Images 2.6 เทียบกับ Qwen Image 3.0: ทั้งคู่ไม่ได้เป็นโอเพนซอร์ส และมีเพียงตัวเดียวที่เคยเป็น

คนที่ค้นหาการเปรียบเทียบนี้มักกำลังมองหาสิ่งเดียวกัน นั่นคือเหตุผลที่จะรันโมเดลสร้างภาพบน GPU ของตัวเอง Qwen Image 3.0ดูเหมือนจะเป็นคำตอบ เพราะตระกูลโมเดลภาพของ Qwen มีน้ำหนักแบบเปิดให้ดาวน์โหลดย้อนหลังไปถึงสามรุ่น แต่ก็ไม่ใช่คำตอบ Qwen Image 3.0 และ Qwen Image 3.0 Proเป็นโมเดล API แบบโฮสต์ ประกาศเมื่อวันที่ 22 กรกฎาคม 2026 และเปิดให้ใช้งานทั่วไปบน Alibaba Cloud Model Studio ตั้งแต่วันที่ 4 สิงหาคม 2026 โดยไม่มีโมเดลการ์ด ไม่มีรายงานทางเทคนิค และไม่มีการเปิดเผยจำนวนพารามิเตอร์ สายสัมพันธ์แบบเปิดหยุดอยู่ที่รุ่นก่อนหน้านั้นหนึ่งขั้น คือ Qwen-Image-2.1 ในขณะเดียวกัน Images 2.6 — การเปิดตัวของ OpenAI เมื่อวันที่ 4 พฤศจิกายน 2026 ซึ่งประกอบด้วย GPT-Image-2.6 Sunburst และ GPT-Image-2.6 Flare — เป็นแบบปิดอย่างชัดเจน และไม่เคยแสร้งทำเป็นอย่างอื่นเลย

ดังนั้นการวางกรอบการเปรียบเทียบนี้อย่างตรงไปตรงมาจึงไม่ใช่เรื่องระบบเปิดกับระบบปิด แต่เป็นระบบปิดกับระบบปิด โดยมีผู้ขายรายหนึ่งที่เปิดตัวทางเลือกแบบเปิดก่อนหน้าหกสัปดาห์ และอีกรายที่ขายผลิตภัณฑ์ที่ครอบคลุมกว่า พร้อมแอนิเมชัน เอาต์พุตแบบเวกเตอร์ และโครงสร้างการแบ่งระดับคุณภาพ อย่างไรก็ตาม คำถามเรื่องโมเดลน้ำหนักเปิดยังสมควรได้รับคำตอบ เพราะนั่นคือเหตุผลที่หน้านี้มีอยู่ และคำตอบก็คือ Qwen-Image-2.1 คือโมเดลที่คุณต้องการจริง ๆ หากข้อกำหนดคือการโฮสต์ด้วยตนเอง

จุดยืนด้านการออกใบอนุญาต โดยกล่าวอย่างระมัดระวัง

นี่เป็นหัวข้อที่แหล่งข้อมูลทุติยภูมิผิดอย่างเห็นได้ชัด ดังนั้นเรื่องแหล่งที่มาจึงสำคัญกว่าข้อสรุป

มีหน้าของผู้รวบรวมข้อมูลหลายหน้า — รวมถึงหน้าเปรียบเทียบของ LLM Stats และตาราง generative-AI ใน Wikipedia — ที่ระบุว่า Qwen Image 3.0 เป็นโมเดลโอเพนเวตภายใต้ Apache 2.0 หรือ "Qwen License" รายการเหล่านั้นดูเหมือนเป็นอาร์ติแฟกต์จากเทมเพลต เนื่องจากหน้าเหล่านี้ถูกสร้างจากสคีมาที่ถือว่าตระกูลโมเดลนี้เป็นแบบเปิด และขัดแย้งกับรายงานที่มีรายละเอียดมากกว่า ไม่พบที่เก็บข้อมูลบน Hugging Face ไม่พบเช็กพอยต์ safetensors และไม่พบการ์ดโมเดลสำหรับ 3.0 หรือ 3.0 Pro เลย การตีความอย่างระมัดระวัง และเป็นแนวทางที่บทความนี้ยึดถือ คือ 3.0 เป็นโมเดลที่ให้บริการแบบโฮสต์เท่านั้น จนกว่าอาลีบาบาจะเผยแพร่น้ำหนักโมเดล

