MOSS-Image vs Qwen Image 3.0: Jedno laboratorium postawiło na zamknięte, drugie na otwarte

Q​wen Image 3.0 i M​OSS-Image zostały wydane przez chińskie laboratoria w odstępie ośmiu tygodni i zajęły przeciwne stanowiska w kwestii, która decyduje o tym, co możesz zbudować. Alibaba wydała Q​wen Image 3.0 21 lipca 2026 r. i wprowadziła go do ogólnej dostępności 5 sierpnia — zamknięty, bez wag, bez karty modelu, bez raportu technicznego, dostępny wyłącznie przez hostowane API w wersjach Pro i Standard. OpenMOSS wydała M​OSS-Image 16 października 2026 r. jako otwarte wagi na licencji Apache 2.0 obejmujące zarówno checkpointy, jak i samodzielny potok wnioskowania. Po stronie Q​wen jest pułapka nazewnicza, o której warto wiedzieć przede wszystkim: Q​wen-Image 2.1, wydany 20 września 2026 r., jest nowszy niż Q​wen-Image 3.0, a oba to oddzielne linie produktowe współdzielące numer.

Ujęte w ten sposób, porównanie wygląda jak spór otwarte kontra zamknięte, i częściowo nim jest. Ale ciekawsza różnica nie dotyczy licencjonowania. Polega ona na tym, że Q​wen Image 3.0 i M​OSS-Image najśmielsze twierdzenia składają na temat tej samej zdolności — dokładnego odwzorowania tekstu i układu — a mają dla niej całkowicie odmienne mechanizmy, z których jeden można zbadać, a drugiego nie.

Co tak naprawdę twierdzi Qwen Image 3.0

Q​wen Image 3.0 to zamknięty model hostowany, który udostępnia generowanie i edycję obrazów przez jedno API, w edycjach Standard i Pro. Materiały premierowe A​libaby zawierają cztery konkretne obietnice: prompty o długości do około 4500 tokenów, czytelny tekst na obrazie już od około 10 pikseli, obsługę 12 języków w ponad 20 fontach oraz wynik do 2048×2048 i do sześciu obrazów na wywołanie. Nie opublikowano liczby parametrów, a szeroko powtarzana wartość ~20 mld dla MMDiT jest podawana, ale niepotwierdzona przez A​libabę.

Ceny wynoszą około 0,035 USD za obraz w Model Studio firmy A​libaba, a Artificial Analysis wylicza około 30 USD za 1000 obrazów dla wersji Standard i 40 USD za 1000 dla wersji Pro. Jego zmierzona pozycja to środek tabeli, a nie czołówka: Elo 1077 w generowaniu obrazów z tekstu, co daje szesnaste miejsce; 1088 dla wersji Pro w zakresie edycji, czternaste miejsce; i 1048 dla wersji Standard w zakresie edycji, dwudzieste pierwsze miejsce. To dane Artificial Analysis, co czyni je jedynymi niezależnie uzyskanymi liczbami w całym tym porównaniu — M​OSS-Image nie ma żadnego wpisu w Artificial Analysis.

Jeśli chodzi o jego zachowanie podczas edycji, udokumentowano trzy rzeczy — i ta oszczędność jest tu sednem. Pro obsługuje od 1 do 3 obrazów wejściowych. Udokumentowana ścieżka edycji obejmuje lokalne przepisywanie, rozszerzanie treści, transfer stylu i generowanie z wielu kątów kamery, bez opublikowanego przepływu pracy opartego na maskach. W zapowiedzi nie ma w ogóle żadnej deklaracji dotyczącej przezroczystości — żadnego generowania RGBA, edycji przezroczystych warstw ani wyodrębniania obiektu do kanału alfa.

To, co uderzająco nieobecne na każdej stronie Alibaby, to jakikolwiek pomiar precyzji układu. Qwen Image 3.0 twierdzi, że tekst jest czytelny przy 10 pikselach, i nie mówi nic o tym, gdzie ten tekst trafia.

