Ming-Image-0.1-Design vs Qwen-Image 3.0: Kto pokazuje, jak tekst jest rysowany

Najciekawsza rzecz w Ming-Image-0.1-Design nie znajduje się na karcie modelu. Znajduje się w commicie do frameworka wnioskowania. Gdzieś w okolicach cichego przesłania modelu do Hugging Face 17 września 2026 r. vLLM-Omni scalił zmianę zatytułowaną feat: dodaj obsługę byte5 dla Ming która podłącza enkoder glifów ByT5 do nowego ming_flash_omni pipeline'u — dedykowanego komponentu, którego całym zadaniem jest patrzenie na znaki, o których wyrenderowanie poproszono, a nie na obraz, o który poproszono. To rodzaj szczegółu, który można znaleźć tylko czytając kod, i to dokładnie ten szczegół, którego Qwen-Image 3.0 — zamknięty, hostowany model obrazowy dostawcy, wydany 21 lipca 2026 r. i wprowadzony do ogólnej dostępności 5 sierpnia — nie pozwala nikomu w ogóle odczytać. Oba modele są ukierunkowane na pracę projektową, w której czytelna typografia jest trudną częścią. Tylko jeden z nich powie ci, jak to robi.

Co każdy z nich mówi o tekście

Historia renderowania tekstu w Qwen-Image 3.0 to w całości twierdzenie premierowe i na papierze wygląda dobrze. Materiały Alibaby opisują prompty do około 4500 tokenów, czytelny tekst do około 10 pikseli, pokrycie 12 języków w ponad 20 czcionkach, wynik do 2048×2048 i do sześciu obrazów na wywołanie, udostępniane w edycjach Pro i Standard przez jedno hostowane API. Nie ma wydania wag, podanej licencji, karty modelu, raportu technicznego ani opublikowanej tabeli benchmarków, z którymi można by to wszystko zweryfikować. Szeroko powtarzana wartość ~20B parametrów MMDiT jest podawana, a nie potwierdzona.

Historia Ming-Image-0.1-Design to repozytorium. 6 154 901 056 parametrów, licencja MIT, diffusers tag potoku, wszystkie wagi w BF16 safetensors, około 71,5 GB w connector/, mllm/, mlp/, scheduler/, transformer/ i vae/. Zalecane wnioskowanie to 2048×2048 przy 12 krokach próbkowania ze skalą guidance równą 1,0 na jednym GPU CUDA o pamięci 80 GiB albo 1024 dla szybkości, z vLLM-Omni wskazanym do wdrożenia i osobnym modelem wizyjno-językowym wskazanym do ulepszania promptów. Karta opisuje go jako model typu tekst-na-obraz dla UI, infografik, plakatów i innych projektów wizualnych bogatych w tekst, z wyjściem RGBA dla przezroczystych teł.

Te dwa akapity nie są tym samym rodzajem stwierdzenia i warto powiedzieć wprost, dlaczego. Jeden to opis produktu napisany przez ludzi, którzy go sprzedają. Drugi to opis artefaktu, który każdy może pobrać i sprawdzić.

Koder glifów to część, która wyjaśnia kategorię.

Renderowanie tekstu w modelach obrazu zwykle zawodzi w konkretny sposób: model generuje coś, co wygląda jak pismo, nie będąc pismem. Kształty liter są wiarygodne, a słowo jest błędne. Przyczyna jest architektoniczna, zanim jest czymkolwiek innym — większość modeli obrazu nie ma komponentu, który widzi znaki jako znaki, więc tekst jest rekonstruowany ze statystyk wizualnych tak samo jak trawa.

