MOSS-Image vs Qwen Image 3.0: Satu Lab Beralih ke Tertutup, yang Lain ke Terbuka

Q​wen Image 3.0 dan M​OSS-Image dirilis oleh lab Tiongkok dengan selisih delapan minggu dan keduanya mengambil posisi berseberangan pada satu pertanyaan yang menentukan apa yang bisa Anda bangun. A​libaba merilis Q​wen Image 3.0 pada 21 Juli 2026 dan menjadikannya tersedia secara umum pada 5 Agustus — tertutup, tanpa bobot, tanpa kartu model, tanpa laporan teknis, hanya dapat diakses melalui API yang dihosting dalam edisi Pro dan Standard. OpenMOSS merilis M​OSS-Image pada 16 Oktober 2026 sebagai bobot terbuka Apache 2.0 yang mencakup checkpoint maupun pipeline inferensi mandiri. Ada jebakan penamaan di sisi Q​wen yang perlu diketahui sebelum hal lain: Q​wen-Image 2.1, dirilis pada 20 September 2026, lebih baru daripada Q​wen-Image 3.0 dan keduanya adalah lini produk terpisah yang berbagi satu nomor.

Jika dinyatakan begitu, perbandingan ini tampak seperti argumen terbuka versus tertutup, dan sebagian memang begitu. Tetapi perbedaan yang lebih menarik bukanlah lisensi. Perbedaannya terletak pada kenyataan bahwa Q​wen Image 3.0 dan M​OSS-Image mengajukan klaim terkuat mereka tentang kemampuan yang sama — membuat teks dan tata letak benar-benar tepat — dan keduanya memiliki mekanisme yang sama sekali berbeda untuk itu, salah satunya dapat Anda periksa dan yang satu lagi tidak.

Apa yang sebenarnya diklaim Qwen Image 3.0

Qwen Image 3.0 adalah model hosted tertutup yang menyediakan pembuatan dan pengeditan gambar melalui satu API, dalam edisi Standard dan Pro. Materi peluncuran Alibaba menyampaikan empat janji spesifik: prompt hingga sekitar 4.500 token, teks dalam gambar yang terbaca hingga sekitar 10 piksel, cakupan 12 bahasa di lebih dari 20 font, dan output hingga 2048×2048 dengan hingga enam gambar per panggilan. Tidak ada jumlah parameter yang dipublikasikan, dan angka ~20B MMDiT yang banyak diulang dilaporkan, bukan dikonfirmasi oleh Alibaba.

Harganya sekitar $0,035 per gambar di Model Studio milik Alibaba, dengan Artificial Analysis memperkirakan sekitar $30 per 1.000 gambar untuk Standard dan $40 per 1.000 untuk Pro. Posisi terukurnya berada di papan tengah, bukan di posisi terdepan: Elo 1.077 untuk text-to-image, peringkat keenam belas; 1.088 untuk edisi Pro pada penyuntingan, peringkat keempat belas; dan 1.048 untuk Standard pada penyuntingan, peringkat kedua puluh satu. Itu adalah angka Artificial Analysis, yang menjadikannya satu-satunya angka yang dihasilkan secara independen dalam keseluruhan perbandingan ini — MOSS-Image sama sekali tidak memiliki entri Artificial Analysis.

Tiga hal didokumentasikan tentang perilaku penyuntingannya, dan kelangkaan itulah intinya. Pro mendukung 1–3 gambar masukan. Jalur penyuntingan yang didokumentasikan mencakup penulisan ulang lokal, perluasan konten, transfer gaya, dan pembuatan multi-sudut kamera, tanpa alur kerja berbasis mask yang dipublikasikan. Tidak ada klaim transparansi sama sekali dalam pengumuman itu — tidak ada pembuatan RGBA, tidak ada penyuntingan lapisan transparan, tidak ada ekstraksi subjek ke kanal alfa.

Yang secara mencolok tidak ada dari setiap halaman Alibaba adalah pengukuran presisi tata letak apa pun. Qwen Image 3.0 mengklaim teks dapat terbaca pada 10 piksel dan tidak mengatakan apa pun tentang di mana teks itu ditempatkan.

