MOSS-Image vs Qwen Image 3.0: Um laboratório fechou, o outro abriu

Qwen Image 3.0 e MOSS-Image foram lançados por laboratórios chineses com oito semanas de diferença e assumiram posições opostas na única questão que decide o que você pode construir. A Alibaba lançou o Qwen Image 3.0 em 21 de julho de 2026 e o levou à disponibilidade geral em 5 de agosto — fechado, sem pesos, sem model card, sem relatório técnico, acessível apenas por meio de uma API hospedada nas edições Pro e Standard. A OpenMOSS lançou o MOSS-Image em 16 de outubro de 2026 como pesos abertos sob Apache 2.0, abrangendo tanto os checkpoints quanto o pipeline de inferência independente. Há uma armadilha de nomenclatura do lado do Qwen que vale a pena conhecer antes de qualquer outra coisa: Qwen-Image 2.1, lançado em 20 de setembro de 2026, é mais recente que o Qwen-Image 3.0, e as duas são linhas de produtos separadas que compartilham um número.

Colocada nesses termos, a comparação parece um argumento de aberto versus fechado, e em parte é. Mas a diferença mais interessante não é o licenciamento. É que Qwen Image 3.0 e MOSS-Image fazem suas alegações mais fortes sobre a mesma capacidade — acertar o texto e o layout com exatidão — e têm mecanismos totalmente diferentes para isso, um dos quais você pode inspecionar e o outro não.

O que o Qwen Image 3.0 realmente afirma

O Qwen Image 3.0 é um modelo hospedado e fechado que oferece geração e edição de imagens por meio de uma única API, nas edições Standard e Pro. O material de lançamento da Alibaba faz quatro promessas específicas: prompts de até cerca de 4.500 tokens, texto legível dentro da imagem até aproximadamente 10 pixels, cobertura de 12 idiomas em mais de 20 fontes, e saída de até 2048×2048 com até seis imagens por chamada. Nenhuma contagem de parâmetros foi publicada, e o número de ~20B do MMDiT, amplamente repetido, é relatado, mas não confirmado pela Alibaba.

O preço fica em cerca de US$ 0,035 por imagem no Model Studio da A​libaba, com a Artificial Analysis estimando cerca de US$ 30 por 1.000 imagens para o Standard e US$ 40 por 1.000 para o Pro. Sua posição medida fica na metade da tabela, em vez de na liderança: Elo 1.077 para texto para imagem, em décimo sexto lugar; 1.088 para a edição Pro na categoria de edição, em décimo quarto lugar; e 1.048 para o Standard na categoria de edição, em vigésimo primeiro lugar. Esses são números da Artificial Analysis, o que os torna os únicos números produzidos de forma independente em toda esta comparação — o M​OSS-Image não tem nenhum registro na Artificial Analysis.

Três coisas estão documentadas sobre o seu comportamento de edição, e a escassez é o ponto. O Pro suporta 1–3 imagens de entrada. O caminho de edição documentado abrange reescrita local, expansão de conteúdo, transferência de estilo e geração de múltiplos ângulos de câmera, sem nenhum fluxo de trabalho publicado baseado em máscaras. Não há nenhuma menção a transparência no anúncio — nenhuma geração de RGBA, nenhuma edição de camada transparente, nenhuma extração de sujeito para um canal alfa.

O que está notavelmente ausente em todas as páginas da Alibaba é qualquer medição de precisão de layout. O Qwen Image 3.0 afirma texto legível a 10 pixels e não diz nada sobre onde esse texto fica.

O que o MOSS-Image afirma, e a diferença de espécie

MOSS-Image é um transformer de difusão de fluxo único de 5B — 42 blocos conjuntos, largura oculta 3.072, 24 cabeças com 128 dimensões, feed-forward SiTU-GLU de 8.192 de largura, codificação posicional rotativa de quatro eixos — com um codificador de texto Qwen3.5-9B congelado e um VAE FLUX.2 congelado carregado de FLUX.2-klein-4B. O download do SFT tem cerca de 27,2 GB, dos quais aproximadamente 16,8 GB são o codificador.