Commit vLLM-Omni jest interesujący właśnie dlatego, że na to wskazuje. Dodane pliki — byte5_encoder.py, pipeline_ming.py, t5_block_mapper.py oraz procesor wejściowy etapu — opisują ścieżkę, w której enkoder bajtowy ByT5 odczytuje tekst, który powinien pojawić się na obrazie, słownik tokenizatora jest rozszerzany o znaczniki czcionki i koloru, a wynikowe cechy są dołączane wzdłuż wymiaru sekwencji, przy czym strona negatywna otrzymuje zera. Ten ostatni szczegół jest oznaką, że to prawdziwa decyzja projektowa, a nie zwykła infrastruktura: gdyby gałąź negatywna niosła te same cechy glifów, mechanizm classifier-free guidance byłby przyciągany w stronę renderowania tekstu i odciągany od promptu, więc zera istnieją po to, aby te dwa cele nie walczyły ze sobą. Enkoder ładuje się tylko wtedy, gdy checkpoint faktycznie zawiera byte5/ podfolder.

Dwie uwagi w duchu uczciwości. To commit w frameworku do wnioskowania strony trzeciej, a nie oświadczenie Ant Group, a interpretacja tego, co oznaczają te pliki, jest nasza, a nie dostawcy. A to potwierdza zamysł projektowy, a nie wynik: obecność kodera glifów jest spójna z dobrym renderowaniem tekstu, ale nie jest dowodem, że renderowanie tekstu jest dobre. Jedynym niezależnym dowodem jakości jest pojedyncza pozycja w tabeli liderów, omówiona poniżej.

Kontrast z Qwen-Image 3.0 nie polega na tym, że model Alibaby źle renderuje tekst — nikt spoza Alibaby nie może powiedzieć, jak dobrze renderuje tekst, i o to właśnie chodzi. Polega on na tym, że pytanie „jak ten model rysuje litery” ma odpowiedź w przypadku jednego z tych modeli, a w przypadku drugiego obietnicę marketingową, a luka między odpowiedzią a obietnicą to miejsce, w którym podejmuje się decyzje inżynierskie.

Ten jeden numer i tablica, na której go nie ma

Ming-Image-0.1-Design zajmuje pierwsze miejsce w rankingu Artificial Analysis Text to Image Leaderboard dla projektowania UI/UX, w widoku otwartych wag, z wynikiem Elo 1,082 — przed Ideogram 4.0 (Quality) z 1,052, Ideogram 4.0 z 1,015, HunyuanImage 3.0 Instruct z 1,005, FLUX.2 [dev] z 1,000, FLUX.2 [dev] Flash z 999 i FLUX.2 [dev] Turbo z 994. Kopia tego rankingu to ta odtworzona na karcie samego modelu i nosi branding Artificial Analysis; nikt nie odtworzył tego wyniku niezależnie.

To ranking dla modeli z otwartymi wagami, więc Qwen-Image 3.0 nie ma w nim wpisu, a jego nieobecność nic nie mówi o jego jakości. To, co jednak mówi, ma charakter strukturalny: ranking preferencji w ciemno może klasyfikować tylko modele, których wagi są publiczne. To daje otwartemu wydaniu mierzalną pozycję na miesiące przed tym, zanim ma produkt, a zamkniętemu wydaniu daje marketingową liczbę i nic więcej. Twierdzenia Qwen-Image 3.0 — czytelność przy 10 pikselach, prompty o długości 4500 tokenów, ponad 20 czcionek — nie mają za sobą w ogóle żadnego niezależnego pomiaru.

Jak faktycznie można by to przetestować i ile kosztuje próba

Jeśli czytelny krój pisma jest powodem, dla którego to czytasz, testem nie jest ranking. To twój własny krój pisma, twój własny język i twoje własne ciągi znaków, przepuszczone przez obu kandydatów i odczytane przez człowieka. Ten test wymaga, by jeden z tych modeli był dostępny i tani, a drugi — możliwy do pobrania, a ich ceny opierają się na przeciwnych zasadach.

• Qwen-Image 3.0 — około 0,04 USD za obraz w edycji Pro i około 0,03 USD w wersji Standard, a ceny dla konsumentów na rynku krajowym zaczynają się od około ¥0,18 za obraz. To wartości z momentu premiery i nie zostały poddane audytowi. Możesz uruchomić matrycę promptów jeszcze dziś po południu i płacić za każde wywołanie.

