Qwen-Image-2.1 vs Gemini Omni 1.1 Flash: ตัวหนึ่งส่งคืนไฟล์ PNG แต่อีกตัวทำไม่ได้

สิ่งที่มีประโยชน์ที่สุดที่ควรรู้เกี่ยวกับ Qwen-Image-2.1และ Gemini Omni 1.1 Flashก็คือ พวกมันไม่ได้แข่งขันกัน ขอภาพนิ่งจาก Gemini Omni 1.1 Flash แล้วคุณจะได้ข้อผิดพลาด เอกสารของผู้ให้บริการเองระบุว่าการสร้างภาพ การแก้ไขภาพ และการแสดงผลภาพสลับกับข้อความเป็นความสามารถที่ไม่รองรับสำหรับโมเดลนี้ ขอวิดีโอจาก Qwen-Image-2.1 แล้วคุณจะได้ภาพนิ่งขนาด 2048×2048 พร้อมช่องอัลฟา ตารางเปรียบเทียบใดก็ตามที่วางสองตัวนี้ไว้ในสองคอลัมน์ ก็เท่ากับเอากล้องไปเทียบกับเครื่องฉายภาพ คำถามจริง ๆ — คำถามที่ต้องเสียเงินจริง ๆ — คือจะเกิดอะไรขึ้นเมื่อคุณนำมันมาต่อกันเป็นเชน และเชนนั้นจะรอดจากการปะทะกับตารางอัตราค่าบริการหรือไม่ Qwen-Image-2.1 เปิดตัวต่อสาธารณะเมื่อวันที่ 20 กันยายน 2026 ส่วน Gemini Omni 1.1 Flash พร้อมให้บริการทั่วไปตั้งแต่ 27 สิงหาคม 2026

สิ่งที่โมเดลแต่ละตัวส่งคืนในทางกายภาพ

นี่คือการเปรียบเทียบทั้งหมด และสิ่งอื่น ๆ ทั้งหมดก็เป็นผลสืบเนื่องมาจากสิ่งนี้

• รูปแบบเอาต์พุต — Qwen-Image-2.1 ส่งคืนภาพนิ่ง ขนาดสูงสุด 2048×2048 แบบเนทีฟที่ 40 ขั้นตอนการอนุมาน โดยเลือกมีช่องอัลฟาจริงได้; Gemini Omni 1.1 Flash ส่งคืนวิดีโอ ยาวสูงสุด 40 วินาที ประกอบขึ้นจากการเรียกสร้างและการขยายครั้งละ 10 วินาที โดยไม่มีโหมดภาพนิ่งเลย
• ความโปร่งใส — Qwen-Image-2.1 ลดสัญญาณรบกวนในพื้นที่แฝง RGBA 64 ช่องสัญญาณ ดังนั้นอัลฟาจึงออกมาจากตัวสุ่มตัวอย่าง; Gemini Omni 1.1 Flash ไม่มีเอาต์พุตพื้นหลังโปร่งใส และหากร้องขอจะล้มเหลว
• อินพุตอ้างอิง — Qwen-Image-2.1 รับภาพอ้างอิงได้สูงสุด 10 ภาพสำหรับการจัดองค์ประกอบแบบหลายซับเจกต์; Gemini Omni 1.1 Flash รับภาพได้สูงสุด 10 ภาพต่อพรอมต์ในฐานะ *อินพุต* และคลิปวิดีโออ้างอิงความยาว 3 วินาทีได้สูงสุด 3 คลิป
• เพดานความละเอียด — Qwen-Image-2.1 เป็น 2K แบบเนทีฟ; Gemini Omni 1.1 Flash มี 360p, 720p, 1080p และ 4K แต่ 1080p และ 4K เป็นการอัปสเกลจากการเรนเดอร์ 720p แบบเนทีฟ ไม่ใช่การสร้างแบบเนทีฟ
• ค่าใช้จ่าย — Qwen-Image-2.1 ไม่มีราคาแบบโฮสต์เพราะไม่มีเอนด์พอยต์แบบโฮสต์ ดังนั้นค่าใช้จ่ายคือเวลา GPU ของคุณเอง; Gemini Omni 1.1 Flash คิดค่าบริการ $0.10 ต่อวินาทีที่ 720p โดยมีระดับดราฟต์ 360p อยู่ที่ประมาณ $0.03 ต่อวินาที
• ใบอนุญาต — Qwen-Image-2.1 เผยแพร่ภายใต้ Qwen Research License Agreement ลงวันที่ 20 กันยายน 2026 ใช้เพื่อการไม่เชิงพาณิชย์เท่านั้น; Gemini Omni 1.1 Flash เป็น API เชิงพาณิชย์ที่เอาต์พุตมี SynthID และแหล่งที่มา C2PA โดยค่าเริ่มต้น

