MOSS-Image vs Qwen Image 3.0：一方のラボはクローズドへ、もう一方はオープンへ

Q​wen Image 3.0とMOSS-Imageは、中国のラボによって8週間の間隔を置いてリリースされ、何を構築できるかを決めるただ一つの問いに対して正反対の立場を取った。A​libabaは2026年7月21日にQ​wen Image 3.0を出荷し、8月5日に一般提供を開始した。クローズドで、重みもモデルカードもテクニカルレポートもなく、Pro版とStandard版のホスト型APIを通じてのみ利用できる。OpenMOSSは2026年10月16日にM​OSS-ImageをApache 2.0のオープンウェイトとしてリリースし、チェックポイントとスタンドアロンの推論パイプラインの両方をカバーしている。Q​wen側には、ほかの何よりも先に知っておく価値のある命名上の罠がある。Q​wen-Image 2.1は2026年9月20日にリリースされ、Q​wen-Image 3.0より新しく、両者は番号を共有する別々の製品ラインである。

そう言われると、この比較はオープン対クローズドの論争のように見えるし、実際、ある程度はそうだ。だが、より興味深い違いはライセンスではない。それは、Q​wen Image 3.0 と M​OSS-Image が同じ能力 — テキストとレイアウトを正確に再現すること — について最も強い主張をしているのに、そのための仕組みはまったく異なり、一方は中身を検証できるが、もう一方はできない、ということだ。

Qwen Image 3.0が実際に主張していること

Qwen Image 3.0は、単一のAPIを通じて画像生成と編集を提供するクローズドなホステッドモデルで、Standard版とPro版があります。Alibabaの発表資料は4つの具体的な約束を示しています。プロンプトは最大約4,500トークン、画像内テキストは約10ピクセルまで判読可能、20以上のフォントにわたって12言語をカバー、出力は最大2048×2048で1回の呼び出しにつき最大6枚の画像です。パラメータ数は公表されておらず、広く繰り返されている約20BというMMDiTの数字は、Alibabaによって確認されたものではなく、報道されたものです。

価格はAlibabaのModel Studioで1画像あたり約0.035ドルで、Artificial AnalysisはStandardで1,000画像あたり約30ドル、Proで1,000画像あたり約40ドルと算出しています。その測定された位置はトップではなく中位です。テキストから画像生成ではElo 1,077で16位、編集ではPro版が1,088で14位、Standardが1,048で21位です。これらはArtificial Analysisの数値であり、この比較全体で唯一独立して作成された数値です — MOSS-ImageはArtificial Analysisのエントリが全くありません。

その編集挙動について文書化されているのは3点だけで、その情報の少なさこそが要点だ。Proは1～3枚の入力画像をサポートする。文書化された編集経路は、局所的な書き換え、コンテンツ拡張、スタイル変換、マルチカメラアングル生成をカバーしているが、公開されたマスクベースのワークフローはない。発表には透過性に関する主張が一切ない——RGBA生成も、透過レイヤー編集も、アルファチャンネルへの被写体抽出もない。

アリババのあらゆるページで際立って欠けているのは、レイアウトの精度に関する測定だ。Qwen Image 3.0は10ピクセルで判読できる文字をうたっているが、その文字がどこに収まるかについては何も述べていない。

M​OSS-Imageが主張していること、そして種類の違い

MOSS-Imageは5Bの単一ストリーム拡散トランスフォーマーです。42個のジョイントブロック、隠れ幅3,072、128次元の24ヘッド、幅8,192のSiTU-GLUフィードフォワード、4軸回転位置エンコーディングを備え、凍結されたQwen3.5-9Bテキストエンコーダーと、FLUX.2-klein-4Bからロードされた凍結されたFLUX.2 VAEを組み合わせています。SFTダウンロードは約27.2 GBで、そのうちおよそ16.8 GBがエンコーダーです。

能力の違いは程度の問題ではない。Qwen Image 3.0 のテキストに関する主張は可読性、つまりモデルが読めるほど小さな文字を描画できるかどうかにある。MOSS-Image の主張は配置、つまり指定された文字列を指定された座標に置けるかどうかにある。これらは似て聞こえるが、実際は違う。テキストを美しく描画しても、見出しを商品写真の上に重ねてしまうモデルは、やや柔らかな字形を正確に適切なボックス内に描画するモデルとは、別のタスクで失敗している。