Apa yang diklaim M​OSS-Image, dan perbedaan dalam jenisnya

MOSS-Image adalah transformer difusi single-stream 5B — 42 blok gabungan, lebar tersembunyi 3.072, 24 head pada 128 dimensi, feed-forward SiTU-GLU selebar 8.192, pengodean posisi rotary empat sumbu — dengan encoder teks Qwen3.5-9B yang dibekukan dan VAE FLUX.2 yang dibekukan yang dimuat dari FLUX.2-klein-4B. Unduhan SFT berukuran sekitar 27,2 GB, kira-kira 16,8 GB di antaranya adalah encoder.

Perbedaan kemampuan ini bukan soal derajat. Klaim teks Q​wen Image 3.0 adalah tentang keterbacaan — dapatkah model merender karakter cukup kecil untuk bisa dibaca. Klaim M​OSS-Image adalah tentang penempatan — dapatkah ia menempatkan string tertentu pada koordinat tertentu. Keduanya terdengar serupa, padahal tidak. Model yang merender teks dengan indah tetapi menempatkan judul utama Anda membentang di foto produk telah gagal pada tugas yang berbeda dibanding model yang merender glif sedikit lebih lembut di kotak yang tepat.

Mekanisme MOSS-Image untuk penempatan adalah Anda menyediakan tata letak sebagai data. Prompt dapat berupa objek JSON yang membawa kotak pembatas dalam koordinat piksel absolut yang diukur dari pusat kanvas, string teks literal, dan catatan tipografi, dengan bbox_format "yxyx". Ablasi milik vendor sendiri adalah bukti paling jelas mengapa antarmuka ini penting: pada RealLayoutArena, prompt tata letak JSON memperoleh skor 1.622,87 pada sistem yang sama di mana prompt bahasa alami memperoleh skor 1.506,20. Pada 7Bench, yang juga diperkenalkan oleh laporan ini, MOSS-Image melaporkan IoU tata letak rata-rata 0,88 dengan AUC Tata Letak 0,70 — tabel yang sama menempatkan Qwen Image 3.0 Pro pada 0,31 dan AUC bidang 0,16 hingga 0,20.

Angka 0,88 berbanding 0,31 adalah selisih tunggal terbesar dalam perbandingan ini dan juga angka yang paling tidak dapat dipercaya di dalamnya. OpenMOSS menulis tolok ukur itu, menjalankan kedua model pada tolok ukur tersebut, dan menerbitkan hasilnya. Penulis Qwen Image 3.0 tidak menerbitkan metrik tata letak sama sekali, jadi tidak ada apa pun untuk memeriksanya — bukan angka yang lebih rendah, bukan bantahan, tidak ada apa-apa. Asimetri itu layak disebut: keunggulan satu lab pada tes yang mereka susun sendiri dibandingkan dengan kesunyian lab lain.

Dimensinya, berdampingan

• Rilis — Qwen Image 3.0 diluncurkan 21 Juli 2026, GA 5 Agustus 2026; MOSS-Image dirilis 16 Oktober 2026

• Lisensi — Qwen Image 3.0 bersifat tertutup, tanpa bobot, tanpa lisensi yang dinyatakan, tanpa kartu model, dan tanpa laporan teknis; MOSS-Image adalah Apache 2.0 untuk bobot dan kode pipeline mandiri, tanpa ambang pendapatan

• Harga — Qwen Image 3.0 sekitar $0,035 per gambar di Model Studio, dengan Artificial Analysis memperkirakan ~$30 per 1.000 Standard dan ~$40 per 1.000 Pro; MOSS-Image gratis diunduh pada ~27,2 GB ditambah waktu GPU Anda sendiri

• Edisi — Qwen Image 3.0 hadir dalam versi Standard dan Pro dengan peringkat penyuntingan yang berbeda; MOSS-Image menyediakan checkpoint Base dan SFT, dengan Base sengaja dibiarkan tidak didistilasi agar fine-tune memiliki sesuatu untuk digarap

• Batas maksimum prompt — Q​wen Image 3.0 sekitar 4.500 token; M​OSS-Image 4.096 token pada tahap prapelatihan akhir