• Ming-Image-0.1-Design — brak opublikowanej ceny, ponieważ nie ma hostowanego endpointu. Koszt to pobranie 71,5 GB, karta 80 GiB i Twój własny czas, a korzyść polega na tym, że możesz skierować ten sam test na ścieżkę kodera glifów i sprawdzić, czy to właśnie ten komponent wykonuje tę pracę.

To jest sytuacja, do której stworzono warstwę routingu, i warto precyzyjnie określić, która jej część ma tu zastosowanie. Ani Qwen-Image 3.0, ani Ming-Image-0.1-Design nie znajduje się na naszej platformie, więc warstwa routingu nie może dziś wystawić żadnego z nich za kluczem. Może natomiast zadbać o to, by porównanie pozostało rzetelne podczas jego przeprowadzania: OrcaRouter udostępnia ponad 200 modeli za jednym punktem końcowym zgodnym z OpenAI, w cenie katalogowej dostawcy i bez żadnej marży, z automatycznym przełączaniem awaryjnym między dostawcami, dzięki czemu model, któremu już ufasz, może utrzymać ścieżkę produkcyjną — a jego koszt pozostaje powiązany z ceną katalogową dostawcy, więc zmiana stawek przez dostawcę trafia na naszą stronę tego samego dnia — podczas gdy niezmierzony model projektowy jest oceniany obok niego, a nie przed nim.

Dwa otwarte wydania, jedno zamknięte i pewien wzorzec

Warto zauważyć, czego — poza nim samym — dowodem jest wydanie Ming. Ant Group opublikowała 6,15-miliardowy model projektowy na licencji MIT, bez żadnej zapowiedzi, wraz z drugim modelem do dekompozycji warstw na tej samej licencji. Alibaba opublikowała zamknięty model hostowany bez licencji, bez karty modelu i bez raportu, przeznaczony do tego samego rodzaju zadań, i ustaliła cenę za każdy obraz.

To dwa różne zakłady o to, gdzie w modelach projektowych ulokowana jest wartość. Jeden mówi, że model jest produktem, a wagi są kanałem dystrybucji. Drugi mówi, że model jest usługą, a wagi są tym, co zatrzymujesz. Oba zakłady mogą być słuszne na tym samym rynku i dają bardzo różne odpowiedzi na jedyne pytanie, które ma znaczenie w momencie oceny: czy mogę dowiedzieć się, jak to działa, zanim zacznę od tego zależeć?

• Jeśli musisz wiedzieć, jak renderowany jest tekst i dlaczego czasami nie jest — Ming-Image-0.1-Design jest jedynym z tych dwóch, który pozwala ci zajrzeć, a licencja MIT oznacza, że możesz działać na podstawie tego, co odkryjesz.

• Jeśli potrzebujesz dziś produkcyjnego endpointu z ceną za obraz i bez infrastruktury — Qwen-Image 3.0 jest jedynym z tych dwóch, który go oferuje, a jego wewnętrzne mechanizmy są częścią ceny.

• Jeśli potrzebujesz niezależnych dowodów, zanim podejmiesz decyzję — żaden z nich nie ma ich wystarczająco dużo. Jeden ma pojedynczą, niepowtórzoną pozycję w rankingu; drugi ma arkusz twierdzeń dostawcy bez dołączonych liczb.

Na co zwrócić uwagę, to czy ten wzorzec się utrzyma. Niezapowiedziane wydanie na licencji MIT z koderem glifów jest deklaracją, jak jego autorzy oczekują, że model będzie używany — sprawdzany, uruchamiany lokalnie, modyfikowany. Jeśli następne wydanie od tego samego zespołu zostanie zapowiedziane, poddane benchmarkom i hostowane, to był jednorazowy przypadek. Jeśli będzie to kolejne ciche repozytorium, kategoria modeli projektowych ma drugiego otwartego konkurenta, a zamknięta połowa rynku ma problem cenowy, którego nie miała w lipcu.