MOSS-Image vs Qwen Image 3.0: Ett labb blev slutet, det andra blev öppet

Qwen Image 3.0 och MOSS-Image släpptes av kinesiska labb med åtta veckors mellanrum och de intog motsatta positioner i den enda fråga som avgör vad du kan bygga. Alibaba lanserade Qwen Image 3.0 den 21 juli 2026 och gjorde den allmänt tillgänglig den 5 augusti — sluten, inga vikter, inget modellkort, ingen teknisk rapport, endast nåbar via ett hostat API i Pro- och Standardutgåvorna. OpenMOSS släppte MOSS-Image den 16 oktober 2026 som öppna Apache 2.0-vikter som omfattar både checkpoints och den fristående inferenspipelinen. Det finns en namnfälla på Qwen-sidan som är värd att känna till före allt annat: Qwen-Image 2.1, som släpptes den 20 september 2026, är nyare än Qwen-Image 3.0 och de två är separata produktlinjer som delar ett nummer.

Om man säger det så, ser jämförelsen ut som en öppen-mot-stängd-debatt, och det är den delvis. Men den mer intressanta skillnaden är inte licensiering. Det är att Q​wen Image 3.0 och M​OSS-Image gör sina starkaste anspråk om samma förmåga — att få text och layout exakt rätt — och de har helt olika mekanismer för det, en som du kan granska och en som du inte kan.

Vad Qwen Image 3.0 faktiskt påstår

Qwen Image 3.0 är en sluten hostad modell som levererar bildgenerering och bildredigering via ett enda API, i utgåvorna Standard och Pro. Alibabas lanseringsmaterial ger fyra specifika löften: promptar på upp till cirka 4 500 tokens, läsbar text i bilden ner till cirka 10 pixlar, täckning av 12 språk i 20+ typsnitt och utdata på upp till 2048×2048 med upp till sex bilder per anrop. Inget parameterantal publicerades, och den ofta upprepade ~20B MMDiT-siffran uppges snarare än bekräftas av Alibaba.

Priset ligger på omkring $0,035 per bild på A​libaba's Model Studio, där Artificial Analysis beräknar ungefär $30 per 1 000 bilder för Standard och $40 per 1 000 för Pro. Dess uppmätta placering ligger i mitten av tabellen snarare än i täten: Elo 1 077 för text-till-bild, på sextonde plats; 1 088 för Pro-utgåvan inom redigering, på fjortonde plats; och 1 048 för Standard inom redigering, på tjugoförsta plats. Det är siffror från Artificial Analysis, vilket gör dem till de enda siffrorna i hela denna jämförelse som tagits fram oberoende — M​OSS-Image har inte någon post hos Artificial Analysis överhuvudtaget.

Tre saker dokumenteras om dess redigeringsbeteende, och det knapphändiga är själva poängen. Pro stöder 1–3 indatabilder. Den dokumenterade redigeringsvägen omfattar lokal omskrivning, innehållsutökning, stilöverföring och generering av flera kameravinklar, utan något publicerat maskbaserat arbetsflöde. Det finns inget påstående om transparens i tillkännagivandet överhuvudtaget — ingen RGBA-generering, ingen redigering av transparenta lager, ingen motivutvinning till en alfakanal.

Det som påfallande saknas på varje Alibaba-sida är någon mätning av layoutprecision. Qwen Image 3.0 hävdar läsbar text vid 10 pixlar och säger ingenting om var den texten hamnar.

Vad MOSS-Image hävdar, och skillnaden i art

MOSS-Image är en 5B enkelströms-diffusionstransformator — 42 gemensamma block, dold bredd 3 072, 24 huvuden med 128 dimensioner, 8 192 brett SiTU-GLU-feed-forward-nätverk, fyraxlig roterande positionskodning — med en fryst Qwen3.5-9B-textkodare och en fryst FLUX.2-VAE laddad från FLUX.2-klein-4B. SFT-nedladdningen är cirka 27,2 GB, varav ungefär 16,8 GB är kodaren.

Skillnaden i förmåga är inte en fråga om grad. Q​wen Image 3.0:s påstående om text handlar om läsbarhet – kan modellen återge tecken tillräckligt små för att kunna läsas. M​OSS-Images påstående handlar om placering – kan den placera en angiven sträng vid en angiven koordinat. De låter lika men är det inte. En modell som återger text vackert men placerar din rubrik tvärs över produktbilden har misslyckats med en annan uppgift än en som återger något mjukare glyfer i exakt rätt ruta.