Co twierdzi MOSS-Image i różnica rodzaju

MOSS-Image to 5B jednostrumieniowy transformer dyfuzyjny — 42 bloki łączone, szerokość ukryta 3 072, 24 głowice o wymiarze 128, warstwa feed-forward SiTU-GLU o szerokości 8 192, czteroosiowe rotacyjne kodowanie pozycji — z zamrożonym enkoderem tekstowym Qwen3.5-9B i zamrożonym VAE FLUX.2 wczytanym z FLUX.2-klein-4B. Plik do pobrania SFT ma około 27,2 GB, z czego około 16,8 GB przypada na enkoder.

Różnica w możliwościach nie jest kwestią stopnia. Twierdzenie Q​wen Image 3.0 dotyczące tekstu odnosi się do czytelności — czy model potrafi wyrenderować znaki na tyle małe, by dały się odczytać. Twierdzenie M​OSS-Image odnosi się do umiejscowienia — czy potrafi umieścić określony ciąg znaków na określonej współrzędnej. To brzmi podobnie, ale podobne nie jest. Model, który pięknie renderuje tekst, ale umieszcza twój nagłówek na zdjęciu produktu, nie sprostał innemu zadaniu niż ten, który renderuje nieco łagodniejsze glify w dokładnie właściwym polu.

Mechanizm rozmieszczania w MOSS-Image polega na tym, że układ dostarczasz jako dane. Polecenie może być obiektem JSON przenoszącym ramki ograniczające w bezwzględnych współrzędnych pikselowych mierzonych od środka kanwy, dosłowne ciągi tekstowe i uwagi typograficzne, z bbox_format "yxyx". Własna ablacja dostawcy jest najwyraźniejszym dowodem na to, dlaczego interfejs ma znaczenie: w RealLayoutArena polecenia z układem w formacie JSON uzyskują 1 622,87 w tym samym systemie, w którym polecenia w języku naturalnym uzyskują 1 506,20. W 7Bench, który raport również wprowadza, MOSS-Image podaje średnią IoU układu 0,88 przy AUC układu 0,70 — ta sama tabela umieszcza Qwen Image 3.0 Pro na poziomie 0,31 i AUC pola od 0,16 do 0,20.

To 0,88 w porównaniu z 0,31 to największa pojedyncza różnica w tym zestawieniu, a jednocześnie najmniej wiarygodna liczba w nim. OpenMOSS napisał ten benchmark, uruchomił na nim oba modele i opublikował wynik. Autorzy Qwen Image 3.0 nie opublikowali żadnej metryki układu, więc nie ma z czym tego porównać — ani niższej liczby, ani sporu, nic. Tę asymetrię warto nazwać: przewaga jednego laboratorium w teście własnego autorstwa jest porównywana z milczeniem innego laboratorium.

Wymiary, obok siebie

• Premiera — Qwen Image 3.0 zadebiutował 21 lipca 2026 r., wersja GA 5 sierpnia 2026 r.; MOSS-Image wydano 16 października 2026 r.

• Licencjonowanie — Qwen Image 3.0 jest zamknięty, bez wag, bez określonej licencji, bez karty modelu i bez raportu technicznego; MOSS-Image jest objęty licencją Apache 2.0 w zakresie wag i samodzielnego kodu pipeline'u, bez progu przychodowego

• Cena — Q​wen Image 3.0 około 0,035 USD za obraz w Model Studio, a Artificial Analysis wylicza ~30 USD za 1000 w wersji Standard i ~40 USD za 1000 w wersji Pro; M​OSS-Image do bezpłatnego pobrania przy ~27,2 GB plus własny czas GPU

• Edycje — Q​wen Image 3.0 jest dostarczany w wersjach Standard i Pro o różnych poziomach edycji; M​OSS-Image jest dostarczany z checkpointami Base i SFT, gdzie Base celowo pozostawiono niedestylowany, aby modele dostrajane miały na czym się zaczepić

• Limit promptu — Qwen Image 3.0 około 4500 tokenów; MOSS-Image 4096 tokenów na końcowym etapie pretreningu

