MOSS-Image vs Qwen Image 3.0: Một phòng thí nghiệm chọn hướng đóng, phòng kia chọn hướng mở

Qwen Image 3.0 và MOSS-Image được các phòng thí nghiệm Trung Quốc phát hành cách nhau tám tuần và chúng đã có lập trường đối lập nhau về một câu hỏi quyết định việc bạn có thể xây dựng nên gì. Alibaba phát hành Qwen Image 3.0 vào ngày 21 tháng 7 năm 2026 và đưa nó lên trạng thái sẵn có chung vào ngày 5 tháng 8 — dạng đóng, không có trọng số, không có model card, không có báo cáo kỹ thuật, chỉ có thể truy cập thông qua API lưu trữ ở các phiên bản Pro và Standard. OpenMOSS phát hành MOSS-Image vào ngày 16 tháng 10 năm 2026 dưới dạng trọng số mở theo Apache 2.0, bao gồm cả các checkpoint và pipeline suy luận độc lập. Có một cái bẫy về cách đặt tên ở phía Qwen đáng để biết trước hết mọi thứ: Qwen-Image 2.1, được phát hành vào ngày 20 tháng 9 năm 2026, mới hơn Qwen-Image 3.0 và hai dòng sản phẩm này là riêng biệt nhưng dùng chung một con số.

Nói theo cách đó, sự so sánh trông giống như một cuộc tranh luận giữa mở và đóng, và phần nào đúng là như vậy. Nhưng khác biệt thú vị hơn không nằm ở việc cấp phép. Mà là Qwen Image 3.0 và MOSS-Image đưa ra những tuyên bố mạnh mẽ nhất về cùng một năng lực — làm cho văn bản và bố cục chính xác tuyệt đối — và chúng có những cơ chế hoàn toàn khác nhau để làm điều đó, một cơ chế bạn có thể kiểm tra và một cơ chế bạn không thể.

Qwen Image 3.0 thực sự tuyên bố điều gì

Q​wen Image 3.0 là một mô hình đóng, được lưu trữ trên máy chủ, cung cấp khả năng tạo và chỉnh sửa hình ảnh qua một API duy nhất, với hai phiên bản Standard và Pro. Tài liệu ra mắt của A​libaba đưa ra bốn cam kết cụ thể: câu lệnh dài tới khoảng 4.500 token, văn bản trong ảnh đọc được ở kích cỡ nhỏ tới khoảng 10 pixel, hỗ trợ 12 ngôn ngữ trên hơn 20 bộ phông chữ, và đầu ra lên tới 2048×2048 với tối đa sáu ảnh mỗi lần gọi. Không có số lượng tham số nào được công bố, và con số ~20B MMDiT được nhắc lại rộng rãi chỉ là thông tin được báo cáo chứ chưa được A​libaba xác nhận.

Mức giá khoảng 0,035 đô la Mỹ mỗi ảnh trên Model Studio của Alibaba, với Artificial Analysis ước tính khoảng 30 đô la Mỹ cho 1.000 ảnh đối với Standard và 40 đô la Mỹ cho 1.000 ảnh đối với Pro. Vị trí đo được của nó nằm ở giữa bảng chứ không phải dẫn đầu: Elo 1.077 cho tác vụ tạo ảnh từ văn bản, xếp thứ mười sáu; 1.088 cho bản Pro ở tác vụ chỉnh sửa, thứ mười bốn; và 1.048 cho Standard ở tác vụ chỉnh sửa, thứ hai mươi mốt. Đó là các số liệu của Artificial Analysis, điều này khiến chúng trở thành những con số duy nhất được tạo ra một cách độc lập trong toàn bộ so sánh này — MOSS-Image hoàn toàn không có mục nào trên Artificial Analysis.

Ba điều được ghi trong tài liệu về hành vi chỉnh sửa của nó, và sự ít ỏi ấy chính là chủ đích. Pro hỗ trợ 1–3 ảnh đầu vào. Quy trình chỉnh sửa được tài liệu hóa bao gồm viết lại cục bộ, mở rộng nội dung, chuyển đổi phong cách và tạo đa góc máy, không có quy trình dựa trên mask nào được công bố. Hoàn toàn không có tuyên bố nào về độ trong suốt trong thông báo — không tạo RGBA, không chỉnh sửa lớp trong suốt, không tách chủ thể sang kênh alpha.

Điều đáng chú ý là sự thiếu vắng trên mọi trang A​ibaba: bất kỳ phép đo lường nào về độ chính xác bố cục. Q​wen Image 3.0 tuyên bố văn bản có thể đọc được ở 10 pixel và không nói gì về việc văn bản đó nằm ở đâu.

