Images 2.6 vs Qwen Image 3.0: Geen van beide is open, en slechts één was dat vroeger

Mensen die deze vergelijking zoeken, zijn meestal op zoek naar hetzelfde: een reden om een beeldmodel op hun eigen GPU's te draaien. Qwen Image 3.0 lijkt het antwoord, want de Qwen Image-lijn heeft al drie generaties open gewichten. Het is niet het antwoord. Qwen Image 3.0 en Qwen Image 3.0 Pro zijn gehoste API-modellen, aangekondigd op 22 juli 2026 en algemeen beschikbaar op Alibaba Cloud Model Studio sinds 4 augustus 2026, zonder modelkaart, zonder technisch rapport en zonder gepubliceerd aantal parameters. De open reeks stopt één stap eerder, bij Qwen-Image-2.1. Ondertussen Images 2.6 — de release door OpenAI op 4 november 2026 van GPT-Image-2.6 Sunburst en GPT-Image-2.6 Flare — is overduidelijk gesloten, en heeft zich nooit anders voorgedaan.

Dus de eerlijke framing van deze vergelijking is niet open versus gesloten. Het is gesloten versus gesloten, met de ene leverancier die zes weken eerder een open optie uitbracht en een andere die een breder product verkoopt met animatie, vectoroutput en een kwaliteitstieringsschema. De open-weightvraag verdient toch een antwoord, want dat is de reden dat deze pagina bestaat, en het antwoord is dat Qwen-Image-2.1 het model is dat je eigenlijk wilt als selfhosting de vereiste is.

De licentiepositie, zorgvuldig verwoord

Dit is een onderwerp waarbij secundaire bronnen actief onjuist zijn, dus de bronvermelding is belangrijker dan de conclusie.

Verschillende aggregatorpagina's — waaronder de vergelijkingspagina's van LLM Stats en de Wikipedia-tabel over generatieve AI — vermelden Qwen Image 3.0 als open-weight onder Apache 2.0 of een "Qwen License". Die vermeldingen lijken sjabloonartefacten te zijn: de pagina's worden gegenereerd op basis van een schema dat ervan uitgaat dat de familie open is, en ze spreken de gedetailleerdere berichtgeving tegen. Er kon geen Hugging Face-repository, geen safetensors-checkpoint en geen modelkaart voor 3.0 of 3.0 Pro worden gevonden. De voorzichtige lezing, en degene die dit artikel aanhoudt, is dat 3.0 alleen gehost is totdat Alibaba gewichten publiceert.

Wat ondubbelzinnig open is, is de vorige generatie. Qwen-Image-2.1, uitgebracht in september 2026, is een 7B-diffusietransformer gecombineerd met een Qwen3-VL 8B-tekstencoder, gepubliceerd onder de Qwen Research License — niet Apache 2.0, en niet gratis voor commercieel gebruik zonder een aparte regeling. Dat onderscheid is voor de meeste bedrijven belangrijker dan de gewichten zelf. Een researchlicentie waarbij je moet onderhandelen voordat je kunt uitbrengen, is een ander inkoopprobleem dan een Apache 2.0-download, en teams die aannamen dat de Qwen-afbeeldingslijn uniform permissief was, zullen merken dat de voorwaarden onder hun voeten zijn veranderd.

Dat plaatst Qwen Image 3.0 in een lastige positie. Het is op elke gemeten dimensie beter dan 2.1 — meer daarover hieronder — maar het kan niet self-hosted worden gedraaid, niet worden fine-tuned op je eigen data en niet worden vastgepind op een checkpoint dat je zelf beheert. Als dat de redenen waren waarom je naar de Qwen-lijn keek, dan voorziet 3.0 daar niet in en is 2.1 een downgrade.

De scorekaart, met het gat op de juiste plek

Artificial Analysis, 5 november 2026, beide boards:

• AA-Image-Editing v2.1 — Qwen Image 3.0 Pro met 1.092 (rang 20, 13.614 voorbeelden), Qwen Image 3.0 met 1.069 (rang 29, 8.137 voorbeelden), Qwen-Image-2.1 met 1.081. GPT Image 2.5 Sunburst staat bovenaan met 1.199.

• AA-Image-T2I v2.1 — Qwen Image 3.0 Pro met 1.096 (rang 17), Qwen Image 3.0 met 1.073 (rang 18), Qwen-Image-2.1 met 1.044. GPT Image 2.5 Sunburst leidt met 1.224.

• Images 2.6 — op geen van beide borden staat een rij. Het is een dag oud.