• Renderowanie tekstu — Q​wen Image 3.0 twierdzi, że renderuje czytelny tekst do około 10 pikseli w 12 językach i ponad 20 czcionkach; M​OSS-Image odnotowuje 96,3 Mean-6 w LongLongTextBench, z podziałem na 97,1 dla angielskiego i 92,4 dla chińskiego, w porównaniu do 64,9 Q​wen-Image-2512 w tej samej tabeli

• Kontrola układu — M​OSS-Image przyjmuje układy JSON w bezwzględnych współrzędnych względem środka i deklaruje średnie IoU 0,88 na 7Bench, podczas gdy dla Q​wen Image 3.0 Pro podano 0,31; A​libaba nie publikuje żadnej metryki układu

• Obrazy referencyjne — Q​wen Image 3.0 Pro dokumentuje 1–3 obrazy wejściowe i do sześciu obrazów na wywołanie; warunkowanie referencyjne M​OSS-Image to zarezerwowana oś w jego schemacie pozycyjnym, opisywana jako przyszłościowa, a nie wdrożona

• Edycja — Qwen Image 3.0 obejmuje lokalne przepisywanie, rozszerzanie, transfer stylu i generowanie z wielu kątów kamery przez jedno API; raport MOSS-Image nie przedstawia edycji jako powierzchni produktu

• Transparentność — ogłoszenie Q​wen Image 3.0 nie zawiera żadnego twierdzenia o transparentności; VAE modelu M​OSS-Image wykorzystuje 32 kanały ukryte, a pipeline udostępnia reprezentację ukrytą, choć wyjście RGBA nie jest funkcją deklarowaną przez dostawcę

• Niezależny wynik — Qwen Image 3.0 ma Elo 1 077 w generowaniu obrazów z tekstu (16. miejsce), a wersja Pro 1 088 w edycji (14. miejsce) według Artificial Analysis; MOSS-Image nie ma niezależnego wyniku

• Ekosystem — Q​wen Image 3.0 ma API; M​OSS-Image ma niestandardowy pipeline w Diffusers, aplikację Gradio, wtyczkę ComfyUI instalowaną przez ComfyUI Manager oraz otwarty pull request do vLLM-Omni wciąż będący w trakcie przeglądu

Argument, który rozstrzyga w większości zespołów

Qwen Image 3.0 nie jest słabym modelem i nie jest drogi. Przy około trzech i pół centa za obraz, z oknem promptu wynoszącym 4500 tokenów, wyjściem 2K i wywołaniami wieloobrazowymi, to całkowicie rozsądna rzecz do umieszczenia za funkcją produktu już dziś po południu. Jeśli Twoim wymaganiem jest „generowanie dobrych obrazów według tego opisu, czasem z obrazem referencyjnym, przy przewidywalnym koszcie jednostkowym”, model zamknięty wygrywa pod względem czasu do pierwszego żądania i prawdopodobnie całkowitego kosztu, ponieważ Twoi inżynierowie nigdy nie dotykają GPU.

M​OSS-Image wygrywa na innej osi, której żadne API nie może zaoferować niezależnie od ceny: możesz sprawdzić to, co decyduje o wyniku. Specyfikacja układu to dane. Może być generowana przez Twój kod, kontrolowana wersjami w tym samym repozytorium co wszystko inne, porównywana różnicowo, gdy ktoś zmieni szablon, walidowana względem schematu, zanim trafi do modelu, i sprawdzana przez człowieka, który zatwierdza kompozycję, zanim zostanie wyrenderowany choćby jeden piksel. Nic z tego nie jest możliwe, gdy mapowanie od promptu do układu odbywa się wewnątrz hostowanego endpointu, do którego nie możesz zajrzeć.