• Rendering teks — Q​wen Image 3.0 mengklaim teks yang terbaca hingga sekitar 10 piksel di 12 bahasa dan 20+ font; M​OSS-Image melaporkan 96.3 Mean-6 pada LongLongTextBench, dengan rincian 97.1 bahasa Inggris dan 92.4 bahasa Mandarin, dibandingkan 64.9 milik Q​wen-Image-2512 dalam tabel yang sama

• Kontrol tata letak — MOSS-Image menerima tata letak JSON dalam koordinat absolut relatif terhadap pusat dan mengklaim IoU rata-rata 0,88 pada 7Bench, sedangkan Qwen Image 3.0 Pro tercatat 0,31; Alibaba tidak menerbitkan metrik tata letak

• Gambar referensi — Qwen Image 3.0 Pro mendokumentasikan 1–3 gambar masukan dan hingga enam gambar per panggilan; pengondisian referensi MOSS-Image adalah sumbu yang dicadangkan dalam skema posisinya, yang digambarkan sebagai berorientasi ke depan alih-alih sudah dirilis

• Pengeditan — Qwen Image 3.0 mencakup penulisan ulang lokal, perluasan, transfer gaya, dan pembuatan multi-sudut kamera melalui satu API; laporan MOSS-Image tidak menyajikan pengeditan sebagai permukaan produk

• Transparansi — Pengumuman Qwen Image 3.0 tidak memuat klaim transparansi; VAE milik MOSS-Image menggunakan 32 kanal laten dan pipeline-nya mengekspos representasi laten, meskipun keluaran RGBA bukanlah fitur yang diklaim vendor

• Skor independen — Q​wen Image 3.0 pada Elo 1.077 untuk text-to-image (ke-16) dan 1.088 Pro untuk editing (ke-14) menurut Artificial Analysis; M​OSS-Image tidak memiliki skor independen

• Ekosistem — Qwen Image 3.0 memiliki API; MOSS-Image memiliki pipeline kustom Diffusers, aplikasi Gradio, plugin ComfyUI yang dapat dipasang melalui ComfyUI Manager, dan pull request vLLM-Omni yang masih terbuka dan masih dalam peninjauan

Argumen yang menentukan sebagian besar tim

Qwen Image 3.0 bukan model yang lemah, dan bukan pula mahal. Dengan biaya sekitar tiga setengah sen per gambar dengan jendela prompt 4.500 token, keluaran 2K, dan panggilan multi-gambar, ini sepenuhnya masuk akal untuk diletakkan di balik fitur produk sore ini. Jika kebutuhan Anda adalah "menghasilkan gambar yang bagus dari deskripsi ini, kadang-kadang dengan gambar referensi, dengan biaya per unit yang dapat diprediksi," model tertutup menang dalam hal waktu hingga permintaan pertama dan mungkin dalam hal biaya total, karena para engineer Anda tidak pernah menyentuh GPU.

MOSS-Image menang pada sumbu yang berbeda, dan itu adalah sesuatu yang tidak dapat ditawarkan API mana pun, berapa pun harganya: Anda dapat memeriksa hal yang menentukan hasil. Spesifikasi tata letak adalah data. Spesifikasi itu dapat dihasilkan oleh kode Anda, dikendalikan versinya di repositori yang sama seperti semua hal lainnya, di-diff saat seseorang mengubah templatnya, divalidasi terhadap skema sebelum mencapai model, dan ditinjau oleh manusia yang menyetujui komposisi sebelum satu piksel pun dirender. Tak satu pun dari itu mungkin terjadi ketika pemetaan dari prompt ke tata letak berlangsung di dalam endpoint yang dihosting yang tidak dapat Anda lihat isinya.

Itu adalah perbedaan arsitektural yang nyata dan pemasarannya buruk, karena "kamu bisa melakukan unit test pada prompt-mu" bukanlah demo yang difilmkan siapa pun. Tapi itulah perbedaan antara pipeline yang kegagalannya bisa di-debug dan pipeline yang kegagalannya menghasilkan tiket dukungan. Ketika MOSS-Image menempatkan headline di tempat yang salah, kamu bisa membaca JSON yang kamu kirim dan melihat koordinat yang salah. Ketika model yang dihosting melakukannya, kamu punya prompt yang terlihat baik-baik saja dan gambar yang tidak.

