MOSS-Image לעומת Qwen Image 3.0: מעבדה אחת עברה לקוד סגור, והאחרת לקוד פתוח

Q​wen Image 3.0 ו-M​OSS-Image שוחררו על ידי מעבדות סיניות בהפרש של שמונה שבועות, והן נקטו עמדות מנוגדות בשאלה האחת שמכריעה מה ניתן לבנות. A​libaba שחררה את Q​wen Image 3.0 ב-21 ביולי 2026 והביאה אותה לזמינות כללית ב-5 באוגוסט — סגור, ללא משקלים, ללא כרטיס מודל, ללא דוח טכני, נגיש רק דרך API מתארח במהדורות Pro ו-Standard. OpenMOSS שחררה את M​OSS-Image ב-16 באוקטובר 2026 כמשקלים פתוחים תחת Apache 2.0, המכסים גם את הצ'קפוינטים וגם את צינור ההסקה העצמאי. יש מלכודת שמות בצד של Q​wen שכדאי להכיר לפני כל דבר אחר: Q​wen-Image 2.1, שיצא ב-20 בספטמבר 2026, חדש יותר מ-Q​wen-Image 3.0, והשניים הם קווי מוצר נפרדים החולקים מספר.

כשמנסחים את זה כך, ההשוואה נראית כמו ויכוח של פתוח מול סגור, ובחלקה היא אכן כזו. אבל ההבדל המעניין יותר אינו רישוי. הוא ש-Qwen Image 3.0 ו-MOSS-Image מציגות את הטענות החזקות ביותר שלהן לגבי אותה יכולת בדיוק — להשיג טקסט ופריסה מדויקים לחלוטין — ויש להן מנגנונים שונים לחלוטין לשם כך, אחד שאפשר לבחון ואחד שאי אפשר.

מה Qwen Image 3.0 בעצם טוען

Qwen Image 3.0 הוא מודל מתארח וסגור המספק יצירת תמונות ועריכה דרך API אחד, במהדורות Standard ו-Pro. חומר ההשקה של אליבאבא מציג ארבע הבטחות ספציפיות: פרומפטים של עד כ-4,500 טוקנים, טקסט קריא בתוך התמונה עד לגודל של כ-10 פיקסלים, כיסוי של 12 שפות בלמעלה מ-20 גופנים, ופלט של עד 2048×2048 עם עד שש תמונות בקריאה אחת. מספר הפרמטרים לא פורסם, והנתון ~20B MMDiT, החוזר ונשנה רבות, מדווח ולא מאושר על ידי אליבאבא.

התמחור עומד על כ-0.035 דולר לתמונה ב-Model Studio של Alibaba, כאשר Artificial Analysis מחשבת כ-30 דולר ל-1,000 תמונות עבור Standard וכ-40 דולר ל-1,000 עבור Pro. מיקומו הנמדד הוא באמצע הטבלה ולא בחזית: Elo 1,077 ליצירת תמונות מטקסט, במקום השישה עשר; 1,088 לגרסת Pro בעריכה, במקום הארבעה עשר; ו-1,048 ל-Standard בעריכה, במקום העשרים ואחד. אלה נתונים של Artificial Analysis, מה שהופך אותם למספרים היחידים שהופקו באופן בלתי תלוי בכל ההשוואה הזו — ל-MOSS-Image אין כלל רשומה ב-Artificial Analysis.

שלושה דברים מתועדים לגבי התנהגות העריכה, והדלילות היא בדיוק הנקודה. Pro תומך ב-1–3 תמונות קלט. מסלול העריכה המתועד מכסה שכתוב מקומי, הרחבת תוכן, העברת סגנון ויצירת זוויות מרובות מצלמה, ללא תהליך עבודה מפורסם מבוסס מסכות. אין כלל טענת שקיפות בהכרזה — לא יצירת RGBA, לא עריכת שכבות שקופות, לא חילוץ סובייקט לערוץ אלפא.

מה שנעדר באופן בולט מכל דף של Alibaba הוא כל מדידה של דיוק פריסה. Qwen Image 3.0 טוען לטקסט קריא בגודל 10 פיקסלים, ואינו אומר דבר על היכן אותו טקסט נוחת.