สิ่งที่เปิดอย่างชัดเจนคือรุ่นก่อนหน้า Qwen-Image-2.1 ซึ่งเปิดตัวในเดือนกันยายน 2026 เป็น diffusion transformer ขนาด 7B ที่จับคู่กับ text encoder Qwen3-VL 8B เผยแพร่ภายใต้ Qwen Research License — ไม่ใช่ Apache 2.0 และไม่ฟรีสำหรับการใช้งานเชิงพาณิชย์เว้นแต่จะมีข้อตกลงแยกต่างหาก ความแตกต่างนี้สำคัญกว่าตัวน้ำหนักโมเดลเองสำหรับบริษัทส่วนใหญ่ ใบอนุญาตวิจัยที่ต้องเจรจาก่อนจึงจะนำไปใช้งานได้นั้นเป็นปัญหาการจัดซื้อที่แตกต่างจากการดาวน์โหลดภายใต้ Apache 2.0 และทีมที่สันนิษฐานว่าสายผลิตภัณฑ์ภาพของ Qwen มีเงื่อนไขที่อนุโลมเหมือนกันทั้งหมดจะพบว่าเงื่อนไขเปลี่ยนไปภายใต้พวกเขา

ซึ่งทำให้ Qwen Image 3.0 ตกอยู่ในสถานะที่ลำบาก มันดีกว่า 2.1 ในทุกแกนที่วัดได้ — รายละเอียดเพิ่มเติมด้านล่าง — แต่ไม่สามารถโฮสต์เองได้ ไม่สามารถ fine-tune ด้วยข้อมูลของคุณเองได้ และไม่สามารถปักหมุดไว้ที่ checkpoint ที่คุณควบคุมได้ หากสิ่งเหล่านั้นคือเหตุผลที่คุณพิจารณาสาย Qwen แล้ว 3.0 ไม่ตอบโจทย์เหล่านั้น และ 2.1 ก็ถือเป็นการดาวน์เกรด

ใบให้คะแนน โดยมีช่องว่างอยู่ในตำแหน่งที่ถูกต้อง

Artificial Analysis, 5 พฤศจิกายน 2026, ทั้งสองบอร์ด:

• AA-Image-Editing v2.1 — Qwen Image 3.0 Pro อยู่ที่ 1,092 (อันดับ 20, ตัวอย่าง 13,614 รายการ), Qwen Image 3.0 อยู่ที่ 1,069 (อันดับ 29, ตัวอย่าง 8,137 รายการ), Qwen-Image-2.1 อยู่ที่ 1,081. GPT Image 2.5 Sunburst นำอยู่ที่ 1,199.

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

• Images 2.6 — ไม่มีแถวบนบอร์ดทั้งสอง และมีอายุหนึ่งวันแล้ว

ข้อสังเกตสามประการ ประการแรก ช่องว่างระหว่าง Qwen Image 3.0 Pro กับรุ่นก่อนของ OpenAI อยู่ที่ประมาณ 100 Elo บนทั้งสองบอร์ด ซึ่งไม่ใช่การแข่งขันที่สูสี ประการที่สอง การอัปเกรดเป็น Pro ให้ 23 Elo ในการสร้างภาพจากข้อความ และ 23 Elo ในการแก้ไขภาพ ด้วยราคาที่เพิ่มขึ้นเพียงเล็กน้อย — เป็นการพัฒนาที่แท้จริงและสม่ำเสมอ ไม่ใช่แค่ระดับชั้นทางการตลาด ประการที่สาม และน่าสนใจที่สุด Qwen-Image-2.1 เอาชนะ Qwen Image 3.0 บนบอร์ดการแก้ไขภาพ (1,081 ต่อ 1,069) แม้จะเป็นโมเดลแบบเปิดน้ำหนักรุ่นเก่ากว่าและตามหลังอย่างชัดเจนในการสร้างภาพ การเปิดตัว 3.0 พัฒนาการสร้างภาพและไม่ได้พัฒนาการแก้ไขภาพ หากสิ่งที่คุณต้องการจากตระกูล Qwen คือการแก้ไขภาพ โมเดลแบบเปิดคือตัวเลือกที่ดีกว่า ซึ่งเป็นการค้นพบที่ผิดปกติและมีประโยชน์อย่างแท้จริง

ช่วงความเชื่อมั่นกว้างพอ — ±12 ถึง ±13 — จนความแตกต่างด้านการแก้ไขระหว่าง 2.1 กับ 3.0 อยู่ในระดับเสียงรบกวน แต่ทิศทางนั้นสอดคล้องกับจำนวนตัวอย่าง และเป็นเหตุผลหนึ่งที่ไม่ควรสันนิษฐานว่าตัวเลขที่ใหม่กว่าจะหมายถึงโมเดลที่ดีกว่าเสมอ