แถวสุดท้ายคือแถวที่คนมักมองข้าม ด้านหนึ่งคุณมีโมเดลที่ดาวน์โหลดได้แต่ขายไม่ได้ อีกด้านหนึ่งคือโมเดลที่ดาวน์โหลดไม่ได้แต่ขายได้อย่างอิสระ — พร้อมลายน้ำล่องหนในทุกเฟรม

ทำไมการวางกรอบแบบ "versus" ถึงยังโผล่ขึ้นมาเรื่อย ๆ อยู่ดี

ค้นหาชื่อทั้งสองพร้อมกัน แล้วคุณจะพบหน้าเว็บที่จัดอันดับพวกเขาแบบเทียบกันตัวต่อตัว เหตุผลก็คือคำถามที่อยู่เบื้องหลังนั้นเป็นเรื่องจริง แม้ว่ากรอบคำถามจะผิดก็ตาม โมเดลทั้งสองอยู่ในไปป์ไลน์งานสร้างสรรค์เดียวกัน และทั้งคู่ก็เป็นสิ่งใหม่ที่สุดในนั้น สิ่งที่ผู้คนกำลังพยายามตัดสินใจจริง ๆ คือจุดที่ภาพนิ่งสิ้นสุดลงและภาพเคลื่อนไหวเริ่มต้นขึ้น

Gemini Omni 1.1 Flash คว้าตำแหน่งในคำถามนั้นมาด้วยตัวเลขจากแหล่งอิสระ ไม่ใช่ตัวเลขจากผู้ขาย บน Artificial Analysis มันครองอันดับหนึ่งทั้งในสนาม text-to-video และ image-to-video ในหมวดไม่มีเสียง ณ วันที่ 2 กันยายน 2026 ด้วยคะแนน Elo 1324 และ 1364 เมื่อเปิดใช้เสียง มันร่วงลงมาที่ Elo 1237 และ 1180 — อันดับสองและอันดับสี่ ช่องว่างด้านเสียงนั้นเป็นรายละเอียดแบบที่สเปกชีตปิดบังไว้ และกระดานผู้นำเปิดเผยออกมา

หลักฐานของ Qwen-Image-2.1 บางกว่าและเป็นหลักฐานอีกประเภทหนึ่ง Qwen-Image-Bench ของผู้ขายเองให้คะแนนไว้ที่ 60.28 นำหน้า Nano Banana 2.0 ที่ 59.82 และ GPT Image 1.5 ที่ 59.65 และเป็นอันดับหนึ่งในบรรดาโมเดลเปิด — แต่นั่นเป็นเบนช์มาร์กที่ผู้ขายจัดทำเอง โดยมีช่องว่างต่ำกว่าหนึ่งคะแนน และไม่ใช่การทดสอบซ้ำโดยบุคคลที่สาม การทดสอบอิสระจนถึงขณะนี้มีเพียงรอบที่ให้คะแนนโดยมนุษย์ใน GenAI Showdown ที่ 7/15 ซึ่งเพิ่มขึ้นจาก 4/15 ของ Qwen-Image รุ่นดั้งเดิม และตามหลัง Ideogram 4 ที่ 8/15 โมเดลนี้ไม่มีรายการบนกระดานภาพของ Artificial Analysis ณ เวลาที่เขียน ไม่ใช่คะแนนต่ำ — ไม่มีคะแนนเลย

การส่งต่องาน และสิ่งที่มันต้องแลกมาด้วยจริง ๆ

ถ้าคุณกำลังสร้างอะไรบางอย่างที่ต้องการทั้งภาพนิ่งและคลิป ไปป์ไลน์เป็นทิศทางเดียวเท่านั้น: Qwen-Image-2.1 สร้างเฟรม แล้ว Gemini Omni 1.1 Flash ทำให้มันเคลื่อนไหว ไปป์ไลน์ย้อนกลับไม่มีอยู่