מה ש-MOSS-Image טוען, וההבדל בסוג

MOSS-Image הוא טרנספורמר דיפוזיה חד-זרמי עם 5B פרמטרים — 42 בלוקים משותפים, רוחב חבוי 3,072, 24 ראשים ב-128 ממדים, feed-forward SiTU-GLU ברוחב 8,192, קידוד מיקום רוטורי בעל ארבעה צירים — עם מקודד טקסט Qwen3.5-9B קפוא ו-VAE FLUX.2 קפוא שנטען מ-FLUX.2-klein-4B. הורדת ה-SFT היא כ-27.2 GB, כאשר כ-16.8 GB ממנה הם המקודד.

ההבדל ביכולות אינו עניין של מידה. הטענה של Qwen Image 3.0 בנוגע לטקסט עוסקת בקריאות — האם המודל מסוגל להציג תווים קטנים מספיק כדי לקרוא אותם. הטענה של MOSS-Image עוסקת במיקום — האם הוא מסוגל למקם מחרוזת מוגדרת בקואורדינטה מוגדרת. אלה נשמעים דומים, אך אינם. מודל שמציג טקסט ביפהפייה אך מותח את הכותרת שלך על פני תמונת המוצר נכשל במשימה שונה ממודל שמציג גליפים מעט רכים יותר בדיוק בתיבה הנכונה.

המנגנון של M​OSS-Image למיקום הוא שאתה מספק את הפריסה כנתונים. הפרומפט יכול להיות אובייקט JSON הנושא תיבות תוחמות בקואורדינטות פיקסלים מוחלטות הנמדדות ממרכז הקנבס, מחרוזות טקסט מילוליות והערות טיפוגרפיה, עם bbox_format "yxyx". האבלציה של הספק עצמו היא ההוכחה הברורה ביותר מדוע הממשק חשוב: ב-RealLayoutArena, פרומפטים של פריסת JSON מקבלים ציון של 1,622.87 באותה מערכת שבה פרומפטים בשפה טבעית מקבלים ציון של 1,506.20. ב-7Bench, שגם הדוח מציג, M​OSS-Image מדווח על ממוצע IoU פריסה של 0.88 עם Layout AUC של 0.70 — באותה טבלה Q​wen Image 3.0 Pro נמצא ב-0.31 ו-AUC שדה של 0.16 עד 0.20.

ה-0.88 הזה מול 0.31 הוא הפער הבודד הגדול ביותר בהשוואה הזו, והוא גם המספר הכי פחות אמין בה. OpenMOSS כתבו את הבנצ'מרק, הריצו את שני המודלים עליו ופרסמו את התוצאה. מחברי Qwen Image 3.0 לא פרסמו שום מדד פריסה כלל, כך שאין מול מה להשוות אותו — לא מספר נמוך יותר, לא מחלוקת, כלום. לחוסר הסימטריה הזה מגיע שם: היתרון של מעבדה אחת במבחן שהיא עצמה כתבה מושווה לשתיקתה של מעבדה אחרת.

המידות, זו לצד זו

• השקה — Qwen Image 3.0 הושק ב-21 ביולי 2026, זמינות כללית ב-5 באוגוסט 2026; MOSS-Image שוחרר ב-16 באוקטובר 2026

• רישוי — Qwen Image 3.0 סגור, ללא משקולות, ללא רישיון מוצהר, ללא כרטיס מודל וללא דוח טכני; MOSS-Image הוא Apache 2.0 עבור משקולות וקוד צינור עצמאי, ללא סף הכנסות

• מחיר — Qwen Image 3.0 כ-$0.035 לתמונה ב-Model Studio, כאשר Artificial Analysis מסיקה ~$30 לכל 1,000 במסלול Standard ו-~$40 לכל 1,000 במסלול Pro; MOSS-Image חינמית להורדה בגודל ~27.2GB בתוספת זמן ה-GPU שלך

• מהדורות — Q​wen Image 3.0 מציע Standard ו-Pro עם דרגות עריכה שונות; M​OSS-Image מציע צ'ק-פוינטים Base ו-SFT, כאשר Base הושאר בכוונה לא מזוקק כדי שלכיוונונים יהיה על מה להיאחז

• תקרת פרומפט — Qwen Image 3.0 בסביבות 4,500 טוקנים; MOSS-Image 4,096 טוקנים בשלב הקדם-אימון הסופי

