Images 2.6 vs Qwen Image 3.0: Keduanya Tidak Terbuka, dan Hanya Satu yang Dulunya Terbuka

Orang yang mencari perbandingan ini biasanya menginginkan hal yang sama: alasan untuk menjalankan model gambar di GPU mereka sendiri. Qwen Image 3.0 tampak seperti jawabannya, karena lini gambar Qwen memiliki bobot terbuka hingga tiga generasi ke belakang. Ternyata bukan itu jawabannya. Qwen Image 3.0 dan Qwen Image 3.0 Pro adalah model API yang dihosting, diumumkan pada 22 Juli 2026 dan tersedia secara umum di Alibaba Cloud Model Studio sejak 4 Agustus 2026, tanpa model card, tanpa laporan teknis, dan tanpa jumlah parameter yang dipublikasikan. Garis keturunan terbukanya berhenti satu langkah lebih awal, di Qwen-Image-2.1. Sementara itu Images 2.6 — rilis OpenAI tanggal 4 November 2026 untuk GPT-Image-2.6 Sunburst dan GPT-Image-2.6 Flare — jelas tertutup, dan tidak pernah berpura-pura sebaliknya.

Jadi, cara jujur untuk membingkai perbandingan ini bukanlah terbuka versus tertutup. Ini adalah tertutup versus tertutup, dengan satu vendor yang merilis opsi terbuka enam minggu lebih awal dan vendor lain yang menjual produk lebih luas dengan animasi, keluaran vektor, dan skema tingkatan kualitas. Pertanyaan tentang bobot terbuka tetap layak dijawab, karena itulah alasan halaman ini ada, dan jawabannya adalah Qwen-Image-2.1 adalah model yang sebenarnya Anda inginkan jika hosting mandiri menjadi persyaratannya.

Posisi lisensi, dinyatakan secara hati-hati

Ini adalah topik di mana sumber sekunder justru keliru, jadi sumber acuannya lebih penting daripada kesimpulannya.

Beberapa halaman agregator — halaman perbandingan LLM Stats dan tabel AI generatif Wikipedia di antaranya — mencantumkan Qwen Image 3.0 sebagai berbobot terbuka di bawah Apache 2.0 atau "Qwen License." Daftar tersebut tampaknya merupakan artefak templat: halaman-halaman itu dihasilkan dari skema yang mengasumsikan keluarga ini terbuka, dan bertentangan dengan pelaporan yang lebih rinci. Tidak ada repositori Hugging Face, checkpoint safetensors, maupun kartu model untuk 3.0 atau 3.0 Pro yang dapat ditemukan. Pembacaan yang hati-hati, dan yang diambil artikel ini, adalah bahwa 3.0 hanya di-hosting hingga Alibaba menerbitkan bobotnya.

Yang secara jelas terbuka adalah generasi sebelumnya. Qwen-Image-2.1, yang dirilis pada September 2026, adalah diffusion transformer 7B yang dipasangkan dengan text encoder Qwen3-VL 8B, diterbitkan di bawah Qwen Research License — bukan Apache 2.0, dan tidak gratis untuk penggunaan komersial tanpa pengaturan terpisah. Bagi sebagian besar perusahaan, perbedaan itu lebih penting daripada bobotnya sendiri. Lisensi riset yang mengharuskan negosiasi sebelum Anda dapat merilis produk merupakan persoalan pengadaan yang berbeda dari unduhan Apache 2.0, dan tim yang menganggap lini gambar Qwen seragam dalam hal permisif akan mendapati ketentuannya berubah di bawah mereka.

Yang membuat Qwen Image 3.0 berada dalam posisi yang canggung. Ia lebih baik daripada 2.1 pada setiap sumbu yang diukur — lebih lanjut tentang itu di bawah — tetapi tidak dapat di-self-host, tidak dapat di-fine-tune dengan data Anda sendiri, dan tidak dapat dipatok ke checkpoint yang Anda kendalikan. Jika alasan-alasan itulah yang membuat Anda melirik lini Qwen, 3.0 tidak memenuhinya dan 2.1 merupakan penurunan versi.

Kartu skor, dengan celah di tempat yang tepat

Artificial Analysis, 5 November 2026, kedua papan peringkat:

• AA-Image-Editing v2.1 — Qwen Image 3.0 Pro pada 1.092 (peringkat 20, 13.614 sampel), Qwen Image 3.0 pada 1.069 (peringkat 29, 8.137 sampel), Qwen-Image-2.1 pada 1.081. GPT Image 2.5 Sunburst memimpin dengan 1.199.

• AA-Image-T2I v2.1 — Qwen Image 3.0 Pro pada 1.096 (peringkat 17), Qwen Image 3.0 pada 1.073 (peringkat 18), Qwen-Image-2.1 pada 1.044. GPT Image 2.5 Sunburst memimpin pada 1.224.

