Bernini-Diffusers-v2 vs Qwen Image 3.0: Wagi, które posiadasz, kontra API renderujące tekst

Dwa chińskie laboratoria wypuściły modele generujące obrazy w odstępie trzech tygodni od siebie i znalazły się po przeciwnych stronach największego podziału w tej kategorii. Qwen-Image-3.0, wydany przez zespół Alibaba 21 lipca 2026 r. i udostępniony za pośrednictwem międzynarodowego API 4 sierpnia, jest modelem obrazowym o zamkniętych wagach, który wywołujesz przez HTTP. Bernini-Diffusers-v2, który ByteDance opublikował na Hugging Face 13 sierpnia 2026 r. bez żadnej zapowiedzi, to otwarte wagi na licencji Apache-2.0, które pobierasz i uruchamiasz. Z grubsza ten sam zakres zadań — generowanie i edycja obrazów — a jednak przeciwstawne odpowiedzi na pytanie, kto kontroluje model. Większość tego, co następuje, jest konsekwencją właśnie tej jednej decyzji, więc to punkt wyjścia tego porównania, a nie jego zakończenie.

Wagi dzielą

• Qwen-Image-3.0 — zamknięte wagi. W momencie pisania tego tekstu Alibaba nie opublikował wag ani raportu technicznego; korzystasz z niego przez API na Alibaba Cloud Bailian lub platformie Qwen. Wyniki są opatrzone etykietą pochodzenia AIGC. Kupujesz możliwości bez posiadania: brak self-hostingu, brak fine-tuningu, brak użycia offline, brak zaglądania pod maskę.

• Bernini-Diffusers-v2 — otwarte wagi. Apache-2.0, samodzielny katalog diffusers na Hugging Face oraz lokalne skrypty wnioskowania w repozytorium bytedance/Bernini. Możesz go dostroić, uruchomić w trybie odciętym od sieci, trzymać dane na własnym sprzęcie i przestać płacić za obraz. Ceną posiadania jest jego obsługa: README zaleca karty GPU klasy Hopper oraz stos Pythona 3.11.2 / PyTorch 2.7.1+cu126.

Dla zespołu, którego obrazy zawierają poufne materiały, lub którego zasady zgodności zabraniają wysyłania danych do zewnętrznego API, ten podział sam rozstrzyga spór.

Wierność tekstu i układu

Tym, czym Qwen-Image-3.0 naprawdę się wyróżnia, jest tekst. Jego najważniejsze liczby z materiałów Alibaby:

• Okno promptu — do 4 500 tokenów wejściowych, co oznacza 4,5-krotny wzrost w porównaniu z poprzednią generacją, dzięki czemu w jednym wywołaniu obsługuje gęste briefy, takie jak pierwsze strony gazet czy dziewięciopolowa siatka wiedzybr />• Mały tekst — czytelne renderowanie do około 10px, w tym notację matematyczną, indeksy dolne i górne oraz wielolinijkowe formułybr />• Języki — natywne renderowanie w 12 językach z 20+ fontami i 100+ stylami artystycznymi, a także znajomością popularnych interfejsów internetowych, gier i oprogramowania

Bernini-Diffusers-v2nie deklaruje porównywalnych możliwości w zakresie tekstu i układu na swojej karcie. Jego mocne strony leżą gdzie indziej — edycja semantyczna oparta na planowaniu oraz potok wideo — a przy zleceniu, którego istotą jest przede wszystkim „dokładne wyrenderowanie tej infografiki”, Qwen-Image-3.0 jest wyborem sprawdzonym, a Bernini — niesprawdzonym.

Głębia edycji

• Qwen-Image-3.0 — generowanie i edycja, z portfolio specjalistycznych trików: renowacja starych obrazów, generowanie panoram, przekształcanie szkiców w PPT i tworzenie scenorysów z wielu ujęć. Głównym atutem jest przydatność produkcyjna — układy, które się trzymają, i szczegóły, które wyglądają realistycznie — a nie konkretna architektura edycji.