Drie observaties. Ten eerste bedraagt de kloof tussen Qwen Image 3.0 Pro en de voorganger van OpenAI ongeveer 100 Elo op beide leaderboards, wat geen nek-aan-nekrace is. Ten tweede levert de Pro-upgrade 23 Elo op bij tekst-naar-afbeelding en 23 bij bewerken voor een bescheiden prijsverhoging — een echte, consistente verbetering in plaats van een marketingtier. Ten derde, en het meest interessant, verslaat Qwen-Image-2.1 Qwen Image 3.0 op het leaderboard voor bewerken (1.081 tegen 1.069), ondanks dat het het oudere open-weightmodel is en er bij generatie duidelijk op achterblijft. De release van 3.0 verbeterde de generatie en verbeterde het bewerken niet. Als bewerken is wat je nodig hebt uit de Qwen-familie, is het open model het betere, wat een ongebruikelijke en oprecht nuttige bevinding is.

De betrouwbaarheidsintervallen zijn breed genoeg — ±12 tot ±13 — dat het verschil in bewerking tussen 2.1 en 3.0 binnen de ruis valt. Maar de richting komt overeen met de steekproefaantallen, en het is een reden om niet aan te nemen dat een nieuwer nummer altijd een beter model betekent.

Waar Qwen Image 3.0 eigenlijk goed in is

De reden om het te gebruiken is niet de benchmarkkolom. Het is tekst.

De beweringen van Alibaba over Qwen Image 3.0 zijn concreet: prompts tot ongeveer 4.500 tokens, leesbare weergave tot ongeveer 10-pixeltekst, ondersteuning voor 12 talen, tot zes afbeeldingen per aanroep, en een maximale output van 2048 × 2048. Referentieafbeeldingen worden apart gefactureerd tegen ongeveer $ 0,003 per stuk, en opnieuw aangeleverde referenties worden opnieuw gefactureerd — een detail dat het waard is om bij te houden, want een bewerkingslus die bij elke beurt dezelfde referentie doorgeeft, laat de kosten ongemerkt oplopen.

Van die beweringen is de meertalige tekstweergave degene met de sterkste onafhankelijke ondersteuning. Alibaba heeft geen officiële benchmarks voor de 3.0-tiers gepubliceerd, wat op zichzelf al iets zegt, maar de reputatie van het model in de gemeenschap is gebaseerd op afbeeldingen met veel tekst: posters, UI-mock-ups, verpakkingen met kleine lettertjes en CJK-typografie die westerse modellen slecht aankunnen. Als je oplevering leesbare Chinese, Japanse of Koreaanse tekst in een vormgegeven lay-out moet bevatten, is dit het model in de vergelijking dat daarvoor is gebouwd, en OpenAI's productlijn heeft geen vergelijkbare claim.

De sterke punten van Images 2.6 liggen elders en zijn structureel van aard in plaats van typografisch. Het levert geanimeerde GIF-generatie in ChatGPT, SVG-export, markup-gestuurde bewerkingen en een complexiteitsparameter die bepaalt hoeveel planning het model aan een verzoek besteedt. Het voegt ook herbruikbare opgeslagen referentieafbeeldingen toe. Geen daarvan is een functie die Qwen Image 3.0 biedt. Vooral de SVG-export is een categorievoordeel in plaats van een nice-to-have: vectoruitvoer voor pictogrammen, logo's en diagrammen is iets wat geen enkel rastermodel in deze vergelijking bij welke kwaliteitsinstelling dan ook kan produceren.

Kosten per bruikbare afbeelding, niet per afbeelding

De tariefkaarten lijken op elkaar tot je de afkeurquote meerekent.

• Qwen Image 3.0 Standard — grofweg $0,03 tot $0,035 per afbeelding bij 1K of 2K, of ongeveer $30 per duizend op de vermelding van Artificial Analysis.

• Qwen Image 3.0 Pro — $ 0,04 bij 1K, $ 0,075 bij 2K, of ongeveer $ 40 per duizend. Referenties voegen ongeveer $ 0,003 per stuk toe.

• Afbeeldingen 2.6 — tokens afgerekend tegen $5 per miljoen tekstinvoer, $8 per miljoen afbeeldingsinvoer en $30 per miljoen afbeeldingsuitvoer, met batch ongeveer de helft. Per afbeelding is dat ongeveer $0,006 bij laag, $0,013 bij gemiddeld, $0,053 bij hoog en $0,21 bij max, afgeleid van tokenbudgetten die zijn overgenomen uit de 2.5-generatie in plaats van gepubliceerde 2.6-cijfers.

