MOSS-Image contro Qwen Image 3.0: un laboratorio è passato al modello chiuso, l'altro a quello aperto

Qwen Image 3.0 e MOSS-Image sono stati rilasciati da laboratori cinesi a otto settimane di distanza e hanno preso posizioni opposte sull'unica questione che decide ciò che puoi costruire. Alibaba ha pubblicato Qwen Image 3.0 il 21 luglio 2026 e l'ha portato alla disponibilità generale il 5 agosto — chiuso, nessun peso, nessuna model card, nessun report tecnico, raggiungibile solo tramite un'API ospitata nelle edizioni Pro e Standard. OpenMOSS ha rilasciato MOSS-Image il 16 ottobre 2026 con pesi aperti Apache 2.0 che coprono sia i checkpoint sia la pipeline di inferenza autonoma. C'è una trappola di denominazione sul versante Qwen che vale la pena conoscere prima di ogni altra cosa: Qwen-Image 2.1, rilasciato il 20 settembre 2026, è più recente di Qwen-Image 3.0 e le due sono linee di prodotto separate che condividono un numero.

Detta così, il confronto sembra una disputa tra aperto e chiuso, e in parte lo è. Ma la differenza più interessante non è la licenza. È che Q​wen Image 3.0 e M​OSS-Image avanzano le loro affermazioni più forti sulla stessa capacità — ottenere testo e layout esattamente giusti — e hanno meccanismi del tutto diversi per farlo, uno dei quali puoi ispezionare e uno che non puoi.

Cosa afferma davvero Qwen Image 3.0

Qwen Image 3.0 è un modello hosted chiuso che offre generazione e modifica di immagini tramite un'unica API, in edizioni Standard e Pro. Il materiale di lancio di Alibaba fa quattro promesse specifiche: prompt fino a circa 4.500 token, testo leggibile all'interno dell'immagine fino a circa 10 pixel, copertura di 12 lingue con oltre 20 font e output fino a 2048×2048 con un massimo di sei immagini per chiamata. Non è stato pubblicato alcun numero di parametri, e la cifra di circa 20B MMDiT, ampiamente ripetuta, è riportata ma non confermata da Alibaba.

Il prezzo è di circa 0,035 $ per immagine su Model Studio di Alibaba, con Artificial Analysis che stima circa 30 $ per 1.000 immagini per Standard e 40 $ per 1.000 per Pro. La sua posizione misurata è a metà classifica anziché in testa: Elo 1.077 per text-to-image, al sedicesimo posto; 1.088 per l'edizione Pro sull'editing, al quattordicesimo; e 1.048 per Standard sull'editing, al ventunesimo. Questi sono dati di Artificial Analysis, il che li rende gli unici numeri prodotti in modo indipendente in questo intero confronto — MOSS-Image non ha alcuna voce in Artificial Analysis.

Tre cose sono documentate sul suo comportamento di editing, e la scarsità è il punto. Pro supporta 1–3 immagini di input. Il percorso di editing documentato copre riscrittura locale, espansione dei contenuti, trasferimento di stile e generazione multi-angolo, senza alcun flusso di lavoro basato su maschere pubblicato. Non c'è affatto alcuna dichiarazione di trasparenza nell'annuncio — nessuna generazione RGBA, nessuna modifica di livelli trasparenti, nessuna estrazione del soggetto su un canale alfa.

Ciò che è vistosamente assente da ogni pagina Alibaba è qualsiasi misurazione della precisione del layout. Qwen Image 3.0 sostiene che il testo sia leggibile a 10 pixel e non dice nulla su dove quel testo finisca.

Ciò che M​OSS-Image sostiene, e la differenza di natura

MOSS-Image è un transformer di diffusione single-stream da 5B — 42 blocchi congiunti, larghezza nascosta 3.072, 24 teste da 128 dimensioni, feed-forward SiTU-GLU largo 8.192, codifica posizionale rotatoria a quattro assi — con un text encoder Qwen3.5-9B congelato e un VAE FLUX.2 congelato caricato da FLUX.2-klein-4B. Il download SFT è di circa 27,2 GB, di cui circa 16,8 GB sono l'encoder.

La differenza di capacità non è una questione di grado. L'affermazione di Qwen Image 3.0 sul testo riguarda la leggibilità: il modello riesce a renderizzare caratteri abbastanza piccoli da poter essere letti. L'affermazione di MOSS-Image riguarda il posizionamento: riesce a collocare una stringa specificata a una coordinata specificata. Sembrano simili, ma non lo sono. Un modello che renderizza il testo in modo splendido ma mette il tuo titolo sopra la foto del prodotto ha fallito in un compito diverso rispetto a uno che renderizza glifi leggermente più morbidi esattamente nel riquadro giusto.