A diferença de capacidade não é uma questão de grau. A alegação de texto do Qwen Image 3.0 diz respeito à legibilidade — se o modelo consegue renderizar caracteres pequenos o suficiente para serem lidos. A alegação do MOSS-Image diz respeito ao posicionamento — se ele consegue colocar uma string especificada numa coordenada especificada. Parecem semelhantes, mas não são. Um modelo que renderiza texto lindamente mas coloca a sua manchete em cima da foto do produto falhou numa tarefa diferente da de um modelo que renderiza glifos um pouco mais suaves exatamente na caixa certa.

O mecanismo de posicionamento do MOSS-Image é que você fornece o layout como dados. O prompt pode ser um objeto JSON contendo caixas delimitadoras em coordenadas absolutas de pixels medidas a partir do centro do canvas, strings de texto literais e notas de tipografia, com bbox_format "yxyx". A própria ablação do fornecedor é a evidência mais clara de por que a interface importa: no RealLayoutArena, prompts de layout em JSON pontuam 1.622,87 no mesmo sistema em que prompts em linguagem natural pontuam 1.506,20. No 7Bench, que o relatório também apresenta, o MOSS-Image relata uma IoU média de layout de 0,88 com uma AUC de Layout de 0,70 — a mesma tabela coloca o Qwen Image 3.0 Pro em 0,31 e uma AUC de campo de 0,16 a 0,20.

Esse 0,88 contra 0,31 é a maior diferença isolada desta comparação e também é o número menos confiável dela. A OpenMOSS escreveu o benchmark, executou ambos os modelos nele e publicou o resultado. Os autores do Qwen Image 3.0 não publicaram nenhuma métrica de layout, então não há nada com que compará-la — nem um número menor, nem uma contestação, nada. Vale nomear essa assimetria: a vantagem de um laboratório em um teste de autoria própria está sendo comparada ao silêncio de outro laboratório.

As dimensões, lado a lado

• Lançamento — Q​wen Image 3.0 lançado em 21 de julho de 2026, disponibilidade geral em 5 de agosto de 2026; M​OSS-Image lançado em 16 de outubro de 2026

• Licenciamento — Qwen Image 3.0 é fechado, sem pesos, sem licença declarada, sem cartão de modelo e sem relatório técnico; MOSS-Image é Apache 2.0 para pesos e código de pipeline autônomo, sem limite de receita

• Preço — Qwen Image 3.0 cerca de US$ 0,035 por imagem no Model Studio, com a Artificial Analysis calculando ~US$ 30 por 1.000 no Standard e ~US$ 40 por 1.000 no Pro; MOSS-Image gratuito para baixar em ~27,2 GB mais o tempo de GPU próprio

• Edições — O Qwen Image 3.0 é disponibilizado nas versões Standard e Pro, com diferentes níveis de edição; o MOSS-Image é disponibilizado com checkpoints Base e SFT, em que o Base é deliberadamente deixado sem destilação para que os fine-tunes tenham algo em que se apoiar.

• Limite de prompt — Qwen Image 3.0 cerca de 4.500 tokens; MOSS-Image 4.096 tokens no estágio final de pré-treinamento

• Renderização de texto — Qwen Image 3.0 afirma texto legível até cerca de 10 pixels em 12 idiomas e mais de 20 fontes; MOSS-Image relata 96,3 Mean-6 no LongLongTextBench, dividindo 97,1 em inglês e 92,4 em chinês, contra 64,9 do Qwen-Image-2512 na mesma tabela

• Controle de layout — M​OSS-Image aceita layouts JSON em coordenadas absolutas relativas ao centro e alega IoU médio de 0,88 no 7Bench, enquanto Q​wen Image 3.0 Pro está listado com 0,31; A​libaba não publica métrica de layout

• Imagens de referência — Q​wen Image 3.0 Pro documenta 1–3 imagens de entrada e até seis imagens por chamada; o condicionamento de referência do M​OSS-Image é um eixo reservado em seu esquema posicional, descrito como voltado para o futuro, e não como já lançado

• Edição — O Q​wen Image 3.0 abrange reescrita local, expansão, transferência de estilo e geração com múltiplos ângulos de câmera por meio de uma única API; o relatório do M​OSS-Image não apresenta a edição como uma superfície de produto

• Transparência — O anúncio do Q​wen Image 3.0 não traz nenhuma alegação de transparência; o VAE do M​OSS-Image usa 32 canais latentes e o pipeline expõe a representação latente, embora a saída RGBA não seja um recurso alegado pelo fornecedor