สิ่งที่ Qwen Image 3.0 เก่งจริง ๆ

เหตุผลในการใช้มันไม่ใช่คอลัมน์เบนช์มาร์ก แต่คือข้อความ

คำกล่าวอ้างของ Alibaba สำหรับ Qwen Image 3.0 มีความเฉพาะเจาะจง: พรอมต์ยาวได้ถึงประมาณ 4,500 โทเคน การเรนเดอร์ที่อ่านออกได้จนถึงตัวอักษรขนาดประมาณ 10 พิกเซล รองรับ 12 ภาษา สูงสุดหกรูปต่อการเรียกหนึ่งครั้ง และเอาต์พุตสูงสุด 2048 × 2048 รูปภาพอ้างอิงคิดค่าบริการแยกต่างหากในราคาประมาณ $0.003 ต่อรูป และการป้อนรูปอ้างอิงซ้ำจะถูกคิดค่าบริการอีกครั้ง — เป็นรายละเอียดที่ควรติดตาม เพราะลูปการแก้ไขที่ส่งรูปอ้างอิงเดิมในทุกเทิร์นจะสะสมค่าใช้จ่ายอย่างเงียบ ๆ

ในบรรดาข้อกล่าวอ้างเหล่านั้น การเรนเดอร์ข้อความหลายภาษาคือข้อที่ได้รับการสนับสนุนจากหลักฐานอิสระแข็งแกร่งที่สุด Alibaba ไม่ได้เผยแพร่ benchmark อย่างเป็นทางการสำหรับรุ่นระดับ 3.0 ซึ่งในตัวมันเองก็เป็นถ้อยแถลงอย่างหนึ่ง แต่ชื่อเสียงของโมเดลในชุมชนนั้นสร้างขึ้นจากภาพที่มีข้อความหนาแน่น ได้แก่ โปสเตอร์ ม็อกอัป UI บรรจุภัณฑ์ที่มีตัวพิมพ์เล็ก และการเรียงพิมพ์อักษร CJK ซึ่งโมเดลตะวันตกจัดการได้แย่ หากสิ่งที่คุณต้องส่งมอบจำเป็นต้องมีข้อความภาษาจีน ญี่ปุ่น หรือเกาหลีที่อ่านออกได้ในเลย์เอาต์ที่ออกแบบไว้ นี่คือโมเดลในการเปรียบเทียบที่สร้างมาเพื่อสิ่งนั้น และไลน์ผลิตภัณฑ์ของ OpenAI ก็ไม่มีข้อกล่าวอ้างที่เทียบเท่า

จุดแข็งของ Images 2.6 อยู่ที่อื่น และเป็นเชิงโครงสร้างมากกว่าด้านตัวอักษร มันมาพร้อม GIF แบบเคลื่อนไหวที่สร้างขึ้นใน ChatGPT, การส่งออก SVG, การแก้ไขที่นำทางด้วยมาร์กอัป และพารามิเตอร์ ความซับซ้อนที่กำหนดว่าโมเดลใช้การวางแผนกับคำขอหนึ่ง ๆ มากเพียงใด นอกจากนี้ยังเพิ่มรูปภาพอ้างอิงที่บันทึกไว้และนำกลับมาใช้ซ้ำได้ ไม่มีสิ่งใดในเหล่านี้เป็นฟีเจอร์ที่ Qwen Image 3.0 มีให้ การส่งออก SVG โดยเฉพาะอย่างยิ่งเป็นความได้เปรียบระดับหมวดหมู่มากกว่าสิ่งที่มีก็ดี: เอาต์พุตเวกเตอร์สำหรับไอคอน โลโก้ และไดอะแกรมเป็นสิ่งที่ไม่โมเดลราสเตอร์ใดในการเปรียบเทียบนี้สามารถสร้างได้ที่การตั้งค่าคุณภาพใด ๆ

ต้นทุนต่อภาพที่ใช้งานได้ ไม่ใช่ต่อภาพ

ตารางอัตราค่าบริการดูใกล้เคียงกัน จนกว่าคุณจะคิดรวมอัตราของเสียเข้าไป

• Qwen Image 3.0 Standard — ประมาณ $0.03 ถึง $0.035 ต่อภาพที่ความละเอียด 1K หรือ 2K หรือประมาณ $30 ต่อพันภาพตามรายการของ Artificial Analysis