Il meccanismo di MOSS-Image per il posizionamento consiste nel fornire il layout come dati. Il prompt può essere un oggetto JSON contenente bounding box in coordinate pixel assolute misurate dal centro della tela, stringhe di testo letterali e note tipografiche, con bbox_format "yxyx". L'ablation dello stesso fornitore è la prova più chiara di perché l'interfaccia conti: su RealLayoutArena, i prompt di layout in JSON ottengono 1.622,87 sullo stesso sistema in cui i prompt in linguaggio naturale ottengono 1.506,20. Su 7Bench, che il report introduce anch'esso, MOSS-Image riporta un IoU medio di layout di 0,88 con un Layout AUC di 0,70 — la stessa tabella colloca Qwen Image 3.0 Pro a 0,31 e un field AUC da 0,16 a 0,20.

Quel 0,88 contro 0,31 è il più grande divario singolo in questo confronto ed è anche il numero meno affidabile al suo interno. OpenMOSS ha scritto il benchmark, ha eseguito entrambi i modelli su di esso e ha pubblicato il risultato. Gli autori di Qwen Image 3.0 non hanno pubblicato alcuna metrica di layout, quindi non c'è nulla con cui verificarlo — non un numero inferiore, non una contestazione, nulla. Vale la pena dare un nome a questa asimmetria: il vantaggio di un laboratorio su un test di cui è autore viene confrontato con il silenzio di un altro laboratorio.

Le dimensioni, a confronto

• Rilascio — Qwen Image 3.0 lanciato il 21 luglio 2026, disponibilità generale il 5 agosto 2026; MOSS-Image rilasciato il 16 ottobre 2026

• Licenze — Q​wen Image 3.0 è closed, senza pesi, nessuna licenza dichiarata, nessuna model card e nessun report tecnico; M​OSS-Image è Apache 2.0 per i pesi e per il codice della pipeline standalone, senza soglia di ricavi

• Prezzo — Qwen Image 3.0 circa $0,035 per immagine su Model Studio, con Artificial Analysis che stima ~$30 per 1.000 Standard e ~$40 per 1.000 Pro; MOSS-Image gratuito da scaricare a ~27,2 GB più il tempo della propria GPU

• Edizioni — Q​wen Image 3.0 è disponibile nelle versioni Standard e Pro con diversi livelli di editing; M​OSS-Image è disponibile con checkpoint Base e SFT, dove Base è volutamente lasciato non distillato affinché i fine-tuning abbiano qualcosa su cui fare presa

• Limite massimo del prompt — Q​wen Image 3.0 circa 4.500 token; M​OSS-Image 4.096 token nella fase finale di pre-addestramento

• Rendering del testo — Q​wen Image 3.0 dichiara testo leggibile fino a circa 10 pixel in 12 lingue e oltre 20 font; M​OSS-Image riporta 96.3 Mean-6 su LongLongTextBench, con 97.1 in inglese e 92.4 in cinese, contro il 64.9 di Q​wen-Image-2512 nella stessa tabella

• Controllo del layout — MOSS-Image accetta layout JSON in coordinate assolute relative al centro e dichiara 0,88 IoU medio su 7Bench, dove Qwen Image 3.0 Pro è elencato a 0,31; Alibaba non pubblica alcuna metrica di layout

• Immagini di riferimento — Q​wen Image 3.0 Pro documenta da 1 a 3 immagini di input e fino a sei immagini per chiamata; il condizionamento di riferimento di M​OSS-Image è un asse riservato nel suo schema posizionale, descritto come prospettico anziché già rilasciato.

• Editing — Q​wen Image 3.0 copre la riscrittura locale, l'espansione, il trasferimento di stile e la generazione multi-angolo attraverso un'unica API; il report di M​OSS-Image non presenta l'editing come una superficie di prodotto

• Trasparenza — L'annuncio di Qwen Image 3.0 non contiene alcuna dichiarazione di trasparenza; il VAE di MOSS-Image utilizza 32 canali latenti e la pipeline espone la rappresentazione latente, sebbene l'output RGBA non sia una funzionalità dichiarata dal fornitore

• Punteggio indipendente — Qwen Image 3.0 a Elo 1.077 nel text-to-image (16°) e 1.088 Pro nell'editing (14°) secondo Artificial Analysis; MOSS-Image non ha un punteggio indipendente