• רינדור טקסט — Qwen Image 3.0 טוענת לטקסט קריא עד לכ-10 פיקסלים ב-12 שפות ויותר מ-20 גופנים; MOSS-Image מדווחת על 96.3 Mean-6 ב-LongLongTextBench, עם 97.1 באנגלית ו-92.4 בסינית, לעומת 64.9 של Qwen-Image-2512 באותה טבלה

• שליטה בפריסה — M​OSS-Image מקבל פריסות JSON בקואורדינטות מוחלטות ביחס למרכז ומצהיר על 0.88 IoU ממוצע ב-7Bench, בעוד Q​wen Image 3.0 Pro רשום ב-0.31; A​libaba לא מפרסמת מדד פריסה

• תמונות ייחוס — Qwen Image 3.0 Pro מתעדת {{1}}1–3 תמונות קלט{{/1}} ועד שש תמונות בכל קריאה; {{2}}ההתניה מבוססת הייחוס של MOSS-Image היא ציר שמור בסכמת המיקום שלה{{/2}}, המתואר כצופה פני עתיד ולא כמשוחרר

• עריכה — Qwen Image 3.0 מכסה שכתוב מקומי, הרחבה, העברת סגנון ויצירת זוויות מצלמה מרובות דרך API אחד; הדוח של MOSS-Image אינו מציג את העריכה כמשטח מוצר

• שקיפות — ההכרזה של Qwen Image 3.0 אינה כוללת טענה בדבר שקיפות; ה-VAE של MOSS-Image משתמש ב-32 ערוצים לטנטיים והפייפליין חושף את הייצוג הלטנטי, אם כי פלט RGBA אינו תכונה שהספק מצהיר עליה

• ציון עצמאי — Q​wen Image 3.0 ב-Elo 1,077 טקסט-לתמונה (מקום 16) ו-1,088 Pro בעריכה (מקום 14) לפי Artificial Analysis; ל-M​OSS-Image אין ציון עצמאי

• אקוסיסטם — ל-Qwen Image 3.0 יש API; ל-MOSS-Image יש פייפליין מותאם אישית של Diffusers, אפליקציית Gradio, תוסף ComfyUI הניתן להתקנה דרך ComfyUI Manager, ובקשת pull request פתוחה של vLLM-Omni שעדיין נמצאת בבדיקה

הטיעון שמכריע את רוב הצוותים

Qwen Image 3.0 אינו מודל חלש, והוא גם לא יקר. בבערך שלושה וחצי סנטים לתמונה עם חלון פרומפט של 4,500 טוקנים, פלט ברזולוציית 2K וקריאות מרובות תמונות, זה דבר סביר לחלוטין להעמיד מאחורי תכונת מוצר כבר אחר הצהריים. אם הדרישה שלך היא "לייצר תמונות טובות מהתיאור הזה, לפעמים עם תמונת ייחוס, בעלות צפויה ליחידה", המודל הסגור מנצח בזמן עד לבקשה הראשונה ואולי גם בעלות הכוללת, כי המהנדסים שלך אף פעם לא נוגעים ב-GPU.

MOSS-Image מנצח בציר אחר, והוא כזה שאף API לא יכול להציע, ללא קשר למחיר: אתה יכול לבדוק את הדבר שקובע את הפלט. מפרט פריסה הוא נתונים. הוא יכול להיות מיוצר על ידי הקוד שלך, להיות תחת בקרת גרסה באותו מאגר כמו כל השאר, לעבור diff כשמישהו משנה את התבנית, להיות מאומת מול סכמה לפני שהוא מגיע למודל, ולעבור סקירה על ידי אדם שנותן אישור על הקומפוזיציה לפני שמרונדר אפילו פיקסל אחד. שום דבר מזה אינו אפשרי כאשר המיפוי מהפרומפט לפריסה מתרחש בתוך נקודת קצה מתארחת שאינך יכול לראות לתוכה.

