MAI-Image-2.5-Pro kontra Qwen-Image 3.0: Czterokrotna cena za inny rodzaj tekstu

Umieść MAI-Image-2.5-Pro i Qwen-Image 3.0 obok siebie, a pierwszą rzeczą, którą zauważysz, jest cena: mniej więcej 108,50 USD za 1000 obrazów dla poziomu premium Microsoftu wobec mniej więcej 25–30 USD za 1000 dla Qwen-Image 3.0 Alibaby — stawka podawana przez samą Alibabę to około 25 dolarów, podczas gdy ranking Artificial Analysis podaje 30 dolarów. W obu przypadkach to ponad trzy razy więcej. To, co w rzeczywistości daje ta dopłata, to inny rodzaj pracy z tekstem. Qwen-Image 3.0, wydany przez zespół Q​wen Alibaby 21 lipca 2026 roku i udostępniony przez międzynarodowe API 4 sierpnia, jest wyceniony tak, by być masowym rendererem tekstu — czytelnym do około 10 px w dwunastu językach, z oknem promptu o długości 4500 tokenów dla zwięzłych briefów. MAI-Image-2.5-Pro, będący od 23 lipca w publicznej wersji zapoznawczej na Microsoft Foundry, jest najlepiej ocenianym edytorem w niezależnym rankingu, z deklarowaną przez producenta dokładnością renderowania tekstu, ale twardym limitem wyjścia wynoszącym około 1 megapiksela. Oba to modele obrazowe API, które wyróżniają się tekstem; konkurują ceną za zadanie, a nie jedną miarą jakości.

Dwie historie tekstowe, żadna nie została w pełni zweryfikowana.

Bitwa tekstowa jest powodem, dla którego oba modele istnieją, i to właśnie tam dowody są najsłabsze — każda liczba w tej sekcji jest raportowana przez dostawców i żadna nie została niezależnie odtworzona.

• Qwen-Image 3.0 — materiały wydawnicze Alibaba twierdzą, że czytelne renderowanie jest możliwe już od około 10px, z natywnym wsparciem dla 12 języków, 20+ czcionek, 100+ stylów artystycznych, notacji matematycznej, indeksów dolnych i górnych oraz formuł wieloliniowych, a także znajomością typowych interfejsów internetowych, gier i oprogramowania. Okno promptu pomieści do 4500 tokenów wejściowych — to 4,5× więcej niż w poprzedniej generacji — dzięki czemu w jednym wywołaniu może połknąć gęste treści, takie jak pierwsze strony gazet czy dziewięciopanelowa siatka wiedzy.

• MAI-Image-2.5-Pro — Microsoft twierdzi, że uzyskuje 96,8% dokładności renderowania tekstu w językach chińskim, angielskim, japońskim, koreańskim i hiszpańskim, o 27% lepszą zgodność z promptami niż GPT-Image-1.5 w wewnętrznych testach oraz 94% spójności postaci w wielu obrazach. Specyfikacja wejściowa jest na papierze bardziej pojemna — do 32 000 tokenów tekstu wejściowego z oknem kontekstowym 131k — a wyjście jest ograniczone do 1 048 576 pikseli, co odpowiada 1024×1024.

Obie tezy nie zostały dotąd zreprodukowane. Różnica polega na charakterze tez: teza Q​wen dotyczy objętości i czytelności w różnych systemach pisma, natomiast teza Microsoftu dotyczy dokładności i spójności w określonym zbiorze pięciu języków. Żaden z producentów nie opublikował benchmarku, który inne laboratorium mogłoby uruchomić i zweryfikować.

To w edycji tkwi premium

Tym, co je różni, jest edycja i to właśnie na tej osi mamy niezależne dowody. MAI-Image-2.5-Pro plasuje się na 1. miejscu w Artificial Analysis Image Editing Arena z wynikiem Elo 1,272 (~6,100 ślepych głosów), przed Reve 2.1, MAI-Image-2.5 i GPT Image 2. Na tej samej tablicy wyników nowszy Qwen-Image-3.0-Pro uzyskuje 1,249 — wynik konkurencyjny, 23 punkty Elo mniej, godny uwagi jak na model, który trafił do międzynarodowego API dopiero w tym miesiącu.

Poza modelem bazowym, portfolio edycyjne Alibaby to zestaw specjalistycznych sztuczek, a nie pojedyncza korona: renowacja starożytnych obrazów, generowanie panoram, szkic na PPT i wieloujęciowe storyboardy. Oferta Microsoftu to węższy, głębszy zakład — precyzyjne, chirurgiczne edycje, które zachowują spójność reszty kadru (zamiana obiektów, zmiany układu, aktualizacja tekstu w obrazie, usuwanie rozmycia), czyli ten typ edycji, w którym starsze modele regenerują całą scenę i gubią obiekt. Dla przepływu pracy, który polega na „weź istniejący zasób, zmień jedną rzecz, wyślij go", niezależne pierwsze miejsce (#1) w wariancie Pro jest mocniejszym sygnałem; dla miszmaszu kreatywnych formatów edycji lista Q​wena jest szersza.

