Ming-Image-0.1-Design vs Qwen-Image 2.1: Lisensinya Adalah Perbedaan yang Sebenarnya

Dua model gambar terbuka hadir dengan selang tiga hari pada September 2026 dan, jika dibaca dari lembar spesifikasi, keduanya tampak seperti pembelian yang sama. Ming-Image-0.1-Design, yang dibangun oleh tim inclusionAI Ant Group, merilis bobotnya di Hugging Face pada 17 September di bawah lisensi MIT. Qwen-Image 2.1, dari tim Qwen Alibaba, menyusul pada 20 September di bawah Qwen Research License Agreement. Keduanya menghasilkan RGBA native, keduanya mengklaim output 2K, dan keduanya menyasar pembeli yang sama: tim yang menginginkan pembuatan gambar yang dapat mereka host, periksa, dan modifikasi sendiri. Dua hal yang sebenarnya membedakan keduanya adalah dua hal yang paling lemah ditunjukkan oleh lembar spesifikasi — apa yang secara hukum boleh Anda lakukan dengan hasilnya, dan seberapa banyak silikon yang dibutuhkan untuk menghasilkan satu gambar.

Itu bukanlah pembingkaian retoris. Bagi salah satu model ini, lisensinya menjadi penghalang mutlak untuk penggunaan komersial; bagi model lainnya, itu bukan masalah. Dan jumlah parameter yang dicetak setiap vendor di kotak meremehkan besarnya unduhan hingga tiga atau empat kali lipat. Kedua fakta itu menentukan keputusan pembelian jauh sebelum tolok ukur mana pun — dan kebetulan, tolok ukur tersebut sama sekali tidak dapat dibandingkan.

Apa isi sebenarnya dari setiap repositori

Tidak ada model yang merupakan satu jaringan. Keduanya adalah pipeline, dan pipeline-lah tempat ukurannya berada:

• Generator — Ming-Image-0.1-Design menghadirkan transformer desain dengan 6,15B parameter (12,31 GB dalam BF16); Qwen-Image 2.1 menghadirkan DiT single-stream 7,1B dengan 32 lapisan, attention block-causal, dan jumlah parameter aktif yang tidak diungkapkan (sekitar 14,2 GB).

• Sisi teks — Ming-Image-0.1-Design memasangkan transformernya dengan LLM multimodal 17,01B (34,02 GB) dan konektor 3,09B (6,17 GB); Qwen-Image 2.1 menggunakan encoder teks Qwen3-VL 8B (sekitar 17,5 GB).

• Total parameter — 26,44B untuk Ming-Image-0.1-Design dibandingkan sekitar 15–16B untuk Qwen-Image 2.1. Perhatikan bahwa angka andalan dari kedua vendor bukanlah total: "6B" dan "7B" keduanya hanya menggambarkan generator.

• Ukuran repositori — 52,88 GB untuk Ming-Image-0.1-Design (49,25 GiB di antaranya adalah bobot); sekitar 33 GB untuk Qwen-Image 2.1.

• Transparansi — keduanya menghasilkan RGBA native langsung dari model alih-alih melalui langkah matting pasca-hoc. Ming-Image-0.1-Design menggunakan VAE RGBA-nya sendiri; Qwen-Image 2.1 menggunakan VAE RGBA 64-kanal dengan kompresi spasial 16×.

• Generasi default — Ming-Image-0.1-Design divalidasi pada 2048×2048, 12 langkah, BF16, CFG 1.0; Qwen-Image 2.1 secara default menggunakan 2048×2048 selama 40 langkah dengan tujuh preset rasio aspek.

• Lisensi — MIT untuk Ming-Image-0.1-Design; Perjanjian Lisensi Riset Qwen, non-komersial, untuk Qwen-Image 2.1.

Label "6B" memikul beban yang sangat besar

Repositori Ant Group diberi judul seputar model 6 miliar parameter, dan transformernya benar-benar 6,15B. Namun bobot yang Anda unduh adalah 49,25 GiB, repositorinya 52,88 GB, dan konfigurasi yang divalidasi vendor — 2048×2048 pada BF16 dengan seluruh tumpukan teks residen — ditentukan untuk satu GPU CUDA 80 GiB. Itu bukan kesalahan pembulatan pada kartu 48 GB; itu adalah kartu yang tidak dapat Anda gunakan. Akselerator 48 GB tidak akan menampung pipeline tersebut, dan dua di antaranya juga tidak akan bisa tanpa akrobatik offload yang tidak didokumentasikan vendor.

