison.

• L’indépendance de la mesure est-elle une exigence ? Alors ne choisissez ni l’un ni l’autre sans travail supplémentaire. Les seuls chiffres indépendants de Qwen Image 3.0 sont les classements Elo d’Artificial Analysis, qui le placent au milieu du peloton plutôt que près du sommet. Les résultats phares de MOSS-Image proviennent tous de benchmarks élaborés par ses propres auteurs.

Ce qui changerait la réponse le plus vite n’existe pas encore, et c’est la même chose pour les deux modèles : une exécution indépendante du test dans lequel chacun excelle. Pour Qwen Image 3.0, cela signifie une mesure de mise en page fournie par n’importe qui, puisque Alibaba n’en a publié aucune. Pour MOSS-Image, cela signifie que quelqu’un d’autre qu’OpenMOSS exécute LongLongTextBench, RealLayoutArena ou 7Bench. D’ici là, quoi que vous décidiez, vous décidez sur l’architecture, la licence et le mécanisme plutôt que sur une qualité vérifiée — ce qui, pour un duel entre une API fermée et un checkpoint ouvert, est sans doute de toute façon la bonne base.

Les défaillances documentées de l’IA et les incidents d’agents à l’origine de versions comme celle-ci sont recueillis dans l’OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, sa gravité, sa note de confiance et un indicateur de contestation.