MOSS-Image の配置の仕組みは、レイアウトをデータとして与えるという点にある。プロンプトには、キャンバス中心から測定した絶対ピクセル座標のバウンディングボックス、リテラルなテキスト文字列、タイポグラフィに関する指定を含む JSON オブジェクトを使用できる。bbox_format "yxyx" を指定する。ベンダー自身によるアブレーションが、このインターフェースがなぜ重要かを示す最も明快な証拠となっている。RealLayoutArena では、同じシステム上で JSON レイアウトプロンプトが 1,622.87 を記録するのに対し、自然言語プロンプトは 1,506.20 にとどまる。報告書が同時に導入している 7Bench では、MOSS-Image は平均レイアウト IoU 0.88、レイアウト AUC 0.70 を報告しており、同じ表で Qwen Image 3.0 Pro は 0.31、フィールド AUC は 0.16 から 0.20 とされている。

0.88 対 0.31 という差は、この比較における最大の単一の隔たりであり、同時にこの比較の中で最も信頼できない数字でもある。OpenMOSS はこのベンチマークを作成し、両モデルをそれで実行し、結果を公開した。Qwen Image 3.0 の作者たちはレイアウト指標を一切公開していないため、それと照合する手立てがない——より低い数字も、異議も、何もない。この非対称性は指摘に値する。あるラボが自作のテストで得た優位性が、別のラボの沈黙と比較されているのだ。

寸法、横並びで

• リリース — Qwen Image 3.0 は 2026年7月21日 に公開、2026年8月5日 に GA。MOSS-Image は 2026年10月16日 にリリース

• ライセンス — Q​wen Image 3.0 はクローズドで、重みもライセンスの明記もモデルカードも技術レポートもなし。M​OSS-Image は重みとスタンドアロンのパイプラインコードが Apache 2.0 で、収益しきい値はなし

• 価格 — Q​wen Image 3.0 は Model Studio で 1 画像あたり約 $0.035、Artificial Analysis の算出では Standard が 1,000 枚あたり約 $30、Pro が 1,000 枚あたり約 $40。M​OSS-Image は約 27.2 GB で無料ダウンロードでき、別途ご自身の GPU 時間が必要です。

• エディション — Q​wen Image 3.0 は、編集ランクの異なる Standard と Pro を提供。M​OSS-Image は Base と SFT のチェックポイントを提供しており、Base はあえて未蒸留のままにされているため、ファインチューニングが食らいつく余地が残されています

• プロンプト上限 — Qwen Image 3.0は約4,500トークン、MOSS-Imageは最終事前学習段階で4,096トークン

• テキストレンダリング — Qwen Image 3.0 は、12言語・20以上のフォントにわたり、およそ10ピクセルまで判読可能なテキストを実現すると主張している。MOSS-Image は LongLongTextBench で Mean-6 96.3 を報告しており、英語 97.1、中国語 92.4 という内訳で、同じ表では Qwen-Image-2512 の 64.9 と対比されている。

• レイアウト制御 — MOSS-Image は中心相対の絶対座標による JSON レイアウトを受け取り、7Bench で平均 IoU 0.88 を主張している。一方 Qwen Image 3.0 Pro は 0.31 と記載されており、Alibaba はレイアウト指標を一切公開していない

• 参照画像 — Qwen Image 3.0 Pro は 1～3 枚の入力画像、および 1 回の呼び出しにつき最大 6 枚の画像に対応している。MOSS-Image の参照条件付けは、その位置スキームにおける予約された軸であり、出荷済みというよりも将来を見据えたものと説明されている

• 編集 — Q​wen Image 3.0は、ローカルな書き換え、拡張、スタイル転送、マルチカメラアングル生成を単一のAPIを通じてカバーしている。M​OSS-Imageのレポートは、編集を製品サーフェスとして提示していない

• 透過性 — Qwen Image 3.0 の発表には透過性に関する主張は含まれていない。MOSS-Image の VAE は 32 個の潜在チャネルを使用し、パイプラインは潜在表現を公開しているが、RGBA 出力はベンダーが公称する機能ではない

• 独立したスコア — Artificial Analysisによると、Qwen Image 3.0はテキストから画像の生成でElo 1,077（16位）、編集ではProが1,088（14位）。MOSS-Imageには独立したスコアが存在しない

