Images 2.6 vs Qwen Image 3.0: Ingen av dem är öppen, och bara en var det tidigare

Folk som söker på den här jämförelsen letar vanligtvis efter samma sak: en anledning att köra en bildmodell på sina egna GPU:er. Qwen Image 3.0 ser ut som svaret, eftersom Qwen-bildserien har öppna vikter tre generationer tillbaka. Det är inte svaret. Qwen Image 3.0 och Qwen Image 3.0 Pro är värdbaserade API-modeller, tillkännagivna den 22 juli 2026 och allmänt tillgängliga på Alibaba Cloud Model Studio sedan den 4 augusti 2026, utan modellkort, utan teknisk rapport och utan publicerat parameterantal. Den öppna härstamningen slutar ett steg tidigare, vid Qwen-Image-2.1. Samtidigt är Images 2.6 – OpenAI:s lansering den 4 november 2026 av GPT-Image-2.6 Sunburst och GPT-Image-2.6 Flare – uppenbart sluten och har aldrig låtsats vara något annat.

Så den ärliga beskrivningen av den här jämförelsen är inte öppen kontra stängd. Det är stängd kontra stängd, där den ena leverantören släppte ett öppet alternativ sex veckor tidigare och den andra säljer en bredare produkt med animation, vektorutdata och ett system med kvalitetsnivåer. Frågan om öppna vikter förtjänar ändå ett svar, eftersom den är anledningen till att den här sidan finns, och svaret är att Qwen-Image-2.1 är modellen du faktiskt vill ha om självhosting är kravet.

Licensieringspositionen, försiktigt uttryckt

Det här är ett ämne där sekundärkällor aktivt har fel, så källmaterialet väger tyngre än slutsatsen.

Flera aggregatorsidor – bland dem LLM Stats jämförelsesidor och Wikipedias tabell över generativ AI – listar Qwen Image 3.0 som öppna vikter under Apache 2.0 eller en "Qwen License". Dessa listningar förefaller vara mallartefakter: sidorna genereras från ett schema som förutsätter att familjen är öppen, och de motsäger den mer detaljerade rapporteringen. Inget Hugging Face-repositorium, ingen safetensors-checkpoint och inget modellkort för 3.0 eller 3.0 Pro kunde hittas. Den försiktiga tolkningen, och den som den här artikeln gör, är att 3.0 endast är tillgänglig som hostad tjänst tills Alibaba publicerar vikterna.

Det som otvetydigt är öppet är den föregående generationen. Qwen-Image-2.1, som släpptes i september 2026, är en 7B-diffusionstransformer parad med en Qwen3-VL 8B-textkodare, publicerad under Qwen Research License – inte Apache 2.0, och inte gratis för kommersiellt bruk utan en separat överenskommelse. Den skillnaden spelar större roll än själva vikterna för de flesta företag. En forskningslicens som kräver förhandling innan man kan lansera är ett annat upphandlingsproblem än en Apache 2.0-nedladdning, och team som antog att Qwen-bildlinjen var enhetligt tillåtande kommer att upptäcka att villkoren har ändrats under fötterna på dem.

Vilket försätter Qwen Image 3.0 i en besvärlig position. Det är bättre än 2.1 på varje uppmätt axel – mer om det nedan – men det kan inte hostas på egen server, kan inte finjusteras med dina egna data och kan inte låsas till en checkpoint som du kontrollerar. Om det var skälen till att du tittade på Qwen-serien, tillgodoser 3.0 dem inte och 2.1 är en nedgradering.

Resultatkortet, med gapet på rätt plats

Artificial Analysis, 5 november 2026, båda resultattavlorna:

• AA-Image-Editing v2.1 — Qwen Image 3.0 Pro på 1 092 (plats 20, 13 614 prover), Qwen Image 3.0 på 1 069 (plats 29, 8 137 prover), Qwen-Image-2.1 på 1 081. GPT Image 2.5 Sunburst leder på 1 199.

• AA-Image-T2I v2.1 — Qwen Image 3.0 Pro på 1,096 (plats 17), Qwen Image 3.0 på 1,073 (plats 18), Qwen-Image-2.1 på 1,044. GPT Image 2.5 Sunburst leder på 1,224.