Qwen-Image 2.1 adalah unduhan yang lebih bersahabat, dengan catatan bahwa Alibaba sama sekali tidak menerbitkan angka VRAM resmi apa pun. Satu-satunya panduan di kartu model adalah mengaktifkan CPU offload pada kartu yang lebih kecil. Apa yang telah diukur sejak peluncuran lebih berguna daripada apa yang telah diterbitkan: pipeline int8 berjalan sekitar 16 GiB secara total dan muat sepenuhnya residen di kartu 24 GB, sementara proses BF16 penuh dilaporkan berkisar dari sekitar 17 GB dengan CPU offload hingga puncak sekitar 40 GiB pada 1024×1024 tergantung pada bagaimana text encoder ditempatkan. Latensi satu gambar yang dilaporkan berkisar dari beberapa detik pada B200 hingga di bawah sepuluh detik pada kartu workstation terkini. Anggap setiap angka tersebut sebagai hasil pengukuran komunitas, bukan spesifikasi — angkanya bervariasi menurut strategi offload lebih besar daripada perbedaan antar model itu sendiri.

Ringkasan praktisnya: Qwen-Image 2.1 adalah model kelas 3090 jika Anda bersedia melakukan offload; Ming-Image-0.1-Design adalah model kelas pusat data tanpa konfigurasi yang lebih kecil.

Lisensi adalah persimpangan jalan

Inilah bagian yang benar-benar akan menghentikan sebuah proyek, dan inilah bagian yang paling berbeda dalam penanganannya oleh kedua rilis tersebut.

Ming-Image-0.1-Design berlisensi MIT. Rilis dalam produk berbayar, lakukan fine-tuning, distribusikan ulang bobotnya, jaga perubahan Anda tetap tertutup — tak satu pun dari itu memerlukan percakapan dengan Ant Group.

Qwen-Image 2.1 tidak demikian. Model ini membawa Qwen Research License Agreement tertanggal 20 September 2026, yang melisensikan bobotnya hanya untuk penelitian dan evaluasi. Penggunaan komersial memerlukan perjanjian terpisah dari Alibaba, dan tidak ada harga yang dipublikasikan untuk perjanjian tersebut. Karya turunan dan pendistribusian ulang harus menyertakan lisensi tersebut, pemberitahuan "Built with Qwen" atau "Improved using Qwen", serta baris hak cipta Hangzhou Tongyi Laboratory, dan "Qwen" tidak boleh menjadi nama utama model turunan. Lisensi ini diatur oleh hukum Tiongkok dengan yurisdiksi di Hangzhou.

Ada satu poin yang benar-benar memperjelas dalam tindak lanjut vendor itu sendiri: Alibaba telah menyatakan bahwa gambar yang dihasilkan bukan bagian dari "Materials" yang dilisensikan, jadi Anda tetap memegang hak atas apa yang dihasilkan model. Pembatasan itu melekat pada bobot dan modelnya, bukan pada keluaran Anda. Itu adalah pengecualian yang berarti dan layak dibaca secara saksama, karena ringkasan mudahnya — "gambarnya milik Anda, modelnya bukan" — adalah ringkasan yang benar.

Ini juga merupakan perubahan arah. Rilis Qwen-Image sebelumnya, termasuk Qwen-Image asli serta build 2511 dan 2512, tetap memakai Apache 2.0 dan permisif untuk komersial. Tim yang memilih Qwen-Image tahun lalu karena lisensinya dan melakukan upgrade ke 2.1 bulan ini akan mewarisi pembatasan khusus riset yang tidak pernah mereka setujui. Jika ketentuan yang permisif menjadi syarat, Qwen-Image 2.1 bukanlah versi yang lebih baru dari yang Anda miliki — ini adalah kesepakatan yang berbeda.

Apa yang dirancang untuk dilakukan masing-masing

Pembagian lisensi ini mencerminkan perbedaan niat, dan perbedaan itulah yang seharusnya menentukan pilihan ketika keduanya merupakan opsi yang sah bagi Anda.

Ming-Image-0.1-Design adalah alat desain. Stack teks ini ada untuk memperluas brief singkat menjadi prompt terstruktur 8K, dan vendor menyertakan "skills" di sekitarnya — Design Skill yang menghasilkan draf visual dalam sekitar 15 detik, dan PPT Skill yang ditujukan untuk keluaran berbentuk slide. Repositori pendampingnya, Ming-Image-0.1-Design-Layer, menerima desain yang telah diratakan dan mengembalikannya sebagai lapisan terpisah, yang merupakan satu-satunya kemampuan di sini yang tidak ditawarkan oleh apa pun lain di bidang terbuka. inclusionAI melaporkan model Layer berjalan sekitar 4,3× lebih cepat daripada model layer terbuka 20B pada pekerjaan yang sama (183 detik berbanding 795) — dilaporkan vendor, belum direproduksi, dan target pembandingnya tidak disebutkan cukup presisi untuk diperiksa.