• エコシステム — Q​wen Image 3.0にはAPIがあり、M​OSS-ImageにはDiffusersのカスタムパイプライン、Gradioアプリ、ComfyUI Manager経由でインストールできるComfyUIプラグイン、そして現在もレビュー中のオープンなvLLM-Omniプルリクエストがあります

ほとんどのチームを決定づける議論

Qwen Image 3.0は弱いモデルではありませんし、高価でもありません。1枚あたりおよそ3.5セントで、4,500トークンのプロンプトウィンドウ、2K出力、複数画像呼び出しに対応しているなら、今日の午後には製品機能の裏側に組み込んでもまったく妥当です。要件が「この説明どおりの良い画像を、ときには参照画像も使って、予測可能な単位あたりコストで生成する」ことなら、クローズドモデルは初回リクエストまでの時間で優位に立ち、場合によっては総コストでも優位に立つ可能性があります。なぜなら、あなたのエンジニアはGPUに一切触れずに済むからです。

MOSS-Image は別の軸で優位に立ちます。それは、価格にかかわらずどの API にも提供できないものです：出力を決めるものを検査できます。レイアウト仕様はデータです。それはあなたのコードで生成でき、ほかのすべてと同じリポジトリでバージョン管理でき、誰かがテンプレートを変更したときには差分を取れ、モデルに到達する前にスキーマに対して検証でき、1 ピクセルがレンダリングされる前に人間が構図をレビューして承認できます。プロンプトからレイアウトへのマッピングが、中を覗けないホスト型エンドポイントの内部で行われる場合、そうしたことはどれも不可能です。

それは実際のアーキテクチャ上の違いであり、しかもマーケティングには向かない。というのも、「プロンプトをユニットテストできる」なんて、誰も撮影しないデモだからだ。しかしこれは、失敗をデバッグできるパイプラインと、失敗がサポートチケットを生むだけのパイプラインとの違いなのだ。MOSS-Imageが見出しを間違った場所に置いたときは、送信したJSONを読んで、間違った座標を確認できる。ホスト型モデルがそうしたときは、一見問題なさそうだったプロンプトと、そうではない画像が残る。

どちらのベンダーも最初には前面に打ち出していない、2つ目の際立った事実がある。Qwen Image 3.0が沈黙している領域は一貫している。パラメータ数も、アーキテクチャも、学習データの説明も、ベンチマーク表も、技術レポートも、レイアウト指標もない。それに比べて、MOSS-Imageのレポートは過剰なまでに詳細だ。ステップ数付きの漸進的解像度トレーニング段階、約50億枚から30億枚に絞り込まれたReLAION由来のコーパス、2つのチェックポイントで同じ損失に到達するまでのステップ数がAdamWより33.2%および28.6%少ないことを示すアブレーションを伴うハイブリッドMuon–AdamWオプティマイザなどである。そうした詳細の一部は、モデルがオープンだからこそ利用可能なだけだが、レポートは自らの選択で書かれたものであり、そこに製品と出版物の違いがある。

開放性の主張に限界がある場合

MOSS-Image のオープン性については、当然のこととみなすのではなく、確認すべき三つの点がある。

1つ目は運用可能だ。マージ済みのサービングパスを伴わないオープンウェイトは、それを伴うオープンウェイトとは別物である。スキップ層ガイダンス付きで MOSS-Image を追加する vLLM-Omni のプルリクエスト — [Model] SLG を用いた MOSImage のテキスト画像生成を追加 — は10月14日に作成され、25ファイルにわたって3,605行が追加されており、現在もオープンのままだ。レビュアーは、固定した参照実装に対する出力一致の証拠を求めている。vLLM-Omni の最新公開リリースは10月6日付の v0.31.0rc1 である。出荷済みのどのバージョンにもこのモデルは含まれておらず、リリース当日に出回った「Day 0 サポート」という表現は、インストールできるパッケージではなく、自分でビルドできるブランチを指している。

第二の点は、報告書で最も強い結果が単一モデルによるものではないということだ。プロンプト強化モジュール LayoutPE は、推論時にモジュール式のタスク指示とともに G​PT-6 を使用すると述べられており、同梱の prompt-enhancer スキルは G​PT-6 ファミリーのエージェント向けに設計されていると説明されている。したがって、見出しとなるエンドツーエンド Elo 1,698.70 — GPT Image 2 の 1,844.35 に次ぐ2位 — は、仕様を担う半分が他社の API である2モデルパイプラインによって生み出されている。生成器単体の指標として読むなら、この数値は水増しされている。