• Ecosistema — Qwen Image 3.0 ha un'API; MOSS-Image ha una pipeline personalizzata Diffusers, un'app Gradio, un plugin ComfyUI installabile tramite ComfyUI Manager e una pull request per vLLM-Omni aperta e ancora in revisione

L'argomento che decide la maggior parte delle squadre

Qwen Image 3.0 non è un modello debole e non è costoso. A circa tre centesimi e mezzo per immagine con una finestra di prompt di 4.500 token, output 2K e chiamate multi-immagine, è una cosa del tutto ragionevole da mettere dietro una funzionalità di prodotto questo pomeriggio. Se il tuo requisito è "generare buone immagini di questa descrizione, a volte con un'immagine di riferimento, a un costo prevedibile per unità", il modello closed vince sul tempo alla prima richiesta e possibilmente sul costo totale, perché i tuoi ingegneri non toccano mai una GPU.

MOSS-Image vince su un asse diverso, e si tratta di un asse che nessuna API può offrire indipendentemente dal prezzo: puoi ispezionare la cosa che decide l'output. Una specifica di layout è un dato. Può essere generata dal tuo codice, sottoposta a controllo di versione nello stesso repository di tutto il resto, confrontata tramite diff quando qualcuno modifica il template, validata rispetto a uno schema prima di raggiungere il modello e revisionata da una persona che approva la composizione prima che venga renderizzato un singolo pixel. Niente di tutto questo è possibile quando la mappatura dal prompt al layout avviene all'interno di un endpoint ospitato in cui non puoi vedere.

Questa è una vera differenza architetturale e si vende male, perché "puoi fare unit test del tuo prompt" non è una demo che qualcuno filma. Ma è la differenza tra una pipeline i cui guasti sono debuggabili e una i cui guasti producono un ticket di supporto. Quando M​OSS-Image mette il titolo nel posto sbagliato, puoi leggere il JSON che hai inviato e vedere la coordinata sbagliata. Quando lo fa un modello ospitato, hai un prompt che sembrava a posto e un'immagine che non lo è.

C'è un secondo fatto distintivo che nessuno dei due fornitori mette in evidenza. Le aree silenziose di Q​wen Image 3.0 sono coerenti: nessun numero di parametri, nessuna architettura, nessuna descrizione dei dati di addestramento, nessuna tabella di benchmark, nessun rapporto tecnico e nessuna metrica di layout. Il rapporto di M​OSS-Image è invece sovradettagliato — fasi progressive di addestramento a risoluzione con conteggi dei passi, un corpus derivato da ReLAION ridotto da circa 5 miliardi a 3 miliardi di immagini, un ottimizzatore ibrido Muon–AdamW con un'ablazione che mostra, a due checkpoint, il 33,2% e il 28,6% di passi in meno per raggiungere la stessa perdita rispetto ad AdamW. Parte di quel dettaglio è disponibile solo perché il modello è aperto, ma il rapporto è stato scritto per scelta, ed è la differenza tra un prodotto e una pubblicazione.

Dove la pretesa di apertura ha dei limiti

Tre cose sull'apertura di MOSS-Image meritano di essere verificate anziché date per scontate.

Il primo è operativo. Pesi aperti senza un percorso di serving integrato sono una questione diversa rispetto a pesi aperti con uno. La pull request di vLLM-Omni che aggiunge MOSS-Image con skip-layer guidance — [Modello] Aggiungi MOSImage text-to-image con SLG — è stata aperta il 14 ottobre con 3.605 righe aggiunte su 25 file e rimane aperta, con il revisore che chiede prove di parità dell'output rispetto a un'implementazione di riferimento fissata. L'ultima release pubblicata di vLLM-Omni è v0.31.0rc1, datata 6 ottobre. Nessuna versione rilasciata contiene il modello, e la dicitura "supporto dal Day 0" che circolava il giorno del rilascio descrive un ramo che puoi compilare anziché un pacchetto che puoi installare.

Il secondo punto è che il risultato più forte del report non è quello di un singolo modello. Il modulo di potenziamento del prompt, LayoutPE, viene indicato come utilizzante G​PT-6 con istruzioni di attività modulari in fase di inferenza, e la skill di potenziamento del prompt inclusa è descritta come progettata per agenti della famiglia G​PT-6. L'Elo end-to-end di punta di 1.698,70 — secondo dietro l'1.844,35 di GPT Image 2 — è quindi prodotto da una pipeline a due modelli la cui metà relativa alle specifiche è l'API di qualcun altro. Se letto come misura del solo generatore, quel numero è gonfiato.