• Gambar 2.6 — tidak ada baris di kedua papan. Usianya sudah satu hari.

Tiga pengamatan. Pertama, selisih antara Qwen Image 3.0 Pro dan pendahulu OpenAI sekitar 100 Elo di kedua papan peringkat, yang bukan persaingan ketat. Kedua, peningkatan ke Pro memberikan tambahan 23 Elo pada teks-ke-gambar dan 23 pada penyuntingan dengan kenaikan harga yang wajar — peningkatan nyata dan konsisten, bukan sekadar tingkatan pemasaran. Ketiga, dan yang paling menarik, Qwen-Image-2.1 mengalahkan Qwen Image 3.0 di papan penyuntingan (1.081 berbanding 1.069), meskipun merupakan model open-weight yang lebih lama dan tertinggal jelas dalam pembuatan gambar. Rilis 3.0 meningkatkan pembuatan gambar dan tidak meningkatkan penyuntingan. Jika penyuntingan yang Anda butuhkan dari keluarga Qwen, model terbuka adalah pilihan yang lebih baik, yang merupakan temuan tidak biasa dan benar-benar berguna.

Interval kepercayaan cukup lebar — ±12 hingga ±13 — sehingga perbedaan penyuntingan 2.1 versus 3.0 berada di dalam derau. Namun arahnya konsisten dengan jumlah sampel dan itu menjadi alasan untuk tidak mengasumsikan bahwa angka yang lebih baru selalu berarti model yang lebih baik.

Apa yang sebenarnya menjadi keunggulan Qwen Image 3.0

Alasan untuk menggunakannya bukanlah kolom benchmark. Melainkan teks.

Klaim Alibaba untuk Qwen Image 3.0 sangat spesifik: prompt hingga sekitar 4.500 token, rendering yang terbaca hingga sekitar 10 piksel huruf, dukungan untuk 12 bahasa, hingga enam gambar per panggilan, dan output maksimum 2048 × 2048. Gambar referensi ditagih terpisah sekitar $0,003 per gambar, dan referensi yang dikirim ulang akan ditagih lagi — detail yang layak diperhatikan, karena loop penyuntingan yang mengirim referensi yang sama pada setiap giliran akan mengakumulasi biaya secara diam-diam.

Dari klaim-klaim tersebut, rendering teks multibahasa adalah yang memiliki dukungan independen terkuat. Alibaba tidak menerbitkan tolok ukur resmi untuk tier 3.0, yang dengan sendirinya merupakan sebuah pernyataan, tetapi reputasi model ini di komunitas dibangun atas gambar berteks padat: poster, mockup UI, kemasan dengan cetakan kecil, dan tipografi CJK yang ditangani dengan buruk oleh model Barat. Jika hasil kerja Anda harus memuat naskah bahasa Mandarin, Jepang, atau Korea yang terbaca dalam tata letak yang dirancang, inilah model dalam perbandingan ini yang dibuat untuk itu, dan lini OpenAI tidak memiliki klaim yang setara.

Kekuatan Images 2.6 ada di tempat lain dan bersifat struktural, bukan tipografis. Model ini menyediakan pembuatan GIF animasi di ChatGPT, ekspor SVG, penyuntingan yang dipandu markup, dan parameter kompleksitas yang menentukan seberapa banyak perencanaan yang dihabiskan model untuk sebuah permintaan. Model ini juga menambahkan gambar referensi tersimpan yang dapat digunakan kembali. Tidak satu pun dari itu merupakan fitur yang ditawarkan Qwen Image 3.0. Ekspor SVG khususnya merupakan keunggulan kategori, bukan sekadar nilai tambah: keluaran vektor untuk ikon, logo, dan diagram adalah sesuatu yang tidak dapat dihasilkan model raster mana pun dalam perbandingan ini pada pengaturan kualitas apa pun.

Biaya per gambar yang dapat digunakan, bukan per gambar

Kartu tarif tampak berdekatan sampai Anda memperhitungkan tingkat penolakan.

• Qwen Image 3.0 Standard — kira-kira $0,03 hingga $0,035 per gambar pada 1K atau 2K, atau sekitar $30 per seribu menurut daftar Artificial Analysis.

• Qwen Image 3.0 Pro — $0.04 pada 1K, $0.075 pada 2K, atau sekitar $40 per seribu. Referensi menambah sekitar $0.003 masing-masing.

• Images 2.6 — dihitung per token dengan tarif $5 per juta input teks, $8 per juta input gambar, dan $30 per juta output gambar, dengan batch sekitar setengahnya. Per gambar, itu sekitar $0,006 pada low, $0,013 pada medium, $0,053 pada high, dan $0,21 pada max, yang diturunkan dari anggaran token yang diwarisi dari generasi 2.5, bukan dari angka 2.6 yang dipublikasikan.