Những gì MOSS-Image tuyên bố, và sự khác biệt về bản chất

MOSS-Image là một diffusion transformer đơn luồng 5B — 42 khối joint, chiều rộng ẩn 3.072, 24 đầu với 128 chiều, feed-forward SiTU-GLU rộng 8.192, mã hóa vị trí quay bốn trục — cùng một bộ mã hóa văn bản Qwen3.5-9B đóng băng và một VAE FLUX.2 đóng băng được nạp từ FLUX.2-klein-4B. Bản tải SFT khoảng 27,2 GB, trong đó khoảng 16,8 GB là bộ mã hóa.

Sự khác biệt về năng lực này không phải là vấn đề mức độ. Tuyên bố về văn bản của Qwen Image 3.0 xoay quanh tính dễ đọc — liệu mô hình có thể dựng ký tự đủ nhỏ để đọc được hay không. Tuyên bố của MOSS-Image xoay quanh vị trí — liệu nó có thể đặt một chuỗi ký tự được chỉ định vào đúng một tọa độ được chỉ định hay không. Hai điều đó nghe có vẻ giống nhau nhưng không phải vậy. Một mô hình dựng chữ đẹp đẽ nhưng lại đặt tiêu đề của bạn chạy ngang qua ảnh sản phẩm đã thất bại ở một nhiệm vụ khác với một mô hình dựng nét chữ hơi mềm hơn nhưng nằm chính xác trong đúng khung.

Cơ chế định vị của MOSS-Image là bạn cung cấp bố cục dưới dạng dữ liệu. Câu lệnh có thể là một đối tượng JSON mang theo các hộp giới hạn bằng tọa độ pixel tuyệt đối đo từ tâm canvas, các chuỗi văn bản nguyên văn và ghi chú về kiểu chữ, với bbox_format "yxyx". Chính phép thử loại bỏ thành phần của nhà cung cấp là bằng chứng rõ ràng nhất cho thấy vì sao giao diện này lại quan trọng: trên RealLayoutArena, các câu lệnh bố cục dạng JSON đạt 1.622,87 trên cùng hệ thống mà các câu lệnh ngôn ngữ tự nhiên chỉ đạt 1.506,20. Trên 7Bench, bộ dữ liệu cũng được giới thiệu trong báo cáo, MOSS-Image báo cáo IoU bố cục trung bình là 0,88 cùng AUC bố cục là 0,70 — cũng trong bảng đó, Qwen Image 3.0 Pro chỉ đạt 0,31 và AUC trường ở mức 0,16 đến 0,20.

Con số 0,88 so với 0,31 đó là khoảng cách đơn lẻ lớn nhất trong so sánh này, và nó cũng là con số kém đáng tin cậy nhất trong đó. OpenMOSS đã viết bộ benchmark, chạy cả hai mô hình trên đó và công bố kết quả. Các tác giả của Q​wen Image 3.0 không hề công bố một chỉ số bố cục nào, nên không có gì để đối chiếu với nó — không một con số thấp hơn, không một tranh cãi, không gì cả. Sự bất đối xứng đó đáng được gọi tên: lợi thế của một phòng thí nghiệm trên một bài kiểm tra do chính họ viết ra đang được đem so với sự im lặng của một phòng thí nghiệm khác.

Các kích thước, cạnh nhau

• Phát hành — Q​wen Image 3.0 ra mắt ngày 21 tháng 7 năm 2026, chính thức phát hành (GA) ngày 5 tháng 8 năm 2026; M​OSS-Image phát hành ngày 16 tháng 10 năm 2026

• Cấp phép — Q​wen Image 3.0 là đóng, không có trọng số, không có giấy phép được nêu rõ, không có model card và không có báo cáo kỹ thuật; M​OSS-Image là Apache 2.0 đối với trọng số và mã pipeline độc lập, không có ngưỡng doanh thu

• Giá — Q​wen Image 3.0 khoảng $0.035 mỗi ảnh trên Model Studio, với Artificial Analysis ước tính ~$30 cho 1.000 bản Standard và ~$40 cho 1.000 bản Pro; M​OSS-Image miễn phí tải về ở ~27.2 GB cộng với thời gian GPU của riêng bạn

• Các phiên bản — Qwen Image 3.0 phát hành bản Standard và Pro với các cấp độ chỉnh sửa khác nhau; MOSS-Image phát hành các checkpoint Base và SFT, trong đó Base được cố ý giữ nguyên không chưng cất để các bản tinh chỉnh có thứ để bám vào