Op papier zit Qwen Image 3.0 Pro met $0,075 voor 2K tussen OpenAI's high- en xhigh-instellingen in. Maar een Elo-achterstand van 100 punten is geen klein kwaliteitsverschil; het impliceert een aanzienlijk hoger aandeel outputs die worden afgekeurd, opnieuw geprompt of handmatig gecorrigeerd. Als Pro twee pogingen nodig heeft om een acceptabel resultaat te bereiken en Images 2.6 op high er één, dan is de effectieve kostenpost $0,15 tegenover $0,053 — het goedkopere model is drie keer zo duur zodra je de exemplaren meetelt die je weggooit. Die rekensom werkt beide kanten op, en daarom is het eerlijke advies om het afkeurpercentage op je eigen prompts te meten in plaats van een van beide tariefkaarten te vertrouwen.

Dit is ook waar de 0%-opslag concreet van belang is. OrcaRouter geeft de lijstprijs van de provider ongewijzigd door, dus het bedrag per afbeelding in onze catalogus is het bedrag dat de provider in rekening brengt — er wordt geen opslag toegevoegd aan een factuur die per token wordt afgerekend, en een prijswijziging van een leverancier wordt dezelfde dag doorgevoerd in plaats van tijdens de volgende prijsherzieningsronde. Voor een workflow waarvan de werkelijke kosten afhangen van een afkeurpercentage dat u nog meet, is een meter zonder opslag het verschil tussen een vergelijkbaar getal en een opgeblazen getal.

De open-weightbeslissing, als dat je werkelijke vraag is

Als self-hosting niet onderhandelbaar is, doet dit alles er niet toe en is het antwoord kort: draai Qwen-Image-2.1, accepteer de bewerkscore van 1.081, houd rekening met het gesprek over de Qwen Research License als je een bedrijf bent, en wacht niet op 3.0-gewichten die niet zijn gepubliceerd en misschien wel nooit komen. Combineer het met een gehost model voor het werk waarin het zwak is, namelijk generatie in plaats van bewerking.

Als self-hosting een voorkeur was in plaats van een vereiste, verandert de berekening. Het voordeel van Qwen Image 3.0 is meertalige tekstweergave en een lage prijs per afbeelding. De voordelen van Images 2.6 zijn animatie, vectoruitvoer, markup-bewerkingen en een veel sterkere gemeten baseline — althans via zijn voorganger. Dat zijn grotendeels niet-overlappende sterke punten, wat betekent dat de twee in dezelfde pipeline kunnen zitten zonder te concurreren: OpenAI's lijn voor generatie en beweging, die van Qwen voor typografiezware lay-outs in talen die de westerse modellen verknoeien.

Het draaien van beide is geen kwestie van twee contracten als ze dezelfde sleutel delen. OrcaRouter routeert de beeldmodellen van OpenAI tegen lijstprijs met automatische failover, en een routeringsregel kan een verzoek naar de een of de ander sturen op basis van wat de prompt nodig heeft — geen tweede SDK, geen tweede factureringsrelatie, geen rotatie van inloggegevens per leverancier. Dat is een bescheiden operationeel punt, maar het is wel het punt dat bepaalt of een pijplijn met twee modellen überhaupt de moeite van het bouwen waard is.

Waar dit landt

Qwen Image 3.0 is een goed model met een onopgelost distributieverhaal. De prijs is concurrerend, de meertalige tekstweergave is in deze vergelijking echt toonaangevend, en de gemeten kwaliteit ligt op beide leaderboards ongeveer 100 Elo achter op de vorige generatie van OpenAI. De open weights die de Qwen-image-lijn in principe aantrekkelijk maken, ontbreken in 3.0, en het model dat ze wél heeft — Qwen-Image-2.1 — scoort beter op bewerken dan 3.0.

Images 2.6 is een breder product met een ongemeten positie. Alles eraan dat verifieerbaar is, is een geërfde claim: het prijsmodel, het endpoint-oppervlak, de structuur met twee varianten. Alles eraan dat nieuw is — GIF, SVG, markup-bewerkingen, de complexiteitsparameter — is door geen enkele onafhankelijke test geverifieerd en deels ongedocumenteerd.

De enige conclusie die niet afhangt van een ontbrekende benchmark is de licentieconclusie, en dat is de reden waarom de meeste lezers kwamen: als je de gewichten nodig hebt, zijn ze hier niet, en in 3.0 ook niet. Controleer de Hugging Face-organisatie voordat je een checkpoint in je planning opneemt. Het is het hele jaar het betrouwbare signaal voor deze familie geweest, en het stopt momenteel bij 2.1.