Bernini-Diffusers-v2 vs Qwen Image 3.0: あなたが所有するウェイト vs テキストをレンダリングするAPI

中国の2つの研究所が、3週間以内に相次いで画像対応モデルを公開し、このカテゴリーにおける最大の分岐点を挟んで相反する立場に立つことになった。Qwen-Image-3.0は、2026年7月21日にAlibabaのチームがリリースし、8月4日に国際APIで公開された、HTTP経由で呼び出すクローズドウェイトの画像モデルです。Bernini-Diffusers-v2は、ByteDanceが2026年8月13日に何の告知もなくHugging Faceに公開したもので、ダウンロードして実行できるApache-2.0のオープンウェイトです。大まかな役割は同じ—画像生成と編集—ですが、モデルを誰が管理するかという問いに対しては正反対の答えです。以下で述べる事柄のほとんどは、この単一の決定の結果であり、したがって、この比較はここから始まるのです。

重みは分割される

• Qwen-Image-3.0 — クローズドウェイト。本稿執筆時点では、Alibabaはウェイトも技術レポートも公開していない。利用はAlibaba Cloud BailianまたはQwenプラットフォームのAPIを通じて行う。出力にはAIGC由来ラベルが付与される。購入できるのは、管理権を伴わない能力である。セルフホスティング不可、ファインチューニング不可、オフライン利用不可、内部を覗くこともできない。

• Bernini-Diffusers-v2 — オープンウェイト。Apache-2.0、Hugging Face上の自己完結型diffusersディレクトリ、およびbytedance/Berniniリポジトリ内のローカル推論スクリプトを備えています。ファインチューニング、エアギャップ環境での実行、自社ハードウェア上でのデータ保持が可能で、画像ごとの支払いも不要になります。自己管理の代償は運用です。READMEではHopperクラスのGPUとPython 3.11.2 / PyTorch 2.7.1+cu126スタックを推奨しています。

画像に機密情報が含まれるチーム、あるいはコンプライアンス規則が第三者APIへのデータ送信を禁じているチームにとって、その区別はそれ自体で議論を解決する。

テキストとレイアウトの忠実度

Qwen-Image-3.0 が真に際立っているのはテキストです。その主要な数値は、Alibaba のリリース資料によると：

• プロンプトウィンドウ — 最大4,500トークンの入力に対応し、前世代から4.5倍に向上。これにより、新聞の一面や9コマの知識グリッドのような情報密度の高いブリーフも1回の呼び出しで処理できるbr />• 小さなテキスト — 約10pxまで読みやすくレンダリング。数式表記、下付き文字、上付き文字、複数行の数式にも対応br />• 言語 — 12言語をネイティブにレンダリング。20以上のフォントと100以上のアートスタイルに対応し、一般的なWeb、ゲーム、ソフトウェアのインターフェースにも精通

Bernini-Diffusers-v2は、カード上で同等のテキストとレイアウトの主張をしていません。その強みは別のところ、すなわちプランニングベースのセマンティック編集とビデオパイプラインにあります。そして、主として「このインフォグラフィックを正確にレンダリングする」というブリーフにおいては、Qwen-Image-3.0が実証済みの選択肢であり、Berniniは未実証のものです。

編集深度

• Qwen-Image-3.0 — 生成に加えて編集にも対応。古画修復、パノラマ生成、スケッチからPPT化、マルチショット・ストーリーボードといった専門的な機能を備える。その売りは、特定の編集アーキテクチャというよりは、制作現場での実用性——レイアウトが崩れず、ディテールが本物らしく見えること——にある。

• Bernini-Diffusers-v2 — セマンティックプランナーによる編集。Qwen2.5-VLプランナーが指示を「何を変更すべきか」のプランに分解し、Wan2.2ベースのレンダラーがそれを描画します。これは複雑な多段階編集（「季節を変える、車を置き換える、構図を維持する」など）に説得力のある設計であり、競合他社が対応していない動画タスク（t2v、v2v、rv2v）にも拡張できます。すべてベンダー報告によるものであり、公開的には未検証です。

コスト

• Qwen-Image-3.0 — およそ1K画像あたり$0.025国際API（約0.18元）では、最大2048×2048の出力と、1回の呼び出しにつき最大6枚の画像に対応しています。これは、API画像市場の他製品と激しく競争する価格設定であり、1年前にプレミアムなホスティング型画像モデルが請求していた価格のほんの一部です。

• Bernini-Diffusers-v2 — 重みは無料、画像ごとの料金もなく、代わりにハードウェア費用がかかる。経済性は利用量に応じて逆転する。セルフホスティングは、たまに画像を生成するだけなら割に合わないが、生成するほど有利になる。なぜなら、追加の画像1枚あたりの限界費用はゼロに近づいていくからだ。

オープンウェイト側に有利に働き、過小評価されがちな第三のコストがあります。それは乗り換えのコストです。クローズドAPIモデルは、その価格設定、レート制限、ロードマップにユーザーを縛り付けます。一方、所有しているモデルは、何かを再交渉することなく、交換、パッチ適用、ファインチューニングが可能です。

どのAPIを基に構築していますか？

Qwen-Image-3.0はAPI専用であるため、それを基に構築する場合、他社のインフラ上で画像ごとのメーター制にコミットすることになります。まさにそこでOrcaRouterのパススルーが重要になるのです。弊社側で表示される価格はAlibabaのリスト価格を0%マークアップしたものであり、ベンダーの値下げは同日に反映されるため、画像あたりの経済性はベンダーのものであって、その上にリセラーのマークアップが載ることはありません。プロバイダー間の自動フェイルオーバーがもう半分の論点です。キャンペーン途中でダウンした画像APIは、コールがそれを迂回してルーティングされれば、もはや問題ではなくなります。代わりにBernini-Diffusers-v2によるオープンウェイトの道を選ぶなら、今日の運用負担を受け入れる代わりに、画像ごとの料金はゼロになります。そして、ホステッドプロバイダーがいつかそのウェイトを採用した場合、そのプロバイダーが請求する金額にも同じパススルーが適用されます。

評決

理論上は、Qwen-Image-3.0の方が優れた純粋画像モデルである。実証済みのテキストレンダリング、巨大なプロンプトウィンドウ、多言語レイアウトの忠実性、そして競争力のあるAPI価格を備えている。テキスト量の多いブリーフとAPI中心のワークフローに向く本番画像生成では、安全な選択肢だ。Bernini-Diffusers-v2は、実際に所有できるモデルである——Apache-2.0ウェイト、セルフホスト、ファインチューニング可能、動画対応——ただし、その代償は、自分で運用し、誰も再現していないベンチマーク表を信頼することだ。正確さとインフラ不要を求めるならQwen-Image-3.0を選び、管理と制御を求めるならBernini-Diffusers-v2を選べ。判断ルールを一言で言えば、能力をレンタルするのか、それともモデルを所有するのか、である。