• Giới hạn độ dài prompt — Qwen Image 3.0 khoảng 4.500 token; MOSS-Image 4.096 token ở giai đoạn tiền huấn luyện cuối cùng

• Kết xuất văn bản — Q​wen Image 3.0 tuyên bố văn bản đọc được ở kích thước nhỏ tới khoảng 10 pixel trên 12 ngôn ngữ và hơn 20 phông chữ; M​OSS-Image báo cáo 96,3 Mean-6 trên LongLongTextBench, tách thành 97,1 cho tiếng Anh và 92,4 cho tiếng Trung, so với 64,9 của Q​wen-Image-2512 trong cùng bảng

• Kiểm soát bố cục — MOSS-Image nhận các bố cục JSON theo tọa độ tuyệt đối tương đối so với tâm và tuyên bố đạt 0.88 IoU trung bình trên 7Bench, trong khi Qwen Image 3.0 Pro được liệt kê ở mức 0.31; Alibaba không công bố chỉ số bố cục nào.

• Ảnh tham chiếu — Qwen Image 3.0 Pro ghi rõ 1–3 ảnh đầu vào và tối đa sáu ảnh mỗi lần gọi; điều kiện hóa tham chiếu của MOSS-Image là một trục được dành riêng trong sơ đồ vị trí của nó, được mô tả là có tính hướng tới tương lai thay vì đã được phát hành

• Chỉnh sửa — Qwen Image 3.0 bao gồm viết lại cục bộ, mở rộng, chuyển đổi phong cách và tạo nhiều góc máy thông qua một API; báo cáo của MOSS-Image không trình bày chỉnh sửa như một bề mặt sản phẩm

• Tính trong suốt — thông báo của Q​wen Image 3.0 không đưa ra tuyên bố nào về tính trong suốt; VAE của M​OSS-Image sử dụng 32 kênh tiềm ẩn và pipeline để lộ biểu diễn tiềm ẩn, dù đầu ra RGBA không phải là tính năng được nhà cung cấp công bố

• Điểm số độc lập — Qwen Image 3.0 đạt Elo 1.077 ở hạng mục chuyển văn bản thành hình ảnh (thứ 16) và bản Pro đạt 1.088 ở hạng mục chỉnh sửa (thứ 14) theo Artificial Analysis; MOSS-Image không có điểm số độc lập

• Hệ sinh thái — Qwen Image 3.0 có API; MOSS-Image có pipeline tùy chỉnh Diffusers, ứng dụng Gradio, plugin ComfyUI có thể cài đặt qua ComfyUI Manager, và một pull request vLLM-Omni đang mở vẫn đang được xem xét

Lập luận quyết định hầu hết các đội

Qwen Image 3.0 không phải là một mô hình yếu, và nó cũng không đắt. Với khoảng ba xu rưỡi một ảnh, cùng cửa sổ prompt 4.500 token, đầu ra 2K và các lệnh gọi nhiều ảnh, đây là một thứ hoàn toàn hợp lý để đưa vào hậu thuẫn cho một tính năng sản phẩm ngay chiều nay. Nếu yêu cầu của bạn là “tạo ra những hình ảnh đẹp theo mô tả này, đôi khi kèm một ảnh tham chiếu, với chi phí trên mỗi đơn vị có thể dự đoán được”, thì mô hình đóng sẽ thắng về thời gian tới yêu cầu đầu tiên và có thể cả về tổng chi phí, bởi vì các kỹ sư của bạn không bao giờ phải chạm tới GPU.

MOSS-Image thắng ở một khía cạnh khác, và đó là điều mà không API nào có thể cung cấp bất kể giá cả: bạn có thể kiểm tra thứ quyết định đầu ra. Đặc tả bố cục là dữ liệu. Nó có thể được tạo bởi mã của bạn, được kiểm soát phiên bản trong cùng repository với mọi thứ khác, được diff khi ai đó thay đổi template, được xác thực theo schema trước khi đến mô hình, và được con người xem xét, người phê duyệt bố cục trước khi một pixel được render. Không điều nào trong số đó là khả thi khi ánh xạ từ prompt sang bố cục diễn ra bên trong một endpoint được host mà bạn không thể nhìn vào bên trong.