זהו הבדל ארכיטקטוני אמיתי, והוא משווק רע, כי "אפשר לבצע בדיקות יחידה לפרומפט שלך" הוא לא דמו שמישהו מצלם. אבל זה ההבדל בין פייפליין שאפשר לדבג את הכשלים שלו לבין פייפליין שכשלים בו מייצרים כרטיס תמיכה. כאשר M​OSS-Image מציב את הכותרת במקום הלא נכון, אפשר לקרוא את ה-JSON ששלחת ולראות את הקואורדינטה השגויה. כאשר מודל מתארח עושה זאת, יש לך פרומפט שנראה תקין ותמונה שלא.

יש עובדה מבדילה שנייה שאף אחד מהספקים לא פותח איתה. אזורי השתיקה של Qwen Image 3.0 עקביים: אין מספר פרמטרים, אין ארכיטקטורה, אין תיאור של נתוני אימון, אין טבלת בנצ'מרק, אין דוח טכני, ואין מדד פריסה. הדוח של MOSS-Image מפורט יתר על המידה בהשוואה — שלבי אימון ברזולוציה פרוגרסיבית עם מספרי צעדים, קורפוס שמקורו ב-ReLAION שצומצם מכ-5 מיליארד ל-3 מיליארד תמונות, אופטימיזר היברידי Muon–AdamW עם אבלציה שמראה 33.2% ו-28.6% פחות צעדים לאותו loss מאשר AdamW בשתי נקודות ביקורת. חלק מהפרטים האלה זמינים רק מפני שהמודל פתוח, אבל הדוח נכתב מבחירה, וזה ההבדל בין מוצר לפרסום.

היכן שלטענת הפתיחות יש גבולות

שלושה דברים לגבי הפתיחות של M​OSS-Image ראויים לבדיקה ולא להנחה.

הראשון הוא אופרטיבי. משקלים פתוחים בלי נתיב הגשה ממוזג הם הצעה שונה ממשקלים פתוחים עם נתיב כזה. בקשת ה-pull של vLLM-Omni שמוסיפה את MOSS-Image עם הנחיית דילוג-שכבות — [Model] Add MOSImage text-to-image with SLG — נפתחה ב-14 באוקטובר עם 3,605 שורות שנוספו ב-25 קבצים, ונשארה פתוחה, כשהסוקר מבקש הוכחות להתאמת פלט מול מימוש ייחוס נעוץ. הגרסה האחרונה שפורסמה של vLLM-Omni היא v0.31.0rc1, מתאריך 6 באוקטובר. אף גרסה ששוחררה אינה מכילה את המודל, וההצגה של ״תמיכת Day 0״ שהופצה ביום ההשחרור מתארת ענף שאפשר לבנות ולא חבילה שאפשר להתקין.

הנקודה השנייה היא שהתוצאה החזקה ביותר בדוח אינה של מודל יחיד. מודול שיפור הפרומפט, LayoutPE, מתואר כמשתמש ב-GPT-6 עם הוראות משימה מודולריות בזמן הסקה, ומיומנות שיפור הפרומפט המצורפת מתוארת כמיועדת לסוכנים ממשפחת GPT-6. לכן ציון ה-Elo מקצה-לקצה המוצג בכותרת, 1,698.70 — שני אחרי 1,844.35 של GPT Image 2 — מופק על ידי צינור דו-מודלי שמחצית המפרט שלו היא ה-API של מישהו אחר. אם קוראים אותו כמדד למחולל בלבד, המספר הזה מנופח.

השלישי הוא כיוונון עדין. Base הושאר במכוון ללא זיקוק — כרטיס המודל מציין שהוא "לא עבר כל אימון-מחדש או זיקוק של פרמטרי הסקה כגון CFG" — במיוחד כדי של-LoRAs יהיה על מה להיתפס, וזו מחויבות אמיתית ולא מחוות רישוי. אבל מתכון האימון הוא תיעוד ולא נתונים שפורסמו, וההנחיות לכיוונון עדין עד כה מסתכמות בהוראות ספציפיות (להשאיר את מקודד הטקסט קפוא; לא לכוונן אותו) וכן בפרומפט לתיאור. הטענה ש-SFT פשוט פותח ייצור מבוסס-ייחוס ופלט GIF נאמרת עם "הישארו מעודכנים" מצורף.