• Pontuação independente — Q​wen Image 3.0 com Elo 1.077 em texto para imagem (16.º) e 1.088 Pro em edição (14.º), segundo a Artificial Analysis; M​OSS-Image não tem pontuação independente

• Ecossistema — O Q​wen Image 3.0 tem uma API; o M​OSS-Image tem um pipeline personalizado do Diffusers, um aplicativo Gradio, um plugin do ComfyUI instalável pelo ComfyUI Manager e um pull request aberto do vLLM-Omni ainda em revisão

O argumento que decide a maioria das equipes

Qwen Image 3.0 não é um modelo fraco, e não é caro. A cerca de três centavos e meio por imagem, com uma janela de prompt de 4.500 tokens, saída em 2K e chamadas com várias imagens, é algo perfeitamente razoável para colocar por trás de uma funcionalidade de produto hoje à tarde. Se o seu requisito é "gerar boas imagens a partir desta descrição, às vezes com uma imagem de referência, a um custo previsível por unidade", o modelo fechado leva vantagem no tempo até a primeira requisição e possivelmente no custo total, porque seus engenheiros nunca tocam em uma GPU.

M​OSS-Image vence em um eixo diferente, e é um que nenhuma API pode oferecer independentemente do preço: você pode inspecionar a coisa que decide a saída. Uma especificação de layout é um dado. Ela pode ser gerada pelo seu código, versionada no mesmo repositório que todo o resto, comparada por diff quando alguém altera o template, validada contra um esquema antes de chegar ao modelo e revisada por uma pessoa que aprova a composição antes que um único pixel seja renderizado. Nada disso é possível quando o mapeamento do prompt para o layout acontece dentro de um endpoint hospedado em cujo interior você não consegue enxergar.

Isso é uma diferença arquitetural real e vende mal, porque “você pode fazer testes de unidade no seu prompt” não é uma demo que alguém filma. Mas é a diferença entre um pipeline cujas falhas são depuráveis e um cujas falhas geram um chamado de suporte. Quando o MOSS-Image coloca a manchete no lugar errado, você pode ler o JSON que enviou e ver a coordenada errada. Quando um modelo hospedado faz isso, você tem um prompt que parecia bom e uma imagem que não.

Há um segundo fato distintivo que nenhum dos fornecedores destaca em primeiro lugar. As áreas de silêncio do Qwen Image 3.0 são consistentes: nenhuma contagem de parâmetros, nenhuma arquitetura, nenhuma descrição dos dados de treinamento, nenhuma tabela de benchmark, nenhum relatório técnico e nenhuma métrica de layout. O relatório do MOSS-Image é excessivamente especificado em comparação — estágios de treinamento com resolução progressiva com contagens de passos, um corpus derivado do ReLAION reduzido de cerca de 5 bilhões para 3 bilhões de imagens, um otimizador híbrido Muon–AdamW com uma ablação mostrando 33,2% e 28,6% menos passos até a mesma perda do que o AdamW em dois checkpoints. Parte desse detalhe só está disponível porque o modelo é aberto, mas o relatório foi escrito por opção, e essa é a diferença entre um produto e uma publicação.

Onde a alegação de abertura tem limites

Três coisas sobre a abertura do MOSS-Image merecem ser verificadas em vez de presumidas.

O primeiro é operacional. Pesos abertos sem um caminho de serving integrado são uma proposta diferente de pesos abertos com um. O pull request do vLLM-Omni que adiciona o MOSS-Image com skip-layer guidance — [Model] Adicionar MOSImage texto-para-imagem com SLG — foi aberto em 14 de outubro com 3.605 linhas adicionadas em 25 arquivos e continua aberto, com o revisor pedindo evidências de paridade de saída em relação a uma implementação de referência fixada. A versão publicada mais recente do vLLM-Omni é a v0.31.0rc1, de 6 de outubro. Nenhuma versão distribuída contém o modelo, e o enquadramento de "suporte no Dia 0" que circulou no dia do lançamento descreve um branch que você pode compilar, e não um pacote que você pode instalar.

O segundo é que o resultado mais forte do relatório não é de modelo único. O módulo de aprimoramento de prompt, LayoutPE, é declarado como usando G​PT-6 com instruções de tarefa modulares no momento da inferência, e a habilidade de aprimoramento de prompt incluída é descrita como projetada para agentes da família G​PT-6. O Elo ponta a ponta de destaque, de 1.698,70 — segundo atrás do 1.844,35 do GPT Image 2 —, é, portanto, produzido por um pipeline de dois modelos cuja metade de especificação é a API de outra pessoa. Lido como uma medida apenas do gerador, esse número está inflado.