Đó là một khác biệt kiến trúc thực sự và nó tiếp thị kém, bởi vì "bạn có thể kiểm thử đơn vị prompt của bạn" không phải là một bản demo mà ai đó sẽ quay. Nhưng nó là sự khác biệt giữa một pipeline mà những thất bại của nó có thể gỡ lỗi được và một pipeline mà những thất bại của nó tạo ra một phiếu hỗ trợ. Khi M​OSS-Image đặt tiêu đề sai chỗ, bạn có thể đọc JSON bạn đã gửi và thấy tọa độ sai. Khi một mô hình được host làm điều đó, bạn có một prompt trông có vẻ ổn và một hình ảnh thì không.

Có một sự thật khác biệt thứ hai mà cả hai nhà cung cấp đều không nhấn mạnh trước. Những vùng im lặng của Qwen Image 3.0 đều nhất quán: không có số lượng tham số, không có kiến trúc, không có mô tả dữ liệu huấn luyện, không có bảng benchmark, không có báo cáo kỹ thuật và không có chỉ số layout. Báo cáo của MOSS-Image thì quá chi tiết khi so sánh — các giai đoạn huấn luyện độ phân giải tăng dần kèm số bước, một kho ngữ liệu dẫn xuất từ ReLAION được cắt tỉa từ khoảng 5 tỷ xuống 3 tỷ hình ảnh, một bộ tối ưu hóa kết hợp Muon–AdamW với một ablation cho thấy số bước ít hơn 33,2% và 28,6% để đạt cùng mức loss so với AdamW tại hai checkpoint. Một số chi tiết đó chỉ có được vì mô hình là mở, nhưng báo cáo được viết theo lựa chọn, và đó là sự khác biệt giữa một sản phẩm và một công bố.

Nơi tuyên bố về tính mở có những giới hạn

Ba điều về tính mở của MOSS-Image đáng được kiểm chứng thay vì mặc nhiên thừa nhận.

Cái đầu tiên đã hoạt động. Trọng số mở không có đường phục vụ đã hợp nhất là một câu chuyện khác so với trọng số mở có đường đó. Pull request vLLM-Omni bổ sung MOSS-Image với skip-layer guidance — [Model] Thêm MOSImage text-to-image với SLG — đã được mở vào ngày 14 tháng 10 với 3.605 dòng được thêm trên 25 tệp và vẫn đang mở, với người đánh giá yêu cầu bằng chứng về tính tương đương đầu ra so với một bản triển khai tham chiếu đã ghim. Bản phát hành mới nhất đã công bố của vLLM-Omni là v0.31.0rc1, có ngày 6 tháng 10. Không có phiên bản nào đã phát hành chứa mô hình này, và cách diễn đạt "hỗ trợ Ngày 0" đã lan truyền vào ngày phát hành mô tả một nhánh bạn có thể build chứ không phải một gói bạn có thể cài đặt.

Điều thứ hai là kết quả mạnh nhất trong báo cáo không phải đến từ một mô hình đơn lẻ. Mô-đun tăng cường prompt, LayoutPE, được nêu là dùng G​PT-6 với các hướng dẫn tác vụ dạng mô-đun tại thời điểm suy luận, và kỹ năng tăng cường prompt đi kèm được mô tả là được thiết kế cho các tác nhân thuộc họ G​PT-6. Do đó, điểm Elo end-to-end nổi bật là 1.698,70 — đứng thứ hai sau 1.844,35 của GPT Image 2 — được tạo ra bởi một pipeline hai mô hình mà nửa đặc tả của nó là API của người khác. Nếu đọc như một thước đo cho riêng bộ sinh, con số đó bị thổi phồng.

Thứ ba là tinh chỉnh. Base đã được cố ý để nguyên chưa chưng cất — model card nêu rõ rằng nó “chưa trải qua bất kỳ quá trình hậu huấn luyện hay chưng cất nào đối với các tham số suy luận như CFG” — cụ thể là để LoRA có thứ gì đó bám vào, đây là một cam kết thực sự chứ không phải một động thái cấp phép. Nhưng công thức huấn luyện chỉ là tài liệu chứ không phải dữ liệu được phát hành, và hướng dẫn tinh chỉnh cho đến nay chỉ gồm các chỉ dẫn cụ thể (giữ nguyên text encoder; không tinh chỉnh nó) cùng với một prompt tạo chú thích. Tuyên bố rằng SFT đơn giản mở khóa khả năng tạo dựa trên tham chiếu và đầu ra GIF được nêu kèm theo một “hãy chờ xem”.

