MOSS-Image против Qwen Image 3.0: одна лаборатория выбрала закрытость, другая — открытость

Q​wen Image 3.0 и M​OSS-Image были выпущены китайскими лабораториями с разницей в восемь недель, и они заняли противоположные позиции по одному вопросу, который определяет, что вы можете создать. A​libaba выпустила Q​wen Image 3.0 21 июля 2026 года и вывела её в общий доступ 5 августа — закрытая, без весов, без карточки модели, без технического отчёта, доступна только через размещённый API в редакциях Pro и Standard. OpenMOSS выпустила M​OSS-Image 16 октября 2026 года как открытые веса под лицензией Apache 2.0, охватывающие как контрольные точки, так и автономный конвейер вывода. Есть одна ловушка в названиях на стороне Q​wen, о которой стоит знать прежде всего: Q​wen-Image 2.1, выпущенная 20 сентября 2026 года, новее, чем Q​wen-Image 3.0, и это две отдельные продуктовые линейки, использующие один и тот же номер.

В такой формулировке сравнение выглядит как спор «открытого» против «закрытого», и отчасти так оно и есть. Но самое интересное различие — не в лицензировании. Оно в том, что Q​wen Image 3.0 и M​OSS-Image делают самые сильные заявления об одной и той же возможности — точно передавать текст и компоновку — и используют для этого совершенно разные механизмы: один из них можно изучить, а другой — нет.

Что на самом деле утверждает Qwen Image 3.0

Qwen Image 3.0 — это закрытая хостинговая модель, обеспечивающая генерацию и редактирование изображений через один API, в редакциях Standard и Pro. В материалах запуска Alibaba содержится четыре конкретных обещания: промпты объёмом примерно до 4 500 токенов, разборчивый текст на изображении вплоть до примерно 10 пикселей, охват 12 языков с более чем 20 шрифтами и вывод размером до 2048×2048 с до шести изображений за один вызов. Количество параметров не публиковалось, а широко повторяемая цифра ~20 млрд для MMDiT сообщается, но не подтверждается Alibaba.

Цены составляют около $0,035 за изображение в Model Studio от Alibaba, при этом Artificial Analysis оценивает примерно в $30 за 1000 изображений для Standard и $40 за 1000 для Pro. Его измеренная позиция — середина таблицы, а не лидерство: Elo 1077 для преобразования текста в изображение, шестнадцатое место; 1088 для версии Pro в редактировании, четырнадцатое; и 1048 для Standard в редактировании, двадцать первое. Это данные Artificial Analysis, что делает их единственными независимо полученными цифрами во всём этом сравнении — у MOSS-Image вообще нет записи в Artificial Analysis.

Задокументированы три вещи о его поведении при редактировании, и эта скудость — как раз суть. Pro поддерживает 1–3 входных изображения. Задокументированный путь редактирования охватывает локальную перезапись, расширение контента, перенос стиля и генерацию с нескольких ракурсов, при этом опубликованного рабочего процесса на основе масок нет. В анонсе вообще нет заявлений о прозрачности — ни генерации RGBA, ни редактирования прозрачных слоёв, ни извлечения объекта в альфа-канал.

Что заметно отсутствует на каждой странице A​libaba — так это какое-либо измерение точности компоновки. Q​wen Image 3.0 утверждает, что текст остаётся разборчивым при 10 пикселях, и ничего не говорит о том, где этот текст окажется.

Что заявляет MOSS-Image, и качественное различие

MOSS-Image — это однопоточный диффузионный трансформер на 5B — 42 объединённых блока, скрытая ширина 3 072, 24 головы по 128 измерений, слой прямого распространения SiTU-GLU шириной 8 192, четырёхосное ротационное позиционное кодирование — с замороженным текстовым энкодером Qwen3.5-9B и замороженным VAE FLUX.2, загруженным из FLUX.2-klein-4B. Загрузка SFT занимает около 27,2 ГБ, примерно 16,8 ГБ из которых приходятся на энкодер.

Разница в возможностях — это не вопрос степени. Заявление Q​wen Image 3.0 о тексте касается разборчивости — может ли модель отрисовать символы достаточно маленькими, чтобы их можно было прочитать. Заявление M​OSS-Image касается размещения — может ли она поместить заданную строку в заданную координату. Это звучит похоже, но это не так. Модель, которая красиво отрисовывает текст, но размещает ваш заголовок поперёк изображения продукта, провалила другую задачу, чем та, которая отрисовывает немного более мягкие глифы точно в нужном поле.