Ada fakta pembeda kedua yang tidak dijadikan poin utama oleh kedua vendor. Aspek-aspek yang tidak diungkap Qwen Image 3.0 konsisten: tidak ada jumlah parameter, tidak ada arsitektur, tidak ada deskripsi data pelatihan, tidak ada tabel benchmark, tidak ada laporan teknis, dan tidak ada metrik tata letak. Sebagai perbandingan, laporan MOSS-Image justru terlalu rinci — tahap pelatihan resolusi progresif dengan jumlah langkah, korpus turunan ReLAION yang dipangkas dari sekitar 5 miliar menjadi 3 miliar gambar, pengoptimal hibrida Muon–AdamW dengan ablasi yang menunjukkan 33,2% dan 28,6% lebih sedikit langkah untuk mencapai loss yang sama dibandingkan AdamW pada dua checkpoint. Sebagian detail itu hanya tersedia karena modelnya terbuka, tetapi laporan itu ditulis atas pilihan sendiri, dan itulah perbedaan antara sebuah produk dan sebuah publikasi.

Di mana klaim keterbukaan memiliki batas

Tiga hal tentang keterbukaan M​OSS-Image yang patut diperiksa, bukan diasumsikan.

Yang pertama bersifat operasional. Bobot terbuka tanpa jalur serving yang sudah di-merge adalah proposisi yang berbeda dari bobot terbuka yang memilikinya. Pull request vLLM-Omni yang menambahkan MOSS-Image dengan panduan skip-layer — [Model] Tambahkan MOSImage teks-ke-gambar dengan SLG — dibuka pada 14 Oktober dengan 3.605 baris tambahan di 25 berkas dan masih terbuka, dengan peninjau meminta bukti paritas keluaran terhadap implementasi referensi yang dipatok. Rilis terbaru vLLM-Omni yang dipublikasikan adalah v0.31.0rc1, bertanggal 6 Oktober. Tidak ada versi yang telah dirilis yang memuat model tersebut, dan pembingkaian "dukungan Hari 0" yang beredar pada hari rilis menggambarkan cabang yang dapat Anda bangun, bukan paket yang dapat Anda pasang.

Yang kedua adalah bahwa hasil terkuat dalam laporan ini bukan berasal dari model tunggal. Modul peningkatan prompt, LayoutPE, dinyatakan menggunakan GPT-6 dengan instruksi tugas modular pada waktu inferensi, dan keterampilan peningkat prompt bawaan dijelaskan sebagai dirancang untuk agen keluarga GPT-6. Elo end-to-end utama sebesar 1.698,70 — kedua setelah GPT Image 2 sebesar 1.844,35 — karena itu dihasilkan oleh pipeline dua model yang separuh spesifikasinya merupakan API milik pihak lain. Jika dibaca sebagai ukuran generator semata, angka itu menjadi terlalu tinggi.

Yang ketiga adalah fine-tuning. Base sengaja dibiarkan tanpa distilasi — kartu model menyatakan bahwa model ini "belum menjalani pasca-pelatihan atau distilasi parameter inferensi seperti CFG" — khususnya agar LoRA punya sesuatu untuk dicengkeram, yang merupakan komitmen tulus, bukan sekadar gestur lisensi. Namun resep pelatihannya berupa dokumentasi, bukan data yang dirilis, dan panduan fine-tuning sejauh ini hanya berupa instruksi spesifik (pertahankan text encoder tetap dibekukan; jangan fine-tune encoder tersebut) ditambah prompt captioning. Klaim bahwa SFT sederhana membuka generasi berbasis referensi dan keluaran GIF disampaikan dengan tambahan "stay tuned".

Perutean, dinyatakan tanpa melebih-lebihkan

Tidak ada model dalam perbandingan ini yang ada di katalog kami dan kami tidak akan berpura-pura sebaliknya. Qwen Image 3.0 berada di Model Studio milik Alibaba dan, seperti halnya lini gambar Qwen lainnya, bukan sesuatu yang dilayani OrcaRouter. MOSS-Image adalah unduhan. Batasnya di sini sederhana: kami tidak menghosting satu pun dari keduanya.