Kontrast specyfikacji

• Cena — ok. 108,50 USD za 1 tys. obrazów (1024×1024, konwersja AA) vs ok. 25–30 USD za 1 tys. obrazów (wycena Alibaba vs stawka z cennika AA)br />• Premiera — 23 lipca 2026 (publiczna wersja zapoznawcza, Foundry) vs 21 lipca 2026, międzynarodowe API 4 sierpniabr />• Wejście tekstowe — 32 000 tokenów, kontekst 131 tys. vs okno promptu na 4500 tokenówbr />• Górny limit wyjścia — ok. 1 048 576 pikseli (~1K) vs do 2048×2048br />• Obrazy na wywołanie — pojedynczy wynik na żądanie vs do sześciu obrazów na wywołaniebr />• Ranking edycji — nr 1, Elo 1272 (AA) vs 1249 dla Qwen-Image-3.0-Pro na tej samej liście rankingowejbr />• Pochodzenie — twierdzenie Microsoftu o „braku destylacji z modeli stron trzecich” vs etykieta pochodzenia AIGC na wynikachbr />• Wagi — zamknięte, tylko API vs zamknięte, tylko API

Górny limit rozdzielczości oraz liczba wyników na jedno wywołanie mają większe znaczenie, niż mogłoby się wydawać. Qwen-Image 3.0 potrafi wyrenderować obraz 2048×2048 i zwrócić do sześciu obrazów na jedno wywołanie, co jest funkcją sprzyjającą ekonomice przetwarzania wsadowego; wariant Pro osiąga sufit w okolicach 1K i zwraca pojedynczy wynik na żądanie. Jeśli Twoje zlecenie brzmi: „daj mi zestaw sześciu ujęć produktowych”, model z Alibaba jest do tego stworzony, a model Microsoftu – nie.

Kiedy składka się zwraca

Reguła decyzyjna dotyczy tego, do czego służą obrazy, a nie tego, który model jest "lepszy."

• Pay the premium for MAI-Image-2.5-Pro when the output is a hero asset — a product visual, a poster, a keyframe, an image that ships into a campaign and will not be regenerated fifty times. The #1 editing rank and the character-consistency claim matter most when an edit has to be right the first time.

• Kupuj wolumenowo z Qwen-Image 3.0 gdy generowane treści są jednorazowe lub jest ich dużo — zlokalizowane warianty reklam, grafiki zastępcze, szkice do prezentacji PPT, kadry storyboardu, wszystko, co będziesz generować ponownie, a nie dopracowywać. Przy $25–30 za 1k nieudana generacja kosztuje tyle, co błąd zaokrąglenia; przy $108.50 za 1k — już nie.

Istnieje złoty środek, który warto nazwać: w przypadku gęstych, wielojęzycznych prac z tekstem w obrazie — makiety strony docelowej z tekstem japońskim i hiszpańskim, infografiki ze wzorami — czytelność Q​wena przy 10 px i dwanaście języków są na papierze lepszym wyborem, i to za jedną czwartą ceny. Kontrargumentem modelu Microsoftu jest deklaracja 96,8% dokładności w pięciu językach, ale to twierdzenie nie zostało zweryfikowane, a kupujący wybierający między dwiema niezweryfikowanymi deklaracjami dotyczącymi tekstu powinien prawdopodobnie uwzględnić cenę.

Warstwa routingu, gdy ma ona zastosowanie

Żaden z modeli nie jest jeszcze osiągalny przez OrcaRouter — Qwen-Image 3.0 działa na własnym API Alibaby (Alibaba Cloud Bailian oraz platforma Q​wen) i kilku platformach trzecich, a MAI-Image-2.5-Pro znajduje się na Microsoft Foundry — więc uczciwe porównanie mówi wprost, że żaden z nich nie jest dziś po naszej stronie. Gdy którykolwiek z nich stanie się dostępny przez wywoływalnego dostawcę hostowanego, zastosowanie mają zasady pass-through: 0% marży ponad cenę katalogową dostawcy, więc płacisz dokładnie tyle, ile wynosi cennik sprzedawcy, a rabat premierowy lub obniżka ceny pojawia się na Twoim rachunku tego samego dnia, w którym zostanie to ogłoszone. Argument o trybie failover to druga połowa: Qwen-Image 3.0 to międzynarodowe API sprzed kilku tygodni — model, do którego kierujesz część ruchu, podczas gdy sprawdzony fallback przejmuje przypadki brzegowe — czyli dokładnie scenariusz, do którego stworzona jest warstwa routingu.

Werdykt

Qwen-Image 3.0 i MAI-Image-2.5-Pro to nie ten sam produkt w różnych cenach; to różne produkty, które akurat różnią się ceną. Model Microsoftu zdobywa koronę edycji, ma większe okno kontekstowe i wysuwa niezweryfikowane twierdzenie o dokładności w pięciu językach — w przypadku materiałów hero i precyzyjnych edycji wyższa cena jest do obronienia. Model Alibaba renderuje więcej pism w czytelny sposób, przyjmuje gęstsze briefy na generację na własnych warunkach, generuje większe obrazy w partiach po sześć i kosztuje jedną czwartą ceny — przy pracy masowej i wielojęzycznej, gdzie tekst jest integralną częścią obrazu, to racjonalny wybór ekonomiczny. Kupuj wersję premium tam, gdzie obraz jest produktem; kupuj wersję masową tam, gdzie obraz jest zapasem.