Qwen-Image 2.1 adalah generator sekaligus editor. Satu checkpoint menangani teks-ke-gambar dan penyuntingan berbasis instruksi, menerima hingga 10 gambar referensi untuk satu penyuntingan, dan mendukung penyuntingan lokal yang membiarkan bagian lain dari bingkai tidak tersentuh. Ia dirilis dengan dukungan sejak hari pertama di ComfyUI, Diffusers, vLLM-Omni, SGLang-Diffusion, dan LightX2V — sebuah kisah serving yang belum dimiliki Ming-Image-0.1-Design, karena panduan serving-nya sendiri mengarah ke vLLM-Omni.

Baca itu sebagai fork, bukan peringkat. Jika tugasnya adalah "menghasilkan aset desain berlapis yang dapat diedit dari sebuah brief", Ming-Image-0.1-Design adalah satu-satunya dari keduanya yang melakukannya. Jika tugasnya adalah "menghasilkan lalu mengedit secara iteratif dengan mengacu pada referensi", Qwen-Image 2.1 melakukannya dalam satu model dan Ming-Image-0.1-Design sama sekali tidak melakukannya.

Tolok ukurnya tidak dapat dibandingkan, dan itulah jawaban yang jujur

Kedua vendor memiliki angka. Tidak satu pun dari angka-angka itu dapat diletakkan di sebelah yang lain, dan artikel mana pun yang melakukannya sedang mengarang hasil.

Bukti untuk Ming-Image-0.1-Design adalah papan Artificial Analysis: tempat pertama di Papan Peringkat Text-to-Image yang difilter ke bobot terbuka untuk Desain UI/UX, dengan Elo 1.082, di depan Ideogram 4.0 Quality pada 1.052, Ideogram 4.0 pada 1.015, HunyuanImage 3.0 Instruct pada 1.005 dan FLUX.2 [dev] pada 1.000. Vendor tersebut juga melaporkan tingkat kemenangan 67,4% pada tata letak, 67,0% pada komposisi kompleks dan 66,7% pada rendering teks, serta tempat pertama pada 12 metrik di Crello. Papan peringkat itu adalah instrumen pihak ketiga, yang menjadikan Elo sebagai bukti yang lebih kuat di antara dua jenis bukti di sini; tingkat kemenangan dan penyapuan Crello dilaporkan vendor dan harus dibaca sebagai klaim.

Bukti Qwen-Image 2.1 adalah Qwen-Image-Bench, tolok ukur yang dibangun oleh tim Qwen, di mana ia mencetak skor 60,28 dan memimpin bidang sumber terbuka, di depan Nano Banana 2.0 dengan 59,82 dan GPT Image 1.5 dengan 59,65. Materi sumber menandai tolok ukur tersebut sebagai buatan Qwen, dan tiga teratas berada dalam selisih satu poin satu sama lain — celah yang masih jauh di dalam rentang noise dari tolok ukur yang pembuatnya juga menjadi pesaing di dalamnya.

Jadi: Elo pihak ketiga pada subset desain UI/UX, terhadap skor umum yang dibuat vendor. Instrumen berbeda, tugas berbeda, juri berbeda. Tidak ada yang menerbitkan uji head-to-head kedua model ini satu sama lain, dan berdasarkan bukti yang tersedia, tidak ada yang bisa. Pembacaan yang berguna itu sempit dan layak dinyatakan secara gamblang — Ming-Image-0.1-Design memiliki koroborasi pihak ketiga khusus untuk pekerjaan desain, Qwen-Image 2.1 memiliki kekuatan yang dilaporkan vendor pada generasi dan penyuntingan umum, dan tumpang tindih antara kedua klaim itu lebih kecil daripada yang disiratkan oleh angka-angka utama.

Memasang salah satu dari keduanya ke sebuah endpoint

Tidak ada dari kedua model ini yang ada di katalog OrcaRouter saat ini. Ming-Image-0.1-Design dan Qwen-Image 2.1 keduanya merupakan opsi self-host saat ini: bobotnya dapat diunduh dan panduan serving-nya benar-benar tersedia, tetapi Anda sendiri yang harus menyiapkan GPU, dan dalam kasus Ming, GPU itu berukuran 80 GiB. Kami mencantumkannya di sini sebagai rilis open-weight, bukan sebagai rute.