Apa yang ada di katalog kami adalah sisa dari bidang yang menjadi tolok ukur kedua model ini — model gambar hosted yang akan Anda gunakan sebagai tolok ukur untuk M​OSS-Image yang di-host sendiri, dapat diakses dengan satu kunci API pada harga daftar penyedia dengan markup 0%, sehingga perubahan harga vendor pada model hosted tercermin di sini pada hari yang sama, bukan pada pembaruan kontrak berikutnya. Untuk perbandingan seperti ini, yang mana sisi Q​wen ditagih per gambar dan sisi M​OSS ditagih dalam jam GPU, hal berguna yang disediakan lapisan perutean bukanlah diskon, melainkan satu tempat untuk membaca harga hosted secara langsung dan satu endpoint untuk failover lintas penyedia ketika salah satu upstream menurun di tengah evaluasi. Itulah seluruh klaimnya, dan itu tidak sampai menawarkan model yang tidak kami jalankan.

Bagaimana memutuskan, secara berurutan

Kerjakan ini secara berurutan dan jawabannya biasanya muncul dengan sendirinya pada pertanyaan ketiga.

• Apakah Anda memiliki GPU, atau anggaran yang dapat Anda ubah menjadi jam GPU? Jika tidak, perbandingan ini selesai dan Qwen Image 3.0 adalah jawabannya dengan biaya sekitar $0,035 per gambar.

• Apakah tata letak Anda dapat diketahui sebelum generasi — apakah Anda memiliki templat, grid, atau sekumpulan koordinat? Jika ya, antarmuka JSON MOSS-Image adalah satu-satunya mekanisme dalam perbandingan ini yang menangani masalah Anda secara langsung, dan selisih 0,88 berbanding 0,31 adalah buktinya, meskipun berasal dari vendor.

• Apakah Anda perlu melakukan fine-tuning, kuantisasi, atau menjalankannya secara air-gapped? Jika ya, model tertutup bukan kandidat pada harga berapa pun, dan fakta bahwa DMD LoRA 4 langkah serta varian terdistilasi 8 langkah muncul dalam waktu sekitar satu hari setelah rilis adalah hal yang Anda ikuti.

• Apakah tinjauan hukum Anda perlu berakhir dalam sebuah dokumen? Apache 2.0 versus tanpa lisensi yang dinyatakan adalah bagian terpendek dari perbandingan ini.

• Apakah independensi pengukuran merupakan persyaratan? Maka jangan pilih salah satu pun tanpa upaya lebih lanjut. Satu-satunya angka independen Q​wen Image 3.0 adalah posisi Elo Artificial Analysis, yang menempatkannya di pertengahan peserta, bukan di dekat puncak. Hasil utama M​OSS-Image semuanya berasal dari tolok ukur yang dibangun oleh penulisnya sendiri.

Hal yang akan paling cepat mengubah jawabannya belum ada, dan hal itu sama untuk kedua model: satu kali eksekusi independen atas tes yang paling dikuasai masing-masing. Untuk Q​wen Image 3.0, itu berarti pengukuran tata letak dari siapa pun, karena A​libaba belum menerbitkan satu pun. Untuk M​OSS-Image, itu berarti pihak lain selain OpenMOSS yang menjalankan LongLongTextBench, RealLayoutArena, atau 7Bench. Sampai saat itu, apa pun yang Anda putuskan, Anda memutuskan berdasarkan arsitektur, lisensi, dan mekanisme, bukan berdasarkan kualitas yang terverifikasi — yang untuk perbandingan langsung antara API tertutup dan checkpoint terbuka bisa dibilang tetap merupakan dasar yang tepat.

Kegagalan AI yang terdokumentasi dan insiden agen di balik rilis seperti ini dikumpulkan dalam the OrcaRouter AI Incident Archive, tempat setiap entri membawa sumbernya sendiri, tingkat keparahan, peringkat keyakinan, dan penanda sengketa.