• Images 2.6 — ingen rad på någon av tavlorna. Den är en dag gammal.

Tre observationer. För det första är gapet mellan Qwen Image 3.0 Pro och OpenAIs föregångare cirka 100 Elo på båda listorna, vilket inte är en jämn match. För det andra ger Pro-uppgraderingen 23 Elo på text-till-bild och 23 på redigering för en måttlig prisökning – en verklig, konsekvent förbättring snarare än en marknadsföringsnivå. För det tredje, och mest intressant, slår Qwen-Image-2.1 Qwen Image 3.0 på redigeringslistan (1 081 mot 1 069), trots att den är den äldre öppna viktmodellen och ligger tydligt efter den på generering. Version 3.0 förbättrade genereringen och förbättrade inte redigeringen. Om redigering är vad du behöver från Qwen-familjen är den öppna modellen den bättre, vilket är ett ovanligt och genuint användbart fynd.

Konfidensintervallen är tillräckligt breda – ±12 till ±13 – för att redigeringsskillnaden mellan 2.1 och 3.0 ska ligga inom bruset. Men riktningen stämmer överens med urvalsstorlekarna, och det är ett skäl att inte anta att ett nyare nummer alltid betyder en bättre modell.

Vad Qwen Image 3.0 faktiskt är bra på

Anledningen till att använda det är inte benchmarkkolumnen. Det är text.

Alibabas påståenden om Qwen Image 3.0 är specifika: promptar på upp till ungefär 4 500 tokens, läsbar återgivning ned till cirka 10-pixelstext, stöd för 12 språk, upp till sex bilder per anrop och en maximal utdata på 2048 × 2048. Referensbilder debiteras separat till ungefär 0,003 USD styck, och återinskickade referenser debiteras igen – en detalj värd att hålla koll på, eftersom en redigeringsloop som skickar samma referens varje gång i tysthet ackumulerar kostnader.

Av dessa påståenden är den flerspråkiga textåtergivningen det som har starkast oberoende stöd. Alibaba publicerade inga officiella benchmarks för 3.0-nivåerna, vilket i sig säger något, men modellens rykte i communityn bygger på bilder med tät text: affischer, UI-mockups, förpackningar med finstilt text och CJK-typografi som västerländska modeller hanterar dåligt. Om din leverans måste innehålla läsbar kinesisk, japansk eller koreansk text i en designad layout är detta modellen i jämförelsen som är byggd för det, och OpenAIs produktlinje har inget motsvarande påstående.

Bild 2.6:s styrkor ligger någon annanstans och är strukturella snarare än typografiska. Den levererar animerade GIF-generering i ChatGPT, SVG-export, markupstyrda redigeringar och en komplexitets-parameter som ställer in hur mycket planering modellen lägger på en förfrågan. Den lägger också till återanvändbara sparade referensbilder. Ingen av dessa är en funktion som Qwen Image 3.0 erbjuder. Särskilt SVG-exporten är en kategori-fördel snarare än en trevlig extrafunktion: vektorutdata för ikoner, logotyper och diagram är något ingen rastermodell i den här jämförelsen kan producera vid någon kvalitetsinställning.

Kostnad per användbar bild, inte per bild

Prislistorna ser likvärdiga ut tills man räknar in avvisningsgraden.

• Qwen Image 3.0 Standard – ungefär $0,03 till $0,035 per bild vid 1K eller 2K, eller cirka $30 per tusen enligt Artificial Analys notering.

• Qwen Image 3.0 Pro — 0,04 USD vid 1K, 0,075 USD vid 2K eller cirka 40 USD per tusen. Referenser tillkommer cirka 0,003 USD styck.

• Images 2.6 — tokenbaserad debitering till $5 per miljon textinmatningstoken, $8 per miljon bildinmatningstoken och $30 per miljon bildutmatningstoken, där batch är ungefär halva priset. Per bild är det cirka $0,006 vid låg, $0,013 vid medium, $0,053 vid hög och $0,21 vid max, beräknat utifrån tokenbudgetar som förts över från 2.5-generationen snarare än publicerade siffror för 2.6.