ניתוב, מנוסח ללא הגזמה

אף אחד מהמודלים בהשוואה הזו לא נמצא בקטלוג שלנו ולא נעמיד פנים אחרת. Qwen Image 3.0 מתארח ב-Model Studio של Alibaba, וכמו שאר קו התמונות של Qwen, הוא לא משהו ש-OrcaRouter מספק. MOSS-Image הוא הורדה. הגבול כאן פשוט: איננו מארחים אף אחד מהשניים.

מה שנמצא בקטלוג שלנו הוא שאר השדה שמולם נמדדים השניים האלה — מודלי התמונות המתארחים שאיתם הייתם משווים MOSS-Image בהתארחות עצמית, נגישים במפתח API אחד במחיר המחירון של הספק עם תוספת של 0%, כך ששינוי מחיר של ספק במודל מתארח משתקף כאן באותו היום ולא בחידוש החוזה הבא. בהשוואה כמו זו, שבה צד ה-Qwen מחויב לפי תמונה וצד ה-MOSS מחויב לפי שעות GPU, הדבר המועיל ששכבת ניתוב מספקת אינו הנחה אלא מקום אחד שבו קוראים את המחיר החי של המודל המתארח ונקודת קצה אחת למעבר חלופי בין ספקים כאשר ספק במעלה הזרם מדרדר באמצע ההערכה. זו כל הטענה, והיא נעצרת לפני שהיא מציעה לכם מודל שאיננו מריצים.

איך להחליט, לפי הסדר

עבוד על אלה לפי הסדר, ובדרך כלל התשובה מתקבלת עד השאלה השלישית.

• יש לכם כרטיסי GPU, או תקציב שאתם יכולים להמיר לשעות GPU? אם לא, ההשוואה הזו נגמרה, ו-Qwen Image 3.0 הוא התשובה במחיר של כ-$0.035 לתמונה.

• האם ניתן לדעת את הפריסה שלך לפני היצירה — יש לך תבנית, גריד או קבוצת קואורדינטות? אם כן, ממשק ה-JSON של M​OSS-Image הוא המנגנון היחיד בהתמודדות הזו שמטפל ישירות בבעיה שלך, והפער של 0.88 לעומת 0.31 הוא ההוכחה לכך, גם אם היא נכתבה בידי הספק.

• האם אתה צריך לבצע כיוונון עדין, לבצע קוונטיזציה, או להריץ במנותק מרשת? אם כן, המודל הסגור אינו מועמד בשום מחיר, והעובדה ש-DMD LoRA של 4 צעדים וגרסה מזוקקת של 8 צעדים הופיעו בתוך בערך יממה מהשחרור היא מה שאתה קונה.

• האם הסקירה המשפטית שלך צריכה להסתיים במסמך? Apache 2.0 לעומת היעדר רישיון מוצהר הוא החלק הקצר ביותר בהשוואה הזו.

• האם עצמאות המדידה היא דרישה? אז אל תבחר באף אחד מהשניים בלי עבודה נוספת. המספרים העצמאיים היחידים של Q​wen Image 3.0 הם מיקומי ה-Elo של Artificial Analysis, שמציבים אותו באמצע השדה ולא סמוך לצמרת. התוצאות העיקריות של M​OSS-Image כולן מגיעות מבנצ'מרקים שהמחברים שלה בנו בעצמם.

הדבר שישנה את התשובה הכי מהר עדיין לא קיים, וזה אותו דבר עבור שני המודלים: הרצה אחת בלתי תלויה של המבחן שכל אחד מהם הכי טוב בו. עבור Q​wen Image 3.0 זה אומר מדידת פריסה ממישהו, מכיוון ש-A​libaba לא פרסמה אף אחת. עבור M​OSS-Image זה אומר שמישהו אחר מלבד OpenMOSS יריץ את LongLongTextBench, RealLayoutArena או 7Bench. עד אז, כל החלטה שתקבל היא החלטה על ארכיטקטורה, רישיון ומנגנון ולא על איכות מאומתת — שלגבי השוואה ראש בראש בין API סגור ל-checkpoint פתוח, אפשר לטעון שזה בכל מקרה הבסיס הנכון.

הכשלים המתועדים של ה-AI ותקריות הסוכנים שמאחורי גרסאות כמו זו נאספים בארכיון תקריות ה-AI של OrcaRouter, שבו כל רשומה כוללת מקורות משלה, חומרה, דירוג מהימנות ודגל מחלוקת.