Yang perlu diketahui sebelum Anda berkomitmen pada perangkat keras adalah berapa biaya beban kerja yang sama jika dijalankan sebagai panggilan. Model gambar yang kami rutekan mencakup google/gemini-2.5-flash-image, google/gemini-3-pro-image-preview, google/gemini-3.1-flash-image-preview, tiga tingkatan Imagen 4.0 (fast, standard, dan ultra), grok/grok-imagine-image, serta keluarga GPT-Image — openai/gpt-image-1, openai/gpt-image-1-mini, openai/gpt-image-1.5, dan openai/gpt-image-2. Menjalankan design brief pada salah satu dari model tersebut selama seminggu akan memberi tahu Anda apakah output layer Ming-Image-0.1-Design merupakan kemampuan yang benar-benar Anda butuhkan, dengan biaya hanya sebagian kecil dari kartu 80 GiB, dan itu pun sebelum Anda mengetahui apakah lisensi atau VRAM yang akan menjadi penghambatnya. Saat Anda benar-benar memindahkan model yang dihosting sendiri ke jalur produksi, endpoint yang sama itulah tempat routing berada — satu kunci untuk 200+ model, failover otomatis antar penyedia, dan markup 0%, sehingga pemotongan harga dari vendor langsung aktif di sisi kami pada hari yang sama saat diumumkan.

Siapa yang harus memilih yang mana?

Pilih Ming-Image-0.1-Design jika hasil yang hendak diserahkan adalah aset desain dan bukan sekadar gambar: keluaran berlapis, perluasan prompt yang terstruktur, pembuatan dengan format slide, dan lisensi yang memungkinkan Anda menjual apa pun yang Anda buat dengannya. Siapkan anggaran untuk kartu kelas serius dan terima kenyataan bahwa ekosistem penyajian di sekitarnya lebih tipis dibandingkan sisi Qwen. Ini juga yang lebih berguna di antara keduanya jika Anda perlu menyodorkan angka di hadapan pelanggan, karena bukti terkuatnya adalah satu-satunya angka pihak ketiga dalam perbandingan ini.

Pilih Qwen-Image 2.1 jika alur kerjanya adalah generate-lalu-edit, jika Anda memerlukan pengondisian gambar referensi, atau jika Anda ingin menjalankannya di perangkat keras yang sudah Anda miliki. Ukurannya lebih kecil, lebih siap dipakai sejak hari pertama, dan lisensinya memadai untuk pekerjaan riset dan evaluasi yang biasanya memang dilakukan orang lebih dahulu. Ini menjadi pilihan yang salah begitu outputnya bersifat komersial dan tinjauan hukumnya serius, karena satu-satunya jalur menuju lisensi komersial adalah perjanjian langsung dengan Alibaba dan tidak ada harga yang dipublikasikan untuk dijadikan acuan perencanaan.

Jangan pilih keduanya, tetapi jika yang Anda butuhkan adalah pembuatan gambar di produksi bulan ini. Keduanya adalah bobot, dan bobot merupakan komitmen perangkat keras dan hukum sebelum menjadi kemampuan. Pertanyaan desain — apakah keluaran berlapis mengubah apa yang dapat dirilis tim saya — dapat dijawab lebih dulu di endpoint yang dihosting, dan jawaban itulah yang harus menentukan apakah kartu 80 GiB dibeli.

Apa yang harus ditonton

Tiga hal akan mengubah perbandingan ini. Apakah Ming-Image-0.1-Design mendapatkan jalur serving di luar panduan vLLM-Omni-nya sendiri, karena itulah saat ini celah antara dirinya dan daftar lima kerangka kerja hari-nol milik Qwen-Image 2.1. Apakah Alibaba mencantumkan harga pada lisensi Qwen komersial, karena harga yang belum ditetapkan adalah faktor tunggal terbesar yang belum diketahui dalam pasangan ini. Dan apakah ada pihak — laboratorium, evaluator independen, atau vendor yang tidak punya apa-apa untuk dirugikan — mengadu keduanya satu sama lain pada prompt yang sama. Sampai itu terjadi, hal yang paling mendekati perbandingan yang adil sama sekali bukanlah skor. Itu adalah baris lisensi, dan Ming-Image-0.1-Design menang telak dalam hal itu.