Di atas kertas, Qwen Image 3.0 Pro dengan harga $0.075 untuk 2K berada di antara setelan high dan xhigh milik OpenAI. Namun defisit Elo sebesar 100 poin bukanlah perbedaan kualitas yang kecil; itu berarti proporsi output yang ditolak, di-prompt ulang, atau diperbaiki secara manual jauh lebih tinggi. Jika Pro membutuhkan dua kali percobaan untuk mencapai hasil yang dapat diterima dan Images 2.6 pada setelan high hanya membutuhkan satu kali, maka biaya efektifnya adalah $0.15 berbanding $0.053 — model yang lebih murah menjadi tiga kali lebih mahal setelah Anda menghitung output yang dibuang. Perhitungan itu berlaku dua arah, itulah sebabnya saran yang jujur adalah mengukur tingkat penolakan pada prompt Anda sendiri daripada memercayai salah satu kartu tarif.

Di sinilah juga markup 0% menjadi penting secara konkret. OrcaRouter meneruskan harga daftar penyedia tanpa perubahan, sehingga angka per gambar dalam katalog kami adalah angka yang ditagihkan oleh penyedia — tidak ada selisih yang ditambahkan ke tagihan yang diukur per token, dan perubahan harga vendor tercermin pada hari yang sama alih-alih pada siklus penetapan harga ulang berikutnya. Untuk alur kerja yang biaya sebenarnya bergantung pada tingkat penolakan yang masih Anda ukur, meteran tanpa markup adalah perbedaan antara angka yang sebanding dan angka yang digelembungkan.

Keputusan open-weight, jika itu memang pertanyaan Anda yang sebenarnya

Jika self-hosting tidak dapat dinegosiasikan, semua ini tidak penting dan jawabannya singkat: jalankan Qwen-Image-2.1, terima skor penyuntingan 1.081, siapkan anggaran untuk pembicaraan Qwen Research License jika Anda sebuah perusahaan, dan jangan tunggu bobot 3.0 yang belum dipublikasikan dan mungkin tidak akan pernah ada. Pasangkan dengan model yang di-hosting untuk pekerjaan yang menjadi kelemahannya, yaitu generasi, bukan penyuntingan.

Jika self-hosting merupakan preferensi, bukan persyaratan, perhitungannya berubah. Keunggulan Qwen Image 3.0 adalah rendering teks multibahasa dan harga per gambar yang rendah. Keunggulan Images 2.6 adalah animasi, output vektor, pengeditan markup, dan baseline terukur yang jauh lebih kuat — setidaknya melalui pendahulunya. Itu adalah kekuatan yang sebagian besar tidak tumpang tindih, yang berarti keduanya dapat berada dalam pipeline yang sama tanpa bersaing: lini OpenAI untuk generasi dan gerak, lini Qwen untuk tata letak yang padat tipografi dalam bahasa yang dikacaukan oleh model-model Barat.

Menjalankan keduanya bukan masalah dua kontrak jika keduanya berbagi kunci. OrcaRouter merutekan model gambar OpenAI dengan harga daftar dengan failover otomatis, dan aturan perutean dapat mengirim permintaan ke salah satunya berdasarkan kebutuhan prompt — tanpa SDK kedua, tanpa hubungan penagihan kedua, tanpa rotasi kredensial per vendor. Itu poin operasional yang sederhana, tetapi itulah yang menentukan apakah pipeline dua model layak dibangun sama sekali.

Ke mana ini berujung

Qwen Image 3.0 adalah model yang baik dengan kisah distribusi yang belum terselesaikan. Harganya kompetitif, kemampuan rendering teks multibahasanya benar-benar kelas terbaik untuk perbandingan ini, dan kualitas terukurnya sekitar 100 Elo di belakang generasi sebelumnya dari OpenAI pada kedua papan peringkat. Bobot terbuka yang membuat lini gambar Qwen menarik secara prinsip tidak ada di 3.0, dan model yang benar-benar membawanya — Qwen-Image-2.1 — mendapat skor lebih baik dalam penyuntingan daripada 3.0.

Images 2.6 adalah produk yang lebih luas dengan posisi yang belum terukur. Segala hal tentangnya yang dapat diverifikasi merupakan klaim yang diwariskan: model harga, permukaan endpoint, struktur dua varian. Segala hal tentangnya yang baru — GIF, SVG, suntingan markup, parameter kompleksitas — belum diverifikasi oleh pengujian independen mana pun dan sebagian tidak terdokumentasi.

Satu-satunya kesimpulan yang tidak bergantung pada tolok ukur yang hilang adalah soal lisensi, dan itulah alasan sebagian besar pembaca datang: jika Anda membutuhkan bobotnya, bobot itu tidak ada di sini, dan juga tidak ada di 3.0. Periksa organisasi Hugging Face sebelum Anda merencanakan berdasarkan checkpoint. Itu telah menjadi sinyal yang andal untuk keluarga ini sepanjang tahun, dan saat ini berhenti di 2.1.