Ming-Image-0.1-Design vs Qwen-Image 2.1: De licentie is het echte verschil

Twee open beeldmodellen verschenen in september 2026 binnen drie dagen van elkaar en op een specificatieblad lijken ze dezelfde aankoop. Ming-Image-0.1-Design, gebouwd door het inclusionAI-team van Ant Group, zette zijn gewichten op 17 september op Hugging Face onder een MIT-licentie. Qwen-Image 2.1, van Alibaba's Qwen-team, volgde op 20 september onder de Qwen Research License Agreement. Beide genereren native RGBA, beide claimen 2K-uitvoer, en beide richten zich op dezelfde koper: een team dat beeldgeneratie wil die het zelf kan hosten, inspecteren en aanpassen. De twee dingen die hen daadwerkelijk onderscheiden, zijn de twee die een specificatieblad het slechtst laat zien — wat je wettelijk met het resultaat mag doen, en hoeveel silicium het kost om er één te produceren.

Dat is geen retorische framing. Voor een van deze modellen is de licentie een harde stop op commercieel gebruik; voor het andere is het geen enkel probleem. En het aantal parameters dat elke leverancier op de doos vermeldt, onderschat de download met een factor drie of vier. Die twee feiten bepalen de aankoop lang voordat welke benchmark dan ook dat doet — en de benchmarks kunnen, zo blijkt, helemaal niet met elkaar vergeleken worden.

Wat elke repository daadwerkelijk bevat

Geen van beide modellen is één netwerk. Beide zijn pijplijnen, en de pijplijn is waar de omvang zit:

• Generator — Ming-Image-0.1-Design wordt geleverd met een design-transformer van 6,15 miljard parameters (12,31 GB in BF16); Qwen-Image 2.1 wordt geleverd met een single-stream-DiT van 7,1 miljard parameters met 32 lagen, block-causale attention en een niet-gespecificeerd aantal actieve parameters (ongeveer 14,2 GB).

• Tekstzijde — Ming-Image-0.1-Design koppelt zijn transformer aan een multimodaal LLM van 17,01B (34,02 GB) en een connector van 3,09B (6,17 GB); Qwen-Image 2.1 gebruikt een Qwen3-VL 8B tekstencoder (ongeveer 17,5 GB).

• Totaal aantal parameters — 26,44B voor Ming-Image-0.1-Design tegenover ongeveer 15–16B voor Qwen-Image 2.1. Let op: het prominentste getal van geen van beide leveranciers is het totaal: "6B" en "7B" beschrijven beide alleen de generator.

• Grootte van de repository — 52,88 GB voor Ming-Image-0.1-Design (49,25 GiB daarvan is gewichten); ongeveer 33 GB voor Qwen-Image 2.1.

• Transparantie — beide leveren native RGBA rechtstreeks vanuit het model in plaats van via een post-hoc mattingstap. Ming-Image-0.1-Design gebruikt zijn eigen RGBA-VAE; Qwen-Image 2.1 gebruikt een 64-kanaals RGBA-VAE met 16× ruimtelijke compressie.

• Standaardgeneratie — Ming-Image-0.1-Design is gevalideerd bij 2048×2048, 12 stappen, BF16, CFG 1.0; Qwen-Image 2.1 is standaard ingesteld op 2048×2048 met 40 stappen en zeven aspectratio-voorinstellingen.

• Licentie — MIT voor Ming-Image-0.1-Design; de Qwen Research License Agreement, niet-commercieel, voor Qwen-Image 2.1.

Het label "6B" doet veel werk

De repository van Ant Group heeft een titel rond een model met 6 miljard parameters, en de transformer is echt 6,15 miljard. Maar de gewichten die je downloadt zijn 49,25 GiB, de repository is 52,88 GB, en de configuratie die de leverancier heeft gevalideerd — 2048×2048 op BF16 met de volledige tekststack resident — is gespecificeerd voor één 80 GiB CUDA-GPU. Dat is geen afrondingsfout op een kaart van 48 GB; het is een kaart die je niet kunt gebruiken. Een accelerator van 48 GB kan de pipeline niet bevatten, en twee ervan ook niet zonder offload-acrobatiek die de leverancier niet documenteert.