O terceiro é o ajuste fino. A base foi deliberadamente deixada sem destilação — o cartão do modelo afirma que ela "não passou por nenhum pós-treinamento ou destilação de parâmetros de inferência como CFG" — especificamente para que as LoRAs tenham algo em que se agarrar, o que é um compromisso genuíno, e não um gesto de licenciamento. Mas a receita de treinamento é documentação, e não dados divulgados, e a orientação de ajuste fino até agora se resume a instruções específicas (manter o codificador de texto congelado; não fazer ajuste fino nele) mais um prompt de legendagem. A alegação de que SFT simples desbloqueia a geração baseada em referências e a saída em GIF é feita com um "fique ligado" anexado.

Roteamento, declarado sem exagero

Nenhum dos modelos nesta comparação está no nosso catálogo e não vamos fingir o contrário. O Qwen Image 3.0 está no Model Studio da Alibaba e, como o resto da linha de imagens Qwen, não é algo que o OrcaRouter disponibilize. O MOSS-Image é um download. A linha divisória aqui é simples: não hospedamos nenhum dos dois.

O que está no nosso catálogo é o resto do campo em relação ao qual estes dois são medidos — os modelos de imagem hospedados com que compararia um M​OSS-Image auto-hospedado, acessíveis com uma única chave de API ao preço de tabela do fornecedor com 0% de margem, de modo que uma alteração de preço de um fornecedor num modelo hospedado seja refletida aqui no mesmo dia, em vez de na próxima renovação de contrato. Para uma comparação como esta, em que o lado Q​wen é cobrado por imagem e o lado M​OSS é cobrado em horas de GPU, o que uma camada de roteamento oferece de útil não é um desconto, mas um único local para consultar o preço hospedado em tempo real e um único endpoint para fazer failover entre fornecedores quando um upstream se degrada no meio da avaliação. Essa é toda a afirmação, e não chega a oferecer-lhe um modelo que não executamos.

Como decidir, em ordem

Trabalhe com eles em sequência e a resposta geralmente surge na terceira pergunta.

• Você tem GPUs, ou um orçamento que pode converter em horas de GPU? Se não, esta comparação acabou e o Qwen Image 3.0 é a resposta, a cerca de US$ 0,035 por imagem.

• O seu layout pode ser conhecido antes da geração — você tem um template, uma grade, um conjunto de coordenadas? Se sim, a interface JSON do M​OSS-Image é o único mecanismo nesta comparação que resolve diretamente o seu problema, e a diferença de 0,88 contra 0,31 é a evidência disso, ainda que de autoria do fornecedor.

• Precisa de fazer fine-tuning, quantizar ou executar em ambiente air-gapped? Se sim, o modelo fechado não é uma opção a nenhum preço, e o facto de um LoRA DMD de 4 passos e uma variante destilada de 8 passos terem surgido cerca de um dia após o lançamento é aquilo em que está a apostar.

• A sua revisão jurídica precisa de terminar num documento? Apache 2.0 versus ausência de licença declarada é a parte mais curta desta comparação.

• A independência da medição é um requisito? Então não escolha nenhum dos dois sem trabalho adicional. Os únicos números independentes do Q​wen Image 3.0 são as colocações no Elo da Artificial Analysis, que o situam no meio do pelotão, e não perto do topo. Os resultados de destaque do M​OSS-Image vêm todos de benchmarks criados pelos próprios autores.

A coisa que mudaria a resposta mais rapidamente ainda não existe, e é a mesma coisa para os dois modelos: uma execução independente do teste em que cada um é melhor. Para o Qwen Image 3.0, isso significa uma medição de layout feita por qualquer pessoa, já que a Alibaba não publicou nenhuma. Para o MOSS-Image, significa que alguém que não seja a OpenMOSS execute o LongLongTextBench, o RealLayoutArena ou o 7Bench. Até lá, seja o que for que você decida, você está decidindo com base em arquitetura, licença e mecanismo, e não em qualidade verificada — o que, para um confronto direto entre uma API fechada e um checkpoint aberto, é provavelmente a base certa de qualquer forma.

As falhas documentadas de IA e os incidentes com agentes por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.