Định tuyến, được nêu mà không cường điệu

Không mô hình nào trong so sánh này có trong danh mục của chúng tôi và chúng tôi sẽ không giả vờ điều ngược lại. Qwen Image 3.0 nằm trên Model Studio của Alibaba và, giống như phần còn lại của dòng hình ảnh Qwen, không phải là thứ mà OrcaRouter cung cấp. MOSS-Image là một bản tải xuống. Ranh giới ở đây rất đơn giản: chúng tôi không lưu trữ mô hình nào trong hai.

Những gì có trong danh mục của chúng tôi là phần còn lại của nhóm mà hai mô hình này được đối chiếu — các mô hình ảnh hosted mà bạn sẽ dùng để chạy benchmark một MOSS-Image tự host, có thể truy cập bằng một API key duy nhất theo giá niêm yết của nhà cung cấp với mức markup 0%, nên thay đổi giá của nhà cung cấp đối với một mô hình hosted được phản ánh tại đây ngay trong ngày thay vì tới kỳ gia hạn hợp đồng tiếp theo. Với một so sánh như thế này, khi phía Qwen được tính phí theo từng ảnh còn phía MOSS được tính phí theo giờ GPU, điều hữu ích mà một lớp định tuyến mang lại không phải là giảm giá mà là một nơi duy nhất để đọc giá hosted trực tiếp và một endpoint duy nhất để chuyển đổi dự phòng giữa các nhà cung cấp khi một upstream suy giảm giữa chừng trong quá trình đánh giá. Đó là toàn bộ điều được khẳng định, và nó dừng lại trước việc cung cấp cho bạn một mô hình mà chúng tôi không chạy.

Cách quyết định, theo thứ tự

Cứ làm lần lượt những cái này theo thứ tự, và thường thì câu trả lời sẽ tự lộ ra ở câu hỏi thứ ba.

• Bạn có GPU, hay ngân sách có thể quy đổi thành giờ GPU không? Nếu không, so sánh này kết thúc và Q​wen Image 3.0 là câu trả lời với khoảng $0.035 một ảnh.

• Bố cục của bạn có thể biết trước khi tạo không — bạn có template, một lưới, một tập tọa độ nào không? Nếu có, giao diện JSON của MOSS-Image là cơ chế duy nhất trong cuộc so tài này giải quyết trực tiếp vấn đề của bạn, và khoảng cách 0,88 so với 0,31 chính là bằng chứng cho điều đó, dẫu rằng nó do nhà cung cấp tự công bố.

• Bạn có cần tinh chỉnh, lượng tử hóa hay chạy trong môi trường cách ly (air-gapped) không? Nếu có, mô hình đóng không phải là ứng viên dù với bất kỳ mức giá nào, và việc một LoRA DMD 4 bước cùng một biến thể chưng cất 8 bước xuất hiện chỉ trong khoảng một ngày sau khi phát hành chính là điều bạn đang đầu tư vào.

• Việc rà soát pháp lý của bạn có cần kết thúc bằng một tài liệu không? Apache 2.0 so với việc không nêu rõ giấy phép là phần ngắn nhất của so sánh này.

• Tính độc lập của việc đo lường có phải là một yêu cầu không? Vậy thì đừng chọn cái nào cả nếu không có thêm đánh giá. Các số liệu độc lập duy nhất của Q​wen Image 3.0 là các vị trí Elo của Artificial Analysis, vốn đặt nó ở giữa nhóm chứ không phải gần đầu. Các kết quả nổi bật của M​OSS-Image đều đến từ các benchmark do chính tác giả của nó xây dựng.

Điều có thể thay đổi câu trả lời nhanh nhất vẫn chưa tồn tại, và đó là cùng một điều đối với cả hai mô hình: một lần chạy độc lập bài kiểm tra mà mỗi mô hình làm tốt nhất. Đối với Q​wen Image 3.0, điều đó có nghĩa là một phép đo bố cục từ bất kỳ ai, vì A​libaba chưa công bố phép đo nào. Đối với M​OSS-Image, điều đó có nghĩa là ai đó không phải OpenMOSS chạy LongLongTextBench, RealLayoutArena hoặc 7Bench. Cho đến lúc đó, dù bạn quyết định thế nào, bạn đang quyết định dựa trên kiến trúc, giấy phép và cơ chế thay vì chất lượng đã được kiểm chứng — điều mà đối với một cuộc đối đầu trực tiếp giữa một API đóng và một checkpoint mở thì có lẽ vẫn là cơ sở đúng đắn.

Các lỗi AI và sự cố tác nhân được ghi nhận đằng sau những bản phát hành như bản này được tập hợp trong OrcaRouter AI Incident Archive, trong đó mỗi mục đều có nguồn, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp riêng.