MOSS-Images mekanism för placering är att du anger layouten som data. Prompten kan vara ett JSON-objekt som innehåller avgränsningsrutor i absoluta pixelkoordinater uppmätta från canvasens centrum, bokstavliga textsträngar och typografiska anvisningar, med bbox_format "yxyx". Leverantörens egen ablation är det tydligaste beviset på varför gränssnittet spelar roll: på RealLayoutArena får JSON-layoutprompter 1 622,87 poäng på samma system där prompter i naturligt språk får 1 506,20. På 7Bench, som rapporten också introducerar, rapporterar MOSS-Image ett genomsnittligt layout-IoU på 0,88 med en Layout-AUC på 0,70 – samma tabell placerar Qwen Image 3.0 Pro på 0,31 och ett field-AUC på 0,16 till 0,20.

Att 0,88 ställs mot 0,31 är det största enskilda gapet i den här jämförelsen, och det är också det minst trovärdiga talet i den. OpenMOSS skrev benchmarken, körde båda modellerna på den och publicerade resultatet. Författarna till Qwen Image 3.0 har inte publicerat något layoutmått alls, så det finns inget att kontrollera det mot – inte en lägre siffra, inte en invändning, ingenting. Den asymmetrin förtjänar att nämnas: ett labs fördel i ett test som labbet själv har författat ställs mot ett annat labs tystnad.

Måtten, sida vid sida

Släpp — Qwen Image 3.0 lanserades 21 juli 2026, GA 5 augusti 2026; MOSS-Image släpptes 16 oktober 2026

• Licensiering — Qwen Image 3.0 är stängd, utan vikter, ingen angiven licens, inget modellkort och ingen teknisk rapport; MOSS-Image är Apache 2.0 för vikter och fristående pipeline-kod, utan intäktströskel

• Pris — Qwen Image 3.0 cirka 0,035 USD per bild på Model Studio, där Artificial Analysis beräknar ~30 USD per 1 000 Standard och ~40 USD per 1 000 Pro; MOSS-Image gratis att ladda ner på cirka 27,2 GB plus din egen GPU-tid

• Utgåvor — Qwen Image 3.0 levereras i Standard och Pro med olika redigeringsnivåer; MOSS-Image levereras med Base- och SFT-checkpoints, där Base medvetet lämnas odestillerad så att finjusteringar har något att bita i

• Prompttak — Q​wen Image 3.0 cirka 4 500 tokens; M​OSS-Image 4 096 tokens i den slutliga förträningsfasen

• Textrendering — Qwen Image 3.0 hävdar att text är läsbar ned till ungefär 10 pixlar för 12 språk och 20+ typsnitt; MOSS-Image rapporterar 96,3 Mean-6 på LongLongTextBench, fördelat på 97,1 för engelska och 92,4 för kinesiska, mot Qwen-Image-2512:s 64,9 i samma tabell

• Layoutkontroll — M​OSS-Image tar JSON-layouter i absoluta centrumrelativa koordinater och hävdar 0,88 i genomsnittlig IoU på 7Bench, där Q​wen Image 3.0 Pro listas till 0,31; A​libaba publicerar inget layoutmått

• Referensbilder — Qwen Image 3.0 Pro dokumenterar 1–3 indatabilder och upp till sex bilder per anrop; MOSS-Images referenskonditionering är en reserverad axel i dess positionsschema, beskriven som framåtblickande snarare än levererad

• Redigering — Qwen Image 3.0 täcker lokal omskrivning, expansion, stilöverföring och generering av flera kameravinklar via ett enda API; MOSS-Images rapport presenterar inte redigering som en produktyta

• Transparens — Qwen Image 3.0:s tillkännagivande innehåller inget transparensanspråk; MOSS-Images VAE använder 32 latenta kanaler och pipelinen exponerar den latenta representationen, även om RGBA-utdata inte är en funktion som leverantören gör anspråk på

• Oberoende poäng — Q​wen Image 3.0 med Elo 1 077 för text-till-bild (16:e plats) och 1 088 Pro för redigering (14:e plats) enligt Artificial Analysis; M​OSS-Image har ingen oberoende poäng