Механизм размещения в MOSS-Image состоит в том, что вы передаёте макет как данные. Промпт может быть JSON-объектом, несущим ограничивающие рамки в абсолютных пиксельных координатах, отсчитываемых от центра холста, буквальные текстовые строки и заметки по типографике, с bbox_format "yxyx". Собственная абляция вендора — самое наглядное доказательство того, почему этот интерфейс так важен: на RealLayoutArena промпты с JSON-макетом набирают 1 622,87 балла в той же системе, где промпты на естественном языке набирают 1 506,20. На 7Bench, который этот отчёт также вводит, MOSS-Image сообщает средний layout IoU 0,88 при Layout AUC 0,70 — в той же таблице Qwen Image 3.0 Pro указан с 0,31 и field AUC от 0,16 до 0,20.

Это 0,88 против 0,31 — самый большой единичный разрыв в этом сравнении, и в то же время самое недостоверное число в нём. OpenMOSS написал этот бенчмарк, прогнал на нём обе модели и опубликовал результат. Авторы Qwen Image 3.0 вообще не опубликовали ни одной метрики компоновки, так что сверить это не с чем — ни с меньшим числом, ни со спором, ни с чем-либо ещё. Эту асимметрию стоит назвать: преимущество одной лаборатории на тесте, написанном ею же самой, сравнивают с молчанием другой лаборатории.

Размеры, рядом

• Релиз — Qwen Image 3.0: запуск 21 июля 2026 г., GA — 5 августа 2026 г.; MOSS-Image: выпуск 16 октября 2026 г.

• Лицензирование — Q​wen Image 3.0 является закрытым, без весов, без указанной лицензии, без карточки модели и без технического отчёта; M​OSS-Image — Apache 2.0 для весов и кода автономного пайплайна, без порога по выручке

• Цена — Qwen Image 3.0 около $0,035 за изображение в Model Studio, при этом Artificial Analysis оценивает ~$30 за 1 000 Standard и ~$40 за 1 000 Pro; MOSS-Image можно бесплатно скачать, размер ~27,2 ГБ, плюс ваше собственное время работы GPU

• Редакции — Qwen Image 3.0 поставляется в вариантах Standard и Pro с разными рангами редактирования; MOSS-Image поставляется с чекпоинтами Base и SFT, где Base намеренно оставлен недистиллированным, чтобы файнтюнам было за что зацепиться

• Максимальная длина промпта — Qwen Image 3.0 около 4 500 токенов; MOSS-Image — 4 096 токенов на финальном этапе предобучения

• Отрисовка текста — Qwen Image 3.0 заявляет разборчивый текст вплоть до примерно 10 пикселей на 12 языках и более чем 20 шрифтах; MOSS-Image сообщает 96.3 Mean-6 на LongLongTextBench, разделяя 97.1 для английского и 92.4 для китайского, против 64.9 у Qwen-Image-2512 в той же таблице

• Управление компоновкой — M​OSS-Image принимает JSON-макеты в абсолютных координатах относительно центра и заявляет средний IoU 0,88 на 7Bench, тогда как Q​wen Image 3.0 Pro указан на уровне 0,31; A​libaba не публикует метрику компоновки

• Референсные изображения — Q​wen Image 3.0 Pro документирует от 1 до 3 входных изображений и до шести изображений на вызов; референсное кондиционирование M​OSS-Image — это зарезервированная ось в его позиционной схеме, описываемая как перспективная, а не уже выпущенная

• Редактирование — Qwen Image 3.0 охватывает локальное переписывание, расширение, перенос стиля и генерацию с нескольких ракурсов через один API; в отчёте MOSS-Image редактирование не представлено как продуктовая поверхность

• Прозрачность — анонс Qwen Image 3.0 не содержит заявлений о прозрачности; VAE MOSS-Image использует 32 латентных канала, и пайплайн предоставляет доступ к латентному представлению, хотя вывод RGBA не является заявленной производителем функцией

• Независимая оценка — Q​wen Image 3.0 с Elo 1 077 в генерации изображений по тексту (16-е место) и 1 088 Pro в редактировании (14-е место) по данным Artificial Analysis; у M​OSS-Image нет независимой оценки

• Экосистема — у Qwen Image 3.0 есть API; у MOSS-Image есть пользовательский пайплайн Diffusers, приложение Gradio, плагин ComfyUI, устанавливаемый через ComfyUI Manager, и открытый pull request в vLLM-Omni, всё ещё находящийся на рассмотрении.