To prawdziwa różnica architektoniczna i słabo się ją sprzedaje, bo „możesz testować swój prompt jednostkowo” to nie demo, które ktokolwiek nagrywa. Ale to różnica między pipeline’em, którego awarie da się debugować, a takim, którego awarie kończą się zgłoszeniem do wsparcia. Kiedy MOSS-Image umieści nagłówek w złym miejscu, możesz odczytać JSON, który wysłałeś, i zobaczyć błędną współrzędną. Kiedy robi to model hostowany, masz prompt, który wyglądał dobrze, i obraz, który nie.

Jest jeszcze drugi wyróżniający fakt, którego żaden z dostawców nie wysuwa na pierwszy plan. Ciche obszary Qwen Image 3.0 są spójne: brak liczby parametrów, brak architektury, brak opisu danych treningowych, brak tabeli benchmarków, brak raportu technicznego i brak metryki układu. Raport MOSS-Image jest w porównaniu z nim nadmiernie uszczegółowiony — progresywne etapy treningu rozdzielczości z liczbą kroków, korpus pochodzący z ReLAION przycięty z około 5 miliardów do 3 miliardów obrazów, hybrydowy optymalizator Muon–AdamW z ablacją pokazującą o 33,2% i 28,6% mniej kroków do tej samej straty niż AdamW w dwóch punktach kontrolnych. Część tych szczegółów jest dostępna tylko dlatego, że model jest otwarty, ale raport napisano z wyboru i to jest różnica między produktem a publikacją.

Gdzie twierdzenie o otwartości ma ograniczenia

Trzy rzeczy dotyczące otwartości M​OSS-Image zasługują na sprawdzenie, a nie na założenie.

Pierwszy z nich jest operacyjny. Otwarte wagi bez zmergowanej ścieżki serwowania to zupełnie inna sprawa niż otwarte wagi z taką ścieżką. Pull request do vLLM-Omni, który dodaje MOSS-Image z pomijaniem warstw (skip-layer guidance) — [Model] Add MOSImage text-to-image with SLG — został otwarty 14 października i obejmuje 3 605 dodanych linii w 25 plikach; wciąż pozostaje otwarty, a recenzent prosi o dowody zgodności wyników z przypiętą implementacją referencyjną. Najnowsze opublikowane wydanie vLLM-Omni to v0.31.0rc1 z 6 października. Żadna wydana wersja nie zawiera tego modelu, a narracja o „wsparciu od dnia zerowego”, która krążyła w dniu premiery, opisuje gałąź, którą można zbudować, a nie pakiet, który można zainstalować.

Po drugie, naj mocniejszy wynik w raporcie nie pochodzi od pojedynczego modelu. Moduł wzbogacania promptów, LayoutPE, ma rzekomo korzystać z G​PT-6 z modularnymi instrukcjami zadaniowymi na etapie wnioskowania, a dołączony skill prompt-enhancer opisano jako zaprojektowany dla agentów z rodziny G​PT-6. Flagowy wynik end-to-end Elo wynoszący 1698,70 — drugi po 1844,35 modelu GPT Image 2 — powstaje zatem w dwumodelowym potoku, którego połowa odpowiadająca za specyfikację należy do czyjegoś API. Odczytana jako miara samego generatora, ta liczba jest zawyżona.

Trzeci punkt to dostrajanie. Model Base celowo pozostawiono bez destylacji — karta modelu stwierdza, że „nie przeszedł żadnego treningu po wstępnym ani destylacji parametrów wnioskowania, takich jak CFG” — właśnie po to, aby LoRA-y miały na czym się zaczepić, co jest autentycznym zobowiązaniem, a nie gestem licencyjnym. Ale przepis treningowy to dokumentacja, a nie udostępnione dane, a dotychczasowe wskazówki dotyczące dostrajania sprowadzają się do konkretnych instrukcji (utrzymuj enkoder tekstu w stanie zamrożonym; nie dostrajaj go) oraz promptu do tworzenia podpisów. Twierdzenie, że prosty SFT odblokowuje generowanie oparte na referencjach i wyjście w formacie GIF, zostało opatrzone dołączonym „czekajcie na więcej”.