เมื่อคุณลองคำนวณดู คณิตศาสตร์ข้อนี้ไม่ปรานีเลย คลิป 720p ความยาว 10 วินาทีบน Gemini Omni 1.1 Flash มีค่าใช้จ่ายประมาณ $1.00 ที่ระดับ draft 360p 10 วินาทีเดียวกันอยู่ที่ราว $0.30 และฉากเต็มความยาว 40 วินาทีที่ 720p — การสร้างหนึ่งครั้งบวกการขยายสามครั้ง — ใกล้เคียง $4.00 ในขณะที่ภาพนิ่งที่ใช้เป็นจุดเริ่มต้นของทั้งหมดนั้นไม่มีค่าใช้จ่ายใด ๆ นอกจากค่าไฟบนการ์ดของคุณเอง ซึ่งหมายความว่าการตัดสินใจเรื่องต้นทุนที่น่าสนใจไม่ใช่ "โมเดลไหน" แต่เป็น "จะทำกี่เทค" ภาพนิ่งคุณวนแก้ได้ฟรี ส่วนวิดีโอทำไม่ได้ ทีมที่ตั้งงบประมาณการสร้างวิดีโอต่อชิ้นงานแทนที่จะต่อครั้งที่ลอง คือทีมที่มักเจอความประหลาดใจ เพราะเฟรมแรกฟรี แต่การลองซ้ำไม่ฟรี

มีกับดักด้านคุณภาพในขั้นตอนแฮนด์ออฟเช่นกัน Gemini Omni 1.1 Flash เรนเดอร์แบบเนทีฟที่ 720p และอัปสเกลเป็น 1080p กับ 4K หากภาพนิ่งของคุณเป็นเฟรม Qwen-Image-2.1 ขนาด 2048×2048 ที่มีอัลฟาแชนเนลสะอาด การป้อนภาพนั้นเข้าสู่เส้นทางวิดีโอที่เรนเดอร์ที่ 720p แล้วอัปสเกลจะทิ้งสิ่งที่โมเดลภาพมอบให้คุณไปเกือบหมด — และอัลฟาแชนเนลจะถูกตัดทิ้งทั้งหมด เพราะไม่มีเอาต์พุตวิดีโอแบบโปร่งใส ความโปร่งใสยังคงอยู่รอดในคอมโพซิเตอร์ ไม่ใช่ในโมเดลเชน ควรวางแผนการคอมโพซิตหลังจากคลิปส่งกลับมา ไม่ใช่ก่อนหน้า

ตำแหน่งที่เหมาะสมสำหรับเลเยอร์การกำหนดเส้นทาง

ส่วนที่ยุ่งยากของการจับคู่นี้คือไม่มีโมเดลใดเข้าถึงได้ในแบบที่ส่วนอื่น ๆ ของสแตกคุณน่าจะเข้าถึงได้ Gemini Omni 1.1 Flash เป็น API ของผู้ขายที่มีคีย์ของตัวเองและมิเตอร์คิดเงินรายวินาทีของตัวเอง ส่วน Qwen-Image-2.1 เป็นไฟล์ดาวน์โหลดขนาดประมาณ 33 GB — ประกอบด้วยทรานส์ฟอร์เมอร์แบบแพร่กระจายขนาด 7B บวกกับตัวเข้ารหัสข้อความ Qwen3-VL 8B — ซึ่งคุณต้องให้บริการเอง ภายใต้สัญญาอนุญาตที่อนุญาตให้ใช้เพื่อการไม่เชิงพาณิชย์เท่านั้น สองโมเดลการคิดค่าบริการ สองเส้นทางการเข้าถึง หนึ่งโปรเจกต์