Qwen-Image 2.1 is de vergevingsgezindere download, met de kanttekening dat Alibaba helemaal geen officiële VRAM-cijfers publiceert. De enige richtlijn op de modelkaart is om CPU-offload in te schakelen op kleinere kaarten. Wat sinds de lancering is gemeten, is nuttiger dan wat is gepubliceerd: een int8-pipeline draait in totaal rond 16 GiB en past volledig resident op een 24GB-kaart, terwijl een volledige BF16-run is gerapporteerd van ongeveer 17 GB met CPU-offload tot ruwweg 40 GiB piek bij 1024×1024, afhankelijk van hoe de tekstencoder is geplaatst. De gerapporteerde latentie voor één afbeelding varieert van een paar seconden op een B200 tot minder dan tien op een huidige workstationkaart. Behandel elk van die getallen als een gemeenschapsmeting in plaats van als specificatie — ze variëren meer met de offloadstrategie dan de modellen van elkaar verschillen.

De praktische samenvatting: Qwen-Image 2.1 is een model uit de 3090-klasse als je bereid bent te offloaden; Ming-Image-0.1-Design is een model uit de datacenterklasse zonder kleinere configuratie.

De licentie is de splitsing in de weg

Dit is het onderdeel dat een project daadwerkelijk tot stilstand brengt, en het is het onderdeel dat de twee releases het meest verschillend behandelen.

Ming-Image-0.1-Design is MIT. Lever het in een betaald product, fine-tune het, herdistribueer de gewichten, houd je wijzigingen gesloten — niets daarvan vereist een gesprek met Ant Group.

Qwen-Image 2.1 is dat niet. Het valt onder de Qwen Research-licentieovereenkomst van 20 september 2026, die de gewichten uitsluitend voor onderzoek en evaluatie in licentie geeft. Voor commercieel gebruik is een aparte overeenkomst met Alibaba nodig, en er wordt geen prijs voor die overeenkomst gepubliceerd. Afgeleide werken en herdistributies moeten de licentie, een "Built with Qwen"- of "Improved using Qwen"-kennisgeving en de copyrightregel van Hangzhou Tongyi Laboratory meedragen, en "Qwen" mag niet de primaire naam van een afgeleid model zijn. Op de licentie is Chinees recht van toepassing, met rechtsmacht in Hangzhou.

Er is één echt verhelderend punt in de eigen follow-up van de leverancier: Alibaba heeft verklaard dat gegenereerde afbeeldingen geen deel uitmaken van de gelicentieerde "Materials", dus je behoudt de rechten op wat het model produceert. De beperking geldt voor de weights en het model, niet voor je output. Dat is een betekenisvolle uitzondering en het is de moeite waard om die nauwkeurig te lezen, want de eenvoudige samenvatting — "de afbeeldingen zijn van jou, het model niet" — is de juiste.

Het is ook een koerswijziging. Eerdere Qwen-Image-releases, waaronder de originele Qwen-Image en de 2511- en 2512-builds, blijven Apache 2.0 en commercieel permissief. Een team dat vorig jaar voor Qwen-Image koos vanwege de licentie en deze maand een upgrade naar 2.1 uitvoert, erft een beperking tot alleen onderzoek waarmee het nooit heeft ingestemd. Als permissieve voorwaarden vereist zijn, is Qwen-Image 2.1 niet de nieuwere versie van wat je had — het is een andere deal.

Wat elk ervan is gemaakt om te doen

De licentiesplitsing weerspiegelt een verschil in intentie, en het is dat verschil dat de keuze zou moeten bepalen wanneer beide voor u juridisch toegestane opties zijn.