• Qwen Image 3.0 Pro — $0.04 ที่ 1K, $0.075 ที่ 2K หรือประมาณ $40 ต่อพันครั้ง ส่วนการอ้างอิงเพิ่มประมาณ $0.003 ต่อรายการ

• รูปภาพ 2.6 — คิดค่าบริการตามจำนวนโทเคนในอัตรา $5 ต่อล้านโทเคนอินพุตข้อความ, $8 ต่อล้านโทเคนอินพุตรูปภาพ และ $30 ต่อล้านโทเคนเอาต์พุตรูปภาพ โดยแบบแบตช์มีราคาประมาณครึ่งหนึ่ง ต่อรูปคิดเป็นประมาณ $0.006 ที่ระดับต่ำ, $0.013 ที่ระดับกลาง, $0.053 ที่ระดับสูง และ $0.21 ที่ระดับสูงสุด ซึ่งคำนวณจากงบโทเคนที่สืบทอดมาจากรุ่น 2.5 แทนที่จะเป็นตัวเลข 2.6 ที่เผยแพร่

ในทางทฤษฎี Qwen Image 3.0 Pro ที่ราคา $0.075 สำหรับ 2K อยู่ระหว่างการตั้งค่า high และ xhigh ของ OpenAI แต่คะแนน Elo ที่ด้อยกว่า 100 คะแนนไม่ใช่ความแตกต่างด้านคุณภาพเพียงเล็กน้อย มันบ่งชี้ว่ามีสัดส่วนผลลัพธ์ที่ถูกปฏิเสธ ต้องพรอมป์ต์ใหม่ หรือต้องแก้ไขด้วยมือสูงขึ้นอย่างมีนัยสำคัญ หาก Pro ต้องลองสองครั้งจึงจะได้ผลที่ยอมรับได้ และ Images 2.6 ที่การตั้งค่า high ใช้เพียงครั้งเดียว ต้นทุนที่แท้จริงคือ $0.15 เทียบกับ $0.053 เมื่อนับผลลัพธ์ที่คุณทิ้งไป โมเดลที่ถูกกว่ากลับมีราคาสูงกว่าสามเท่า การคำนวณนี้ตัดได้ทั้งสองทาง ซึ่งเป็นเหตุผลว่าคำแนะนำที่ตรงไปตรงมาคือควรวัดอัตราการปฏิเสธกับพรอมป์ต์ของคุณเอง แทนที่จะเชื่อตารางราคาใดตารางราคาหนึ่ง

นี่ก็เป็นจุดที่มาร์กอัป 0% มีความสำคัญในทางปฏิบัติอย่างชัดเจน OrcaRouter ส่งต่อราคาตามรายการของผู้ให้บริการโดยไม่เปลี่ยนแปลง ดังนั้นตัวเลขต่อภาพในแค็ตตาล็อกของเราจึงเป็นจำนวนที่ผู้ให้บริการเรียกเก็บ — ไม่มีการเพิ่มส่วนต่างลงในบิลที่คิดตามโทเคน และการเปลี่ยนแปลงราคาจากผู้ขายจะสะท้อนในวันเดียวกันแทนที่จะรอรอบการปรับราคาครั้งถัดไป สำหรับเวิร์กโฟลว์ที่ต้นทุนจริงขึ้นอยู่กับอัตราการปฏิเสธที่คุณยังวัดอยู่ มาตรวัดที่ไม่มีการบวกกำไรคือความแตกต่างระหว่างตัวเลขที่เทียบเคียงได้กับตัวเลขที่ถูกบวมเกินจริง

การตัดสินใจเกี่ยวกับ open-weight หากนั่นคือคำถามที่คุณต้องการถามจริง ๆ

หากการโฮสต์เองเป็นสิ่งที่ไม่สามารถต่อรองได้ ทั้งหมดนี้ก็ไม่สำคัญ และคำตอบก็สั้น: ให้รัน Qwen-Image-2.1 ยอมรับคะแนนการแก้ไขภาพที่ 1,081 เตรียมงบประมาณสำหรับการเจรจาเรื่อง Qwen Research License หากคุณเป็นบริษัท และอย่ารอเวต 3.0 ที่ยังไม่ได้เผยแพร่และอาจจะไม่มีวันเผยแพร่ ให้จับคู่กับโมเดลแบบโฮสต์สำหรับงานที่มันอ่อน ซึ่งคืองานการสร้างภาพมากกว่าการแก้ไขภาพ