Аргумент, который решает за большинство команд

Qwen Image 3.0 — не слабая модель, и она не дорогая. При цене примерно три с половиной цента за изображение, окне промпта в 4 500 токенов, выводе 2K и вызовах с несколькими изображениями это вполне разумный вариант, чтобы уже сегодня днём поставить её за функцией продукта. Если ваше требование — «генерировать хорошие изображения по этому описанию, иногда с референсным изображением, при предсказуемой стоимости за единицу», закрытая модель выигрывает по времени до первого запроса и, возможно, по совокупной стоимости, потому что вашим инженерам вообще не приходится трогать GPU.

MOSS-Image выигрывает по другой оси, и это то, чего не может предложить ни один API, независимо от цены: вы можете изучить то, что определяет результат. Спецификация макета — это данные. Её можно генерировать вашим кодом, версионировать в том же репозитории, что и всё остальное, сравнивать с помощью diff, когда кто-то меняет шаблон, валидировать по схеме до того, как она попадёт в модель, и проверять человеком, который утверждает композицию, прежде чем будет отрисован хотя бы один пиксель. Ничего из этого невозможно, когда сопоставление промпта с макетом происходит внутри хостируемого эндпоинта, в который вы не можете заглянуть.

Это реальное архитектурное различие, и оно плохо продаётся, потому что «вы можете покрыть свой промпт юнит-тестами» — это не то демо, которое кто-нибудь станет снимать. Но это разница между пайплайном, сбои которого можно отлаживать, и таким, сбои которого приводят к тикету в поддержку. Когда MOSS-Image ставит заголовок не туда, вы можете прочитать отправленный JSON и увидеть неверную координату. Когда это делает хостируемая модель, у вас есть промпт, который выглядел нормально, и изображение, которое — нет.

Есть второй отличительный факт, который ни один из вендоров не выносит на первый план. Q​wen Image 3.0 последовательно молчит об одном и том же: ни количества параметров, ни архитектуры, ни описания обучающих данных, ни таблицы бенчмарков, ни технического отчёта, ни метрики компоновки. Отчёт M​OSS-Image по сравнению с этим перегружен деталями — стадии обучения с постепенным увеличением разрешения и указанием числа шагов, корпус на основе ReLAION, сокращённый примерно с 5 млрд до 3 млрд изображений, гибридный оптимизатор Muon–AdamW с абляционным тестом, показывающим, что на двух контрольных точках для достижения той же потери требуется на 33,2% и 28,6% меньше шагов, чем у AdamW. Часть этих деталей доступна только потому, что модель открыта, но отчёт был написан по собственному выбору, и в этом разница между продуктом и публикацией.

Где утверждение об открытости имеет пределы

Три аспекта открытости MOSS-Image заслуживают проверки, а не предположения.

Первое — операционное. Открытые веса без объединённого пути обслуживания — это совсем другое дело, чем открытые веса с ним. Pull request в vLLM-Omni, добавляющий MOSS-Image со skip-layer guidance — [Model] Добавить MOSImage text-to-image с SLG — был открыт 14 октября: 3605 добавленных строк в 25 файлах, и он остаётся открытым, а рецензент запрашивает доказательства совпадения выходных данных с закреплённой эталонной реализацией. Новейший опубликованный релиз vLLM-Omni — v0.31.0rc1 от 6 октября. Ни в одной выпущенной версии эта модель не содержится, и формулировка «поддержка с первого дня», ходившая в день релиза, описывает ветку, которую можно собрать, а не пакет, который можно установить.

Во-вторых, самый сильный результат в отчёте не является результатом одной модели. Указано, что модуль улучшения промптов LayoutPE использует GPT-6 с модульными инструкциями к задачам во время инференса, а встроенный навык prompt-enhancer описывается как предназначенный для агентов семейства GPT-6. Поэтому заявленный сквозной Elo 1 698,70 — второй после 1 844,35 у GPT Image 2 — получен двухмодельным конвейером, половина которого, отвечающая за спецификацию, — это чужой API. Если рассматривать это число как меру одного лишь генератора, оно завышено.