Routing, ujęty bez przesady

Żaden z modeli w tym porównaniu nie znajduje się w naszym katalogu i nie będziemy udawać, że jest inaczej. Q​wen Image 3.0 znajduje się w Model Studio A​libaby i, podobnie jak reszta linii Q​wen Image, nie jest obsługiwany przez OrcaRouter. M​OSS-Image to plik do pobrania. Granica tutaj jest prosta: nie hostujemy żadnego z nich.

To, co znajduje się wnaszym katalogu, to reszta konkurencji, względem której mierzy się te dwa — hostowane modele obrazów, z którymi porównałbyś samodzielnie hostowany M​OSS-Image, dostępne na jednym kluczu API w cenie katalogowej dostawcy z 0% marży, więc zmiana ceny dostawcy dla hostowanego modelu jest odzwierciedlana tutaj tego samego dnia, a nie przy kolejnym odnowieniu umowy. W porównaniu takim jak to, gdzie strona Q​wen jest rozliczana za obraz, a strona M​OSS za godziny GPU, użyteczną rzeczą, jaką zapewnia warstwa routingu, nie jest rabat, lecz jedno miejsce do odczytania bieżącej ceny hostowanego modelu i jeden punkt końcowy do awaryjnego przełączania między dostawcami, gdy jeden z dostawców ulegnie degradacji w trakcie oceny. To cała teza — nie posuwa się do oferowania modelu, którego nie uruchamiamy.

Jak zdecydować, w kolejności

Przejdź przez nie po kolei, a odpowiedź zwykle wyjdzie przy trzecim pytaniu.

• Czy masz GPU lub budżet, który możesz zamienić na godziny GPU? Jeśli nie, to porównanie się kończy, a odpowiedzią jest Q​wen Image 3.0 za około 0,035 USD za obraz.

• Czy twój układ jest poznawalny przed generowaniem — czy masz szablon, siatkę, zestaw współrzędnych? Jeśli tak, interfejs JSON M​OSS-Image jest jedynym mechanizmem w tym zestawieniu, który bezpośrednio rozwiązuje twój problem, a różnica 0,88 wobec 0,31 jest na to dowodem, choć autorstwa dostawcy.

• Czy musisz dostrajać, kwantyzować lub uruchamiać w środowisku odizolowanym? Jeśli tak, model zamknięty nie wchodzi w grę za żadną cenę, a fakt, że 4-krokowa LoRA DMD i 8-krokowy wariant destylowany pojawiły się w ciągu około jednego dnia od wydania, jest tym, w co się angażujesz.

• Czy Twój przegląd prawny musi kończyć się dokumentem? Apache 2.0 kontra brak określonej licencji to najkrótsza część tego porównania.

• Czy niezależność pomiaru jest wymogiem? W takim razie bez dodatkowej pracy nie wybieraj żadnego z nich. Jedynymi niezależnymi liczbami Q​wen Image 3.0 są pozycje Elo od Artificial Analysis, które plasują go w środku stawki, a nie blisko czołówki. Wszystkie najważniejsze wyniki M​OSS-Image pochodzą z benchmarków zbudowanych przez jego własnych autorów.

To, co najszybciej zmieniłoby odpowiedź, jeszcze nie istnieje — i dla obu modeli chodzi o to samo: jeden niezależny przebieg testu, w którym każdy z nich jest najlepszy. W przypadku Qwen Image 3.0 oznacza to pomiar layoutu od kogokolwiek, ponieważ Alibaba nie opublikowała żadnego. W przypadku MOSS-Image oznacza to, że ktoś inny niż OpenMOSS przeprowadzi LongLongTextBench, RealLayoutArena lub 7Bench. Do tego czasu, cokolwiek postanowisz, decydujesz na podstawie architektury, licencji i mechanizmu, a nie zweryfikowanej jakości — co w przypadku bezpośredniego porównania zamkniętego API z otwartym checkpointem i tak jest prawdopodobnie właściwą podstawą.

Udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami jak to są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom istotności, stopień pewności i znacznik sporności.