• Ekosystem — Q​wen Image 3.0 har ett API; M​OSS-Image har en anpassad Diffusers-pipeline, en Gradio-app, ett ComfyUI-plugin som kan installeras via ComfyUI Manager, och en öppen vLLM-Omni-pull request som fortfarande är under granskning

Argumentet som avgör för de flesta team

Qwen Image 3.0 är inte en svag modell, och den är inte dyr. Med ungefär tre och en halv cent per bild, ett promptfönster på 4 500 token, 2K-utdata och anrop med flera bilder är det en helt rimlig sak att lägga bakom en produktfunktion redan i eftermiddag. Om ditt krav är "generera bra bilder utifrån den här beskrivningen, ibland med en referensbild, till en förutsägbar kostnad per enhet", vinner den slutna modellen på tid till första förfrågan och möjligen på total kostnad, eftersom dina ingenjörer aldrig behöver röra en GPU.

M​OSS-Image vinner på en annan axel, och det är en som inget API kan erbjuda oavsett pris: du kan inspektera det som avgör utdata. En layoutspecifikation är data. Den kan genereras av din kod, versionshanteras i samma repository som allt annat, diffas när någon ändrar mallen, valideras mot ett schema innan den når modellen och granskas av en människa som godkänner kompositionen innan en enda pixel renderas. Inget av detta är möjligt när mappningen från prompt till layout sker inuti en hostad endpoint som du inte kan se in i.

Det är en verklig arkitektonisk skillnad, och den är svår att marknadsföra, eftersom "du kan enhetstesta din prompt" inte är en demo som någon filmar. Men det är skillnaden mellan en pipeline vars fel går att felsöka och en vars fel skapar ett supportärende. När M​OSS-Image placerar rubriken på fel plats kan du läsa JSON:en du skickade och se den felaktiga koordinaten. När en hostad modell gör det har du en prompt som såg bra ut och en bild som inte gör det.

Det finns ett andra särskiljande faktum som ingen av leverantörerna lyfter fram först. Qwen Image 3.0:s tysta områden är konsekventa: inget parameterantal, ingen arkitektur, ingen beskrivning av träningsdata, ingen benchmarktabell, ingen teknisk rapport och inget layoutmått. MOSS-Images rapport är överspecificerad i jämförelse — progressiva träningsstadier för upplösning med stegantal, en ReLAION-härledd korpus trimmad från ungefär 5 miljarder till 3 miljarder bilder, en hybrid Muon–AdamW-optimerare med en ablation som visar 33,2 % och 28,6 % färre steg till samma förlust än AdamW vid två kontrollpunkter. En del av den detaljen är bara tillgänglig eftersom modellen är öppen, men rapporten skrevs av eget val, och det är skillnaden mellan en produkt och en publikation.

Där öppenhetsanspråket har gränser

Tre saker om MOSS-Images öppenhet förtjänar att kontrolleras snarare än antas.

Den första är operativ. Öppna vikter utan en sammanslagen serveringsväg är en annan sak än öppna vikter med en. vLLM-Omni-pullbegäran som lägger till MOSS-Image med skip-layer-vägledning — [Modell] Lägg till MOSImage text-till-bild med SLG — öppnades den 14 oktober med 3 605 tillagda rader över 25 filer och är fortfarande öppen, där granskaren begär bevis på utdataparitet mot en pinnad referensimplementation. vLLM-Omnis senaste publicerade version är v0.31.0rc1, daterad den 6 oktober. Ingen levererad version innehåller modellen, och inramningen "Day 0-support" som cirkulerade på releasedagen beskriver en gren du kan bygga snarare än ett paket du kan installera.

Det andra är att det starkaste resultatet i rapporten inte kommer från en enda modell. Promptförbättringsmodulen LayoutPE uppges använda G​PT-6 med modulära uppgiftsinstruktioner vid inferenstid, och den medföljande promptförbättringsfärdigheten beskrivs vara utformad för agenter i G​PT-6-familjen. Det huvudsakliga end-to-end-Elo-resultatet på 1 698,70 – näst bäst efter GPT Image 2:s 1 844,35 – produceras därför av en pipeline med två modeller, vars specifikationshalva är någon annans API. Läst som ett mått på enbart generatorn är den siffran uppblåst.