Il terzo è il fine-tuning. Base è stato deliberatamente lasciato non distillato — la model card afferma che «non ha subito alcun post-training o distillazione dei parametri di inferenza come CFG» — proprio perché i LoRA abbiano qualcosa su cui fare presa, il che è un impegno genuino piuttosto che un gesto di licenza. Ma la ricetta di addestramento è documentazione anziché dati rilasciati, e le indicazioni sul fine-tuning finora si riducono a istruzioni specifiche (mantenere il text encoder congelato; non sottoporlo a fine-tuning) più un prompt di didascalia. L'affermazione che un semplice SFT sblocchi la generazione basata su riferimento e l'output GIF è presentata con un «stay tuned» allegato.

Routing, detto senza esagerare

Nessuno dei due modelli in questo confronto è presente nel nostro catalogo e non fingeremo il contrario. Q​wen Image 3.0 risiede su Model Studio di A​libaba e, come il resto della linea di immagini Q​wen, non è tra i modelli serviti da OrcaRouter. M​OSS-Image è un download. Il confine qui è semplice: non ospitiamo nessuno dei due.

Quello che c'è su il nostro catalogo è il resto del campo rispetto al quale questi due vengono misurati — i modelli di immagini ospitati con cui metteresti a confronto un M​OSS-Image self-hosted, raggiungibili con una sola chiave API al prezzo di listino del provider con 0% di ricarico, così una variazione di prezzo del fornitore su un modello ospitato si riflette qui lo stesso giorno anziché al prossimo rinnovo contrattuale. Per un confronto come questo, in cui il lato Q​wen viene fatturato per immagine e il lato M​OSS viene fatturato in ore GPU, la cosa utile che offre un livello di routing non è uno sconto ma un unico posto in cui leggere il prezzo live del modello ospitato e un unico endpoint per eseguire il failover tra provider quando un upstream si degrada a metà valutazione. Questo è tutto quanto affermiamo, e ci fermiamo prima di offrirti un modello che non eseguiamo.

Come decidere, in ordine

Affrontali in sequenza e di solito la risposta salta fuori alla terza domanda.

• Hai delle GPU, o un budget che puoi convertire in ore di GPU? Se no, questo confronto è concluso e Qwen Image 3.0 è la risposta a circa 0,035 dollari per immagine.

• Il tuo layout è conoscibile prima della generazione — hai un template, una griglia, un insieme di coordinate? Se sì, l'interfaccia JSON di M​OSS-Image è l'unico meccanismo in questo confronto che affronta direttamente il tuo problema, e il divario 0,88 contro 0,31 ne è la prova, per quanto redatto dal fornitore.

Hai bisogno di fare fine-tuning, quantizzare o eseguire in modalità air-gapped? Se sì, il modello chiuso non è un candidato a qualsiasi prezzo, e il fatto che una LoRA DMD a 4 step e una variante distillata a 8 step siano comparse entro circa un giorno dal rilascio è ciò che stai comprando.

• La tua revisione legale deve concludersi con un documento? Apache 2.0 contro l'assenza di una licenza dichiarata è la parte più breve di questo confronto.

• L'indipendenza della misurazione è un requisito? Allora non scegliere nessuno dei due senza ulteriore lavoro. Gli unici numeri indipendenti di Qwen Image 3.0 sono le posizioni Elo di Artificial Analysis, che lo collocano a metà classifica anziché vicino alla vetta. I risultati principali di MOSS-Image provengono tutti da benchmark creati dai suoi stessi autori.

La cosa che cambierebbe la risposta più velocemente non esiste ancora, ed è la stessa cosa per entrambi i modelli: una singola esecuzione indipendente del test in cui ciascuno è migliore. Per Q​wen Image 3.0 ciò significa una misurazione del layout da chiunque, dato che A​libaba non ne ha pubblicata alcuna. Per M​OSS-Image significa che qualcuno diverso da OpenMOSS esegua LongLongTextBench, RealLayoutArena o 7Bench. Fino ad allora, qualunque cosa tu decida, stai decidendo in base all'architettura, alla licenza e al meccanismo anziché a una qualità verificata — il che, per un confronto testa a testa tra un'API chiusa e un checkpoint aperto, è probabilmente comunque la base giusta.

I fallimenti documentati dell'IA e gli incidenti degli agenti dietro release come questa sono raccolti nell'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, gravità, grado di confidenza e flag di contestazione.