• Bernini-Diffusers-v2 — edycja za pomocą planera semantycznego. Planer Qwen2.5-VL rozkłada instrukcję na plan zmian, a renderer oparty na Wan2.2 generuje obraz. To przekonujące rozwiązanie do złożonych, wieloetapowych edycji — „zmień porę roku, wymień samochód, zachowaj kadr” — które obejmuje także zadania wideo (t2v, v2v, rv2v), których nie obsługuje żaden z konkurentów. Wszystko to pochodzi od producenta i nie zostało publicznie zweryfikowane.

Koszt

• Qwen-Image-3.0 — w przybliżeniu 0,025 USD za 1K obrazów na międzynarodowym API (około 0,18 juana), z rozdzielczością do 2048×2048 oraz do sześciu obrazów na jedno wywołanie. Jego cena ma ostro konkurować z resztą rynku API obrazów — to ułamek tego, co rok temu kosztowały hostowane modele obrazowe z górnej półki.

• Bernini-Diffusers-v2 — darmowe wagi, brak opłat za pojedynczy obraz, a zamiast tego rachunek za sprzęt. Ekonomia odwraca się wraz ze skalą: self-hosting jest nieopłacalny przy okazjonalnym generowaniu obrazów, a im więcej generujesz, tym bardziej się opłaca, ponieważ koszt krańcowy kolejnego obrazu dąży do zera.

Istnieje trzeci koszt, który przemawia na korzyść strony open-weights i łatwo go niedoszacować: koszt zmiany. Zamknięty model API przywiązuje cię do jego cen, limitów zapytań i roadmapy; model, który posiadasz, można wymienić, załatać lub dostroić bez negocjowania czegokolwiek.

Które jest API, na którym budujesz?

Qwen-Image-3.0 jest dostępny wyłącznie przez API, więc jeśli na nim budujesz, zobowiązujesz się do rozliczania za obraz w cudzej infrastrukturze — i właśnie w tym miejscu znaczenie ma tranzyt OrcaRouter. Cena, którą widzisz po naszej stronie, to cena katalogowa Alibaby z zerową marżą, a obniżka ceny u dostawcy jest uwzględniana tego samego dnia, więc ekonomia pojedynczego obrazu zależy od dostawcy, a nie od marży resellera. Automatyczne przełączanie awaryjne między dostawcami to druga połowa argumentu: API do generowania obrazów, które zawiedzie w trakcie kampanii, przestaje mieć znaczenie, gdy Twoje wywołania kierowane są wokół niego. Jeśli natomiast wybierzesz ścieżkę otwartych wag z Bernini-Diffusers-v2, akceptujesz dziś obciążenie operacyjne w zamian za zerowe opłaty za obraz, a gdy hostowany dostawca w końcu przejmie te wagi, ten sam tranzyt będzie miał zastosowanie do tego, co ten dostawca nalicza.

Werdykt

Na papierze Qwen-Image-3.0 to mocniejszy model czysto obrazowy: sprawdzone renderowanie tekstu, ogromne okno promptów, wierność układu wielojęzycznego i konkurencyjna cena API. To bezpieczny wybór do produkcyjnego generowania obrazów, gdy brief jest pełen tekstu, a workflow oparty na API. Bernini-Diffusers-v2 to model, który możesz faktycznie posiadać — wagi Apache-2.0, self-hosted, możliwość fine-tuningu, obsługa wideo — za cenę samodzielnego utrzymania i zaufania tabeli benchmarkowej, której nikt nie powtórzył. Wybierz Qwen-Image-3.0 dla dokładności i zerowej infrastruktury; wybierz Bernini-Diffusers-v2 dla posiadania i kontroli. Jednozdaniowa reguła decyzyjna: czy chcesz wynająć możliwość, czy posiadać model?