三つ目はファインチューニングだ。Base は、LoRA が手を加えられる余地を残すため、意図的に未蒸留のままにされている——モデルカードには「CFG などの推論パラメータのポストトレーニングや蒸留を一切受けていない」と記されている——これはライセンス上のポーズではなく、真摯な取り組みである。しかし、トレーニングレシピは公開データではなくドキュメントであり、これまでのファインチューニングガイダンスは、具体的な指示（テキストエンコーダーは凍結したままにすること、ファインチューニングしないこと）とキャプション用プロンプトに留まっている。単純な SFT が参照ベースの生成と GIF 出力を可能にするという主張には、「続報をお待ちください」が添えられている。

誇張なしに述べたルーティング

この比較に登場するどちらのモデルも当社のカタログには掲載されておらず、そうでないふりをするつもりもありません。Q​wen Image 3.0はA​libabaのModel Studio上にあり、Q​wenの画像シリーズの他のモデルと同様、OrcaRouterが提供しているものではありません。M​OSS-Imageはダウンロードして使うものです。ここでの線引きは単純です。当社はどちらもホストしていません。

に載っているのは私たちのカタログ、この2つを比較評価する際の基準となる残りのモデル群です。つまり、セルフホスト型の MOSS-Image をベンチマーク比較する対象となるホスト型画像モデルで、1つの API キーでプロバイダーの定価、マークアップ 0% で利用でき、ホスト型モデルのベンダー価格変更が次回の契約更新時ではなく当日にここへ反映されます。このような比較、つまり Qwen 側は画像ごと、MOSS 側は GPU 時間で課金される比較では、ルーティングレイヤーが提供する有用なものは割引ではなく、ホスト型のライブ価格を確認できる単一の場所と、単一のエンドポイントです。それはフェイルオーバーを、評価の途中でいずれかのアップストリームが劣化したときにプロバイダー間で行うためのものです。それが主張のすべてであり、私たちが実行していないモデルを提供することはしていません。

順番に決める方法

順番にこれらを進めていくと、たいてい3つ目の質問で答えが見えてくる。

• GPU を持っていますか、それとも GPU 時間に換算できる予算がありますか？ なければ、この比較は終わりで、Qwen Image 3.0 が 1 画像あたり約 $0.035 で答えです。

• あなたのレイアウトは生成前に知り得ますか——テンプレート、グリッド、座標のセットはありますか？ もしそうなら、M​OSS-Image の JSON インターフェースは、この対戦であなたの問題に直接対処する唯一の仕組みであり、0.88 対 0.31 の差がその証拠です——ただし、ベンダー作成のものではありますが。

• ファインチューニング、量子化、あるいはエアギャップ環境での実行が必要ですか? もしそうなら、クローズドモデルはどんな価格であっても候補にはなりません。そして、リリースからおよそ1日で4ステップのDMD LoRAと8ステップの蒸留版が登場したという事実こそが、あなたが乗ろうとしている流れなのです。

• 法務レビューは文書で終わる必要がありますか？ Apache 2.0 とライセンス明記なしの比較は、この比較の中で最も短い部分です。

• 測定の独立性は要件ですか？ ならば、さらなる作業なしにどちらも選ぶべきではありません。Qwen Image 3.0 の唯一の独立した数値は Artificial Analysis の Elo 順位で、これはトップ付近ではなく中位に位置づけています。MOSS-Image の主要な結果はすべて、著者自身が構築したベンチマークによるものです。

答えを最も速く変えるものはまだ存在せず、それは両モデルにとって同じものだ。それぞれが最も得意とするテストを、独立した誰かが一度だけ実行すること。Q​wen Image 3.0 にとってそれは、A​libaba が何も公表していない以上、誰かによるレイアウト測定ということになる。M​OSS-Image にとっては、OpenMOSS 以外の誰かが LongLongTextBench、RealLayoutArena、または 7Bench を実行することだ。それまでは、あなたが何を決めようと、検証された品質ではなく、アーキテクチャ、ライセンス、仕組みに基づいて決めていることになる——クローズド API とオープンなチェックポイントの直接対決においては、いずれにせよそれがおそらく正しい判断基準なのだ。

このようなリリースの背景にある、文書化されたAI障害やエージェントのインシデントは、OrcaRouter AI Incident Archiveに収集されており、各エントリには独自の情報源、重大度、信頼度グレード、異議申し立てフラグが付いています。