Den tredje är finjustering. Base lämnades medvetet odestillerad – modellkortet säger att den "inte har genomgått någon efterträning eller destillation av inferensparametrar såsom CFG" – specifikt för att LoRA:er ska ha något att bita i, vilket är ett genuint åtagande snarare än en licensgest. Men träningsreceptet är dokumentation snarare än frisläppt data, och finjusteringsvägledningen hittills inskränker sig till specifika instruktioner (håll textkodaren fryst; finjustera den inte) plus en bildtextningsprompt. Påståendet att enkel SFT låser upp referensbaserad generering och GIF-utdata anges med ett bifogat "håll utkik".

Routning, formulerad utan överdrifter

Ingen av modellerna i den här jämförelsen finns i vår katalog och vi tänker inte låtsas något annat. Q​wen Image 3.0 finns på A​libabas Model Studio och, liksom resten av Q​wen-bildserien, är inte något som OrcaRouter tillhandahåller. M​OSS-Image är en nedladdning. Gränsen här är enkel: vi hostar inte någon av dem.

Det som finns i vår katalog är resten av fältet som dessa två mäts mot – de hostade bildmodellerna som du skulle benchmarka en självhostad M​OSS-Image mot, nåbara med en enda API-nyckel till leverantörens listpris med 0 % påslag, så att en leverantörs prisförändring på en hostad modell återspeglas här samma dag i stället för vid nästa avtalsförnyelse. För en jämförelse som den här, där Q​wen-sidan faktureras per bild och M​OSS-sidan faktureras i GPU-timmar, är det användbara som ett routningslager erbjuder inte en rabatt utan en enda plats att läsa det aktuella hostade priset och en enda slutpunkt att växla över mellan leverantörer när en uppströmstjänst försämras mitt i en utvärdering. Det är hela påståendet, och det sträcker sig inte så långt som att erbjuda dig en modell som vi inte kör.

Hur man beslutar, i tur och ordning

Arbeta dig igenom dem i följd, så brukar svaret falla ut vid den tredje frågan.

• Har du GPU:er, eller en budget som du kan omvandla till GPU-timmar? Om inte är den här jämförelsen över, och Qwen Image 3.0 är svaret till en kostnad av ungefär 0,035 dollar per bild.

• Går det att känna till din layout före genereringen — har du en mall, ett rutnät, en uppsättning koordinater? Om ja, är MOSS-Image:s JSON-gränssnitt den enda mekanismen i den här jämförelsen som direkt tar itu med ditt problem, och gapet 0,88 mot 0,31 är beviset för det, även om det är leverantörsproducerat.

• Behöver du finjustera, kvantisera eller köra i luftgap? Om ja, är den slutna modellen inte ett alternativ oavsett pris, och det faktum att en 4-stegs DMD-LoRA och en 8-stegs destillerad variant dök upp inom ungefär ett dygn efter lanseringen är vad du köper in dig i.

• Behöver din juridiska granskning utmynna i ett dokument? Apache 2.0 kontra ingen angiven licens är den kortaste delen av denna jämförelse.

• Är oberoende mätning ett krav? Välj då ingen av dem utan ytterligare arbete. Q​wen Image 3.0:s enda oberoende siffror är Artificial Analysis Elo-placeringar, som placerar modellen i mitten av fältet snarare än nära toppen. M​OSS-Images huvudresultat kommer alla från benchmarkar som dess egna författare har tagit fram.

Det som snabbast skulle förändra svaret finns ännu inte, och det är samma sak för båda modellerna: en oberoende körning av det test som var och en är bäst på. För Q​wen Image 3.0 innebär det en layoutmätning från vem som helst, eftersom A​libaba inte har publicerat någon. För M​OSS-Image innebär det att någon annan än OpenMOSS kör LongLongTextBench, RealLayoutArena eller 7Bench. Fram till dess, vad du än beslutar, så beslutar du utifrån arkitektur, licens och mekanism snarare än utifrån verifierad kvalitet – vilket för en direkt jämförelse mellan ett slutet API och en öppen checkpoint rimligen är rätt grund ändå.

De dokumenterade AI-felen och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omstridd flagga.