หากการโฮสต์เองเป็นเพียงความชอบมากกว่าข้อกำหนด การคำนวณก็เปลี่ยนไป ข้อได้เปรียบของ Qwen Image 3.0 คือการเรนเดอร์ข้อความหลายภาษาและราคาต่อภาพที่ต่ำ ข้อได้เปรียบของ Images 2.6 คือแอนิเมชัน เอาต์พุตเวกเตอร์ การแก้ไขด้วยมาร์กอัป และฐานการวัดประสิทธิภาพที่แข็งแกร่งกว่ามาก — อย่างน้อยก็ผ่านรุ่นก่อนหน้าของมัน สิ่งเหล่านี้เป็นจุดแข็งที่ไม่ทับซ้อนกันเป็นส่วนใหญ่ ซึ่งหมายความว่าทั้งสองสามารถอยู่ในไปป์ไลน์เดียวกันได้โดยไม่ต้องแข่งขันกัน: สายของ OpenAI สำหรับการสร้างและการเคลื่อนไหว ส่วนของ Qwen สำหรับเลย์เอาต์ที่เน้นไทโปกราฟีในภาษาที่โมเดลตะวันตกทำให้เพี้ยน

การรันทั้งสองแบบไม่ใช่ปัญหาเรื่องสัญญาสองฉบับ หากใช้คีย์ร่วมกัน OrcaRouter จัดเส้นทางให้โมเดลรูปภาพของ OpenAI ในราคาตามรายการพร้อมการสลับระบบสำรองอัตโนมัติ และกฎการกำหนดเส้นทางสามารถส่งคำขอไปยังตัวใดตัวหนึ่งตามสิ่งที่พรอมต์ต้องการ — ไม่ต้องมี SDK ตัวที่สอง ไม่ต้องมีความสัมพันธ์ด้านการเรียกเก็บเงินอีกชุด ไม่ต้องหมุนเวียนข้อมูลรับรองแยกตามผู้ขายแต่ละราย นั่นเป็นประเด็นด้านการดำเนินงานเล็ก ๆ แต่เป็นประเด็นที่ชี้ขาดว่าไปป์ไลน์แบบสองโมเดลจะคุ้มค่าที่จะสร้างหรือไม่

ที่ที่สิ่งนี้ไปถึง

Qwen Image 3.0 เป็นโมเดลที่ดีแต่ยังมีเรื่องราวการเผยแพร่ที่ยังไม่ชัดเจน ราคาของมันแข่งขันได้ การเรนเดอร์ข้อความหลายภาษาถือว่าดีที่สุดในบรรดาที่นำมาเปรียบเทียบอย่างแท้จริง และคุณภาพที่วัดได้ต่ำกว่าประมาณ 100 Elo เมื่อเทียบกับรุ่นก่อนของ OpenAI บนทั้งสองบอร์ด น้ำหนักเปิดที่ทำให้สายผลิตภัณฑ์ภาพ Qwen น่าสนใจในหลักการนั้นไม่มีอยู่ใน 3.0 และโมเดลที่ยังมีสิ่งเหล่านั้นอยู่ — Qwen-Image-2.1 — ได้คะแนนด้านการแก้ไขภาพดีกว่า 3.0

Images 2.6 เป็นผลิตภัณฑ์ที่กว้างกว่าโดยมีสถานะที่ยังไม่ได้วัด ทุกสิ่งเกี่ยวกับมันที่ตรวจสอบได้ล้วนเป็นข้อกล่าวอ้างที่สืบทอดมา ไม่ว่าจะเป็นโมเดลราคา พื้นผิว endpoint หรือโครงสร้างแบบสองตัวแปร ทุกสิ่งเกี่ยวกับมันที่เป็นของใหม่ — GIF, SVG, การแก้ไขมาร์กอัป, พารามิเตอร์ความซับซ้อน — ยังไม่ได้รับการยืนยันจากการทดสอบอิสระใดๆ และบางส่วนยังไม่มีเอกสารกำกับ

ข้อสรุปเดียวที่ไม่ขึ้นอยู่กับ benchmark ที่หายไปคือข้อสรุปด้านสัญญาอนุญาต และนั่นคือเหตุผลที่ผู้อ่านส่วนใหญ่มาที่นี่: หากคุณต้องการ weights พวกมันไม่ได้อยู่ที่นี่ และก็ไม่ได้อยู่ใน 3.0 เช่นกัน ตรวจสอบองค์กร Hugging Face ก่อนที่คุณจะวางแผนโดยอิงกับ checkpoint มันเป็นสัญญาณที่เชื่อถือได้สำหรับตระกูลนี้มาตลอดทั้งปี และปัจจุบันหยุดอยู่ที่ 2.1