OrcaRouter ถูกสร้างขึ้นมาเพื่อรองรับพื้นที่โดยรอบนี้อย่างแท้จริง: เอนด์พอยต์เดียวที่เข้ากันได้กับ OpenAI ครอบคลุมกว่า 200 โมเดล โดยส่งผ่านราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม พร้อมระบบสลับไปใช้ผู้ให้บริการรายอื่นอัตโนมัติเมื่อเกิดข้อขัดข้อง DSL สำหรับการจัดเส้นทางเพื่อประกอบ fallback เข้าด้วยกัน และการหลอมรวมโมเดลสำหรับการเรียกแบบ panel การระบุให้ชัดเจนว่าสิ่งนี้ครอบคลุมอะไรบ้างจึงเป็นเรื่องสำคัญ เรามิได้จัดเส้นทางให้โมเดล Qwen-Image เวอร์ชันใดเลย ดังนั้น Qwen-Image-2.1 จึงไม่ใช่เส้นทางที่คุณจะเรียกใช้ผ่านฝั่งเราได้ — มันรันบนฮาร์ดแวร์ของคุณเอง หรือไม่ก็ไม่รันเลย นอกจากนี้เราก็ไม่ได้จัดเส้นทางให้ Gemini Omni 1.1 Flash เช่นกัน สิ่งที่เรามีในฝั่งภาพเคลื่อนไหวคือสายวิดีโอของ Kling ซึ่งรวมถึง kling-v3, kling-v3-omni และ kling-video-o1 บวกกับ MiniMax H3 — ดังนั้นครึ่งที่เป็นแอนิเมชันของไปป์ไลน์นี้จึงมีเส้นทางแบบโฮสต์ที่ไม่ต้องทำสัญญากับผู้ขายรายที่สอง และในฝั่งภาพ เรามีตระกูล OpenAI GPT-Image, ระดับต่าง ๆ ของ Imagen 4 จาก Google และภาพตัวอย่าง Gemini รวมถึงเอนด์พอยต์สร้างภาพ Grok Imagine ของ xAI เนื่องจากราคาตามรายการถูกส่งผ่านโดยไม่บวกเพิ่ม การที่ผู้ขายลดราคาโมเดลใดก็ตามเหล่านี้จะสะท้อนที่นี่ในวันเดียวกัน

อันไหนที่คุณต้องการจริงๆ

• คุณต้องการแอสเซ็ต ไม่ใช่ฟุตเทจ — Qwen-Image-2.1 และช่องอัลฟาคือเหตุผลหลัก การตัดภาพผลิตภัณฑ์แบบพื้นหลังโปร่งใส ไอคอน สไปรต์ และคอมโพสิตแบบแบ่งเลเยอร์ คือจุดที่แซมเพลอร์ที่ปล่อยค่า RGBA ช่วยประหยัดไปป์ไลน์การทำแมตติ้งทั้งชุด
• คุณต้องการการเคลื่อนไหว และต้องการให้วัดค่าได้ — Gemini Omni 1.1 Flash มันเป็นเพียงหนึ่งในสองตัวที่มีผลอารีนาแบบอิสระอยู่บนสุดของบอร์ด และเป็นเพียงตัวเดียวที่มีราคาต่อวินาทีที่เผยแพร่ ซึ่งคุณนำไปใส่ในประมาณการได้
• คุณต้องการทั้งสองอย่าง — ตั้งงบครึ่งที่เป็นวิดีโอต่อครั้งที่ลอง ไม่ใช่ต่อแอสเซ็ต และอย่าสมมติว่าช่องอัลฟาจะรอดผ่านมาได้
• คุณต้องขายผลลัพธ์ที่ได้ — Gemini Omni 1.1 Flash และมีเพียง Gemini Omni 1.1 Flash เท่านั้น จนกว่า Qwen จะเผยแพร่เงื่อนไขเชิงพาณิชย์สำหรับ Qwen-Image-2.1 วันนี้ยังไม่มีราคาหรือเอกสารเงื่อนไขที่เผยแพร่สำหรับไลเซนส์นั้น

ข้อสรุปที่ตรงไปตรงมาคือ การเปรียบเทียบที่จัดอันดับพวกมันเป็นอาร์ติแฟกต์ที่ผิดชิ้น สิ่งที่ควรจับตาต่อไปคือว่า Qwen จะผูกเงื่อนไขทางการค้าเข้ากับ Qwen-Image-2.1 หรือไม่ และ Google จะปิดช่องว่างด้านเสียงบนลีดเดอร์บอร์ด Omni ได้หรือไม่ — สองข้อเท็จจริงนั้น ไม่ใช่กระดานคะแนนอีกอันหนึ่ง ที่จะตัดสินว่าครึ่งใดของไปป์ไลน์นี้จะได้งบประมาณ