På pappret ligger Qwen Image 3.0 Pro på $0.075 för 2K mellan OpenAI:s high- och xhigh-inställningar. Men ett Elo-underskott på 100 poäng är inte en liten kvalitetsskillnad; det innebär en väsentligt högre andel utdata som förkastas, får ny prompt eller åtgärdas manuellt. Om Pro behöver två försök för att nå ett godtagbart resultat och Images 2.6 på high behöver ett, är den effektiva kostnaden $0.15 mot $0.053 — den billigare modellen är tre gånger så dyr när man räknar med de resultat man kastar bort. Den aritmetiken går åt båda hållen, vilket är anledningen till att det ärliga rådet är att mäta andelen förkastade resultat på dina egna prompter i stället för att lita på endera prislistan.

Det är också här som 0 %-påslaget har konkret betydelse. OrcaRouter förmedlar leverantörens listpris oförändrat, så siffran per bild i vår katalog är den siffra som leverantören tar ut – ingen marginal läggs till på en räkning som mäts i tokens, och en leverantörsprisändring återspeglas samma dag i stället för vid nästa prisjusteringscykel. För ett arbetsflöde vars verkliga kostnad beror på en avvisningsfrekvens som du fortfarande mäter, är en mätare utan påslag skillnaden mellan en jämförbar siffra och en uppblåst sådan.

Beslutet om öppna vikter, om det nu är din faktiska fråga

Om självhosting är ett icke-förhandlingsbart krav spelar inget av detta någon roll och svaret är kort: kör Qwen-Image-2.1, acceptera redigeringspoängen 1 081, budgetera för samtalet om Qwen Research License om du är ett företag, och vänta inte på 3.0-vikter som inte har publicerats och kanske aldrig kommer att göra det. Kombinera det med en hostad modell för det arbete det är svagt på, vilket är generering snarare än redigering.

Om självhosting var en preferens snarare än ett krav förändras kalkylen. Qwen Image 3.0:s fördel är textrendering på flera språk och ett lågt pris per bild. Images 2.6:s fördelar är animering, vektorutdata, markup-redigeringar och en mycket starkare uppmätt baslinje – åtminstone via sin föregångare. Det är till stor del icke överlappande styrkor, vilket innebär att de två kan ingå i samma pipeline utan att konkurrera: OpenAIs linje för generering och rörelse, Qwens för typografitunga layouter på språk som de västerländska modellerna förvanskar.

Att köra båda är inte ett problem med två avtal om de delar en nyckel. OrcaRouter dirigerar OpenAI:s bildmodeller till listpris med automatisk failover, och en routningsregel kan skicka en begäran till den ena eller den andra beroende på vad prompten behöver — inget ytterligare SDK, ingen ytterligare faktureringsrelation, ingen rotation av autentiseringsuppgifter per leverantör. Det är en blygsam operativ poäng, men det är den som avgör om en pipeline med två modeller är värd att bygga överhuvudtaget.

Var detta landar

Qwen Image 3.0 är en bra modell med en oavklarad distributionsfråga. Priset är konkurrenskraftigt, den flerspråkiga textrenderingen är verkligen bäst i klassen i jämförelsen, och den uppmätta kvaliteten ligger ungefär 100 Elo efter OpenAIs föregående generation på båda rankinglistorna. De öppna vikterna som i princip gör Qwen Image-serien attraktiv finns inte i 3.0, och modellen som faktiskt har dem – Qwen-Image-2.1 – får bättre resultat på redigering än 3.0.

Images 2.6 är en bredare produkt med en omätt position. Allt med den som är verifierbart är ett ärvande påstående: prismodellen, endpoint-ytan, strukturen med två varianter. Allt med den som är nytt — GIF, SVG, markup-redigeringar, komplexitetsparametern — är overifierat av något oberoende test och delvis odokumenterat.

Den enda slutsatsen som inte beror på ett saknat benchmark är den om licensiering, och det är anledningen till att de flesta läsare kom hit: om du behöver vikterna finns de inte här, och de finns inte i 3.0 heller. Kontrollera Hugging Face-organisationen innan du planerar utifrån en checkpoint. Den har varit den pålitliga signalen för den här familjen hela året, och den stannar för närvarande vid 2.1.