Ming-Image-0.1-Design is een ontwerptool. De tekststack bestaat om een korte briefing uit te breiden tot een gestructureerde prompt van 8K, en de leverancier levert er "skills" omheen — een Design Skill die in ongeveer 15 seconden een visueel concept oplevert, en een PPT Skill gericht op diavormige output. De bijbehorende repository, Ming-Image-0.1-Design-Layer, neemt een afgevlakt ontwerp en geeft het terug als afzonderlijke lagen, wat hier de enige capaciteit is die niets anders in het open veld biedt. inclusionAI meldt dat het Layer-model ongeveer 4,3× sneller draait dan een open layermodel van 20B bij dezelfde taak (183 seconden tegenover 795) — door de leverancier gerapporteerd, niet gereproduceerd, en het vergelijkingsobject is niet nauwkeurig genoeg genoemd om te controleren.

Qwen-Image 2.1 is een generator en editor. Eén checkpoint doet zowel tekst-naar-afbeelding als op instructies gebaseerde bewerkingen, accepteert tot 10 referentieafbeeldingen voor één bewerking en ondersteunt lokale bewerkingen die de rest van het beeld met rust laten. Het verscheen met ondersteuning vanaf dag één in ComfyUI, Diffusers, vLLM-Omni, SGLang-Diffusion en LightX2V — een servingverhaal dat Ming-Image-0.1-Design nog niet heeft, aangezien zijn eigen servinggids verwijst naar vLLM-Omni.

Lees dat als een vertakking in plaats van een rangorde. Als de taak is "een gelaagd, bewerkbaar design asset op basis van een briefing produceren", is Ming-Image-0.1-Design de enige van de twee die dat doet. Als de taak is "genereren en vervolgens iteratief bewerken aan de hand van referenties", doet Qwen-Image 2.1 dat in één model, en Ming-Image-0.1-Design doet dat helemaal niet.

De benchmarks zijn niet te vergelijken, en dat is het eerlijke antwoord.

Beide leveranciers hebben getallen. Geen van beide getallen kan naast het andere worden geplaatst, en elk artikel dat dat wel doet, verzint een resultaat.

Het bewijs van Ming-Image-0.1-Design is een Artificial Analysis-board: een eerste plaats op de Text-to-Image Leaderboard, gefilterd op open weights voor UI/UX Design, met een Elo van 1.082, vóór Ideogram 4.0 Quality op 1.052, Ideogram 4.0 op 1.015, HunyuanImage 3.0 Instruct op 1.005 en FLUX.2 [dev] op 1.000. De leverancier meldt ook winpercentages van 67,4% op layout, 67,0% op complexe compositie en 66,7% op tekstweergave, en een eerste plaats op 12 metrieken op Crello. De ranglijst is een instrument van een derde partij, waardoor de Elo het sterkere van de twee soorten bewijs hier is; de winpercentages en de Crello-sweep zijn door de leverancier gerapporteerd en moeten als claims worden gelezen.

Het bewijs voor Qwen-Image 2.1 is Qwen-Image-Bench, een benchmark die het Qwen-team heeft gebouwd, waarop het 60,28 scoort en het open-sourceveld aanvoert, vóór Nano Banana 2.0 met 59,82 en GPT Image 1.5 met 59,65. Het bronmateriaal bestempelt de benchmark als door Qwen gebouwd, en de top drie liggen binnen één punt van elkaar — een marge die ruim binnen de ruis valt van een benchmark waarin de auteur zelf ook meedingt.

Dus: een Elo van een derde partij op een UI/UX-ontwerpsubset, tegenover een door de leverancier opgestelde algemene score. Verschillende instrumenten, verschillende taken, verschillende beoordelaars. Niemand heeft een rechtstreekse vergelijking van deze twee modellen met elkaar gepubliceerd, en op basis van het beschikbare bewijs kan niemand dat. De nuttige interpretatie is smal en het is de moeite waard om die ronduit te formuleren — Ming-Image-0.1-Design heeft bevestiging door derden voor specifiek ontwerpwerk, Qwen-Image 2.1 heeft door de leverancier gerapporteerde sterkte bij algemene generatie en bewerking, en de overlap tussen die twee claims is kleiner dan de kopcijfers suggereren.