Третье — это тонкая настройка. Базовая модель была намеренно оставлена недистиллированной — в карточке модели сказано, что она «не подвергалась никакому постобучению или дистилляции параметров инференса, таких как CFG», — специально для того, чтобы у LoRA было за что зацепиться; это настоящая приверженность, а не лицензионный жест. Но рецепт обучения — это документация, а не опубликованные данные, а рекомендации по тонкой настройке пока сводятся к конкретным инструкциям (держите текстовый энкодер замороженным; не дообучайте его) плюс промпт для подписей. Утверждение, что простой SFT открывает генерацию на основе референсов и вывод GIF, приводится с припиской «следите за обновлениями».

Маршрутизация, сформулированная без преувеличений

Ни одна из моделей в этом сравнении не представлена в нашем каталоге, и мы не станем делать вид, что это не так. Qwen Image 3.0 работает в Model Studio от Alibaba и, как и остальные модели линейки Qwen Image, не относится к тем, что обслуживает OrcaRouter. MOSS-Image — это модель для скачивания. Граница здесь проста: мы не хостим ни одну из них.

То, что представлено в нашем каталоге, — это остальная часть поля, по которому оценивают эти две: хостовые модели изображений, с которыми вы бы сравнивали самостоятельно размещённую MOSS-Image, доступные по одному API-ключу по цене из прайс-листа провайдера с наценкой 0%, так что изменение цены поставщика на хостовую модель отражается здесь в тот же день, а не при следующем продлении контракта. Для сравнения вроде этого, где сторона Qwen тарифицируется за изображение, а сторона MOSS — в GPU-часах, полезное, что даёт слой маршрутизации, — это не скидка, а единое место для просмотра актуальной цены хостинга и единая конечная точка, чтобы переключаться при сбое между провайдерами, когда один из вышестоящих провайдеров деградирует в середине оценки. Это и есть всё утверждение, и оно не доходит до того, чтобы предложить вам модель, которую мы не запускаем.

Как принять решение, по порядку

Разберите их по порядку, и ответ обычно проясняется к третьему вопросу.

• У вас есть GPU или бюджет, который можно конвертировать в GPU-часы? Если нет, это сравнение окончено, и ответ — Q​wen Image 3.0, примерно $0.035 за изображение.

• Можно ли узнать ваш макет до генерации — есть ли у вас шаблон, сетка, набор координат? Если да, то JSON-интерфейс MOSS-Image — единственный механизм в этом сравнении, который напрямую решает вашу задачу, а разрыв 0,88 против 0,31 служит тому доказательством, пусть и полученным от вендора.

• Вам нужно дообучать, квантовать или запускать в изолированной среде? Если да, закрытая модель не вариант ни за какую цену, и то, что 4-шаговая DMD LoRA и 8-шаговый дистиллированный вариант появились примерно в течение суток после выпуска, — это и есть то, во что вы вкладываетесь.

• Нужно ли, чтобы ваша юридическая проверка завершалась документом? Apache 2.0 против отсутствия указанной лицензии — это самая короткая часть этого сравнения.

• Является ли независимость измерений обязательным требованием? Тогда без дополнительной работы не выбирайте ни то, ни другое. Единственные независимые показатели Q​wen Image 3.0 — это позиции в рейтинге Elo от Artificial Analysis, которые ставят Q​wen Image 3.0 в середину списка участников, а не близко к вершине. Все ключевые результаты M​OSS-Image получены на бенчмарках, которые построили его собственные авторы.

То, что изменило бы ответ быстрее всего, пока не существует, и это одно и то же для обеих моделей: один независимый прогон теста, в котором каждая из них сильнее всего. Для Qwen Image 3.0 это означает измерение макета от кого угодно, поскольку Alibaba не опубликовала ни одного. Для MOSS-Image это означает, что кто-то, кроме OpenMOSS, запустит LongLongTextBench, RealLayoutArena или 7Bench. До тех пор, что бы вы ни решили, вы решаете, основываясь на архитектуре, лицензии и механизме, а не на проверенном качестве — что для прямого сравнения между закрытым API и открытым чекпоинтом, пожалуй, в любом случае является правильной основой.

Задокументированные сбои ИИ и инциденты с агентами, стоящие за такими релизами, как этот, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и флаг оспаривания.