Een van beide op een endpoint krijgen

Geen van beide modellen staat vandaag in de catalogus van OrcaRouter. Ming-Image-0.1-Design en Qwen-Image 2.1 zijn op dit moment beide self-host-voorstellen: de gewichten zijn downloadbaar en de servinggidsen zijn echt, maar je zet de GPU zelf op, en in Ming's geval is dat een GPU van 80 GiB. We vermelden ze hier als open-weight releases, niet als routes.

Wat het waard is om te weten voordat je je aan hardware vastlegt, is wat dezelfde werklast je als aanroep kost. Onze gerouteerde beeldmodellen omvatten google/gemini-2.5-flash-image, google/gemini-3-pro-image-preview, google/gemini-3.1-flash-image-preview, de drie Imagen 4.0-niveaus (fast, standard en ultra), grok/grok-imagine-image en de GPT-Image-familie — openai/gpt-image-1, openai/gpt-image-1-mini, openai/gpt-image-1.5 en openai/gpt-image-2. Een week lang een designbrief tegen een van die modellen laten lopen, vertelt je of de laagoutput van Ming-Image-0.1-Design een capaciteit is die je echt nodig hebt, tegen een fractie van de kosten van de 80 GiB-kaart, en dat nog voordat je erachter komt of de licentie of het VRAM de bottleneck zou zijn. Wanneer je een zelfgehost model daadwerkelijk in een productiepad zet, is hetzelfde endpoint de plek waar de routering zit — één sleutel voor meer dan 200 modellen, automatische failover tussen providers, en 0% opslag, zodat een prijsverlaging van een leverancier bij ons dezelfde dag live is als deze wordt aangekondigd.

Wie moet welke kiezen

Kies Ming-Image-0.1-Design als het eindproduct een designasset is en geen afbeelding: gelaagde output, gestructureerde promptuitbreiding, generatie in slidevorm en een licentie waarmee je alles wat je ermee maakt mag verkopen. Reken op een serieuze kaart en accepteer dat het ecosysteem voor het serveren eromheen dunner is dan aan de Qwen-kant. Het is ook het nuttigste van de twee als je een getal aan een klant moet voorleggen, want het sterkste bewijs ervan is het enige cijfer van een derde partij in deze vergelijking.

Kies Qwen-Image 2.1 als de workflow genereren-dan-bewerken is, als je conditionering op referentieafbeeldingen nodig hebt, of als je wilt draaien op hardware die je al bezit. Het is kleiner, beter ondersteund vanaf dag één, en de licentie is prima voor het onderzoeks- en evaluatiewerk dat de meeste mensen in de praktijk als eerste doen. Het wordt de verkeerde keuze op het moment dat de output commercieel is en de juridische toets echt wordt, want de enige route naar een commerciële licentie is een directe overeenkomst met Alibaba en er is geen gepubliceerde prijs om op te plannen.

Kies voorlopig geen van beide, als wat je deze maand nodig hebt beeldgeneratie in productie is. Beide zijn gewichten, en gewichten zijn een hardware- en juridische verplichting voordat ze een capaciteit zijn. De ontwerpvraag — verandert gelaagde output wat mijn team kan opleveren — kan eerst op een gehost endpoint worden beantwoord, en dat antwoord zou moeten bepalen of de 80 GiB-kaart wordt gekocht.

Wat te kijken

Drie dingen zullen deze vergelijking beïnvloeden. Of Ming-Image-0.1-Design een servingpad krijgt naast zijn eigen vLLM-Omni-gids, want dat is momenteel het gat tussen het en de day-zero-lijst met vijf frameworks van Qwen-Image 2.1. Of Alibaba een prijs verbindt aan de commerciële Qwen-licentie, want een niet-vastgestelde prijs is de grootste onbekende in deze combinatie. En of iemand — een lab, een onafhankelijke evaluator, of een leverancier met niets te verliezen — deze twee tegen elkaar laat draaien op dezelfde prompts. Totdat dat gebeurt, is het dichtst bij een eerlijke vergelijking helemaal geen score. Het is de licentieregel, en Ming-Image-0.1-Design wint die met overmacht.