Bernini-Diffusers-v2 vs Qwen Image 3.0：你拥有的权重 vs 渲染文本的 API

两家中国实验室在不到三周的时间里相继发布了图像模型，却最终站在了这一类别最大分歧的两端。Qwen-Image-3.0由阿里巴巴团队于2026年7月21日发布，并于8月4日向国际API开放，是一个通过HTTP调用的闭源权重图像模型。Bernini-Diffusers-v2则被字节跳动于2026年8月13日悄无声息地推送到了Hugging Face，是采用Apache-2.0许可的开源权重模型，可供下载和运行。两者的大致职责相同——图像生成与编辑——但在“谁控制模型”这个问题上给出了相反的答案。接下来要讲的大部分内容都是这一单一决定的结果，因此这也是本次对比的起点，而非终点。

权重划分

• Qwen-Image-3.0——封闭权重。截至撰写本文时，阿里巴巴尚未发布其权重或技术报告；你可以通过阿里云百炼或Qwen平台上的API使用它。输出带有AIGC溯源标签。你所购买的是能力而非保管权：无法自托管、无法微调、无法离线使用、无法一探究竟。

• Bernini-Diffusers-v2——开放权重。Apache-2.0 许可，Hugging Face 上的自包含 diffusers 目录，以及 bytedance/Bernini 仓库中的本地推理脚本。你可以对其进行微调、离线运行、将数据保留在自己的硬件上，不再按图像数量付费。自行托管的代价是需要运维它：README 推荐使用 Hopper 级 GPU 和 Python 3.11.2 / PyTorch 2.7.1+cu126 技术栈。

对于图像包含机密材料，或合规规则禁止向第三方API发送数据的团队来说，这种分界本身就解决了争论。

文本和布局保真度

Qwen-Image-3.0真正独特之处在于文本。其关键数据来自阿里巴巴的发布材料：

• 提示窗口 — 最高可达 4,500 tokens 的输入量，是上一代的 4.5 倍，使其能够一次性处理信息密集的简报，如报纸头版或九宫格知识图谱br />• 小字文本 — 可清晰渲染至约 10px，包括数学符号、下标、上标和多行公式br />• 语言 — 原生渲染覆盖 12 种语言，配备 20 多种字体和 100 多种艺术风格，并熟悉常见的网页、游戏和软件界面

Bernini-Diffusers-v2在其模型卡上并未提出可与之相提并论的文本与布局能力声明。它的优势在别处——基于规划的语义编辑与视频流水线——而对于以“准确渲染此信息图”为主要诉求的任务，Qwen-Image-3.0 是已被验证的选择，Bernini 则是未经证实的那一个。

编辑深度

• Qwen-Image-3.0——兼具生成与编辑功能，并拥有一系列专业技巧：古画修复、全景生成、草图转PPT、多镜头分镜。其卖点是生产实用性——布局经得起推敲、细节真实可信——而非某种特定的编辑架构。

• Bernini-Diffusers-v2——通过语义规划器进行编辑。Qwen2.5-VL 规划器将指令分解为“应更改什么”的计划，然后基于 Wan2.2 的渲染器将其绘制出来。对于复杂、多步骤的编辑（例如“更换季节、替换汽车、保持取景”）来说，这是一种很有说服力的设计，并且它扩展到视频任务（t2v、v2v、rv2v），而这些是任何竞争对手都未涉及的。以上全部来自厂商报告，尚未经过公开验证。

成本

• Qwen-Image-3.0——大约每1K张图像0.025美元，在国际API上（约0.18元），最高支持2048×2048输出，每次调用最多六张图像。其定价旨在与API图像市场的其他产品激烈竞争——仅为一年前高端托管图像模型收费的一小部分。

• Bernini-Diffusers-v2 — 免费权重，无按图收费，取而代之的是硬件开销。其经济性随用量反转：偶尔生成图片时自托管并不划算，而生成越多越划算，因为每多生成一张图片的边际成本趋近于零。

还有第三种成本，它偏向开放权重一方，而且很容易被低估：切换成本。封闭的 API 模型会把你锁死在它的定价、速率限制和路线图上；而你自己拥有的模型则可以随意替换、修补或微调，无需重新协商任何条件。

你基于哪个API进行构建？

Qwen-Image-3.0 仅提供 API，因此如果你基于它进行构建，就等于承诺在他人基础设施上按图计费——这正是 OrcaRouter 直通模式的关键所在。你在我们这边看到的价格是阿里巴巴的标价，加价率为 0%，供应商降价当天即同步生效，因此单张图片的成本完全取决于供应商本身，而不是转售商在中间加价。跨提供商的自动故障转移是另一半优势：当你的调用能够绕行时，一个在活动期间宕机的图像 API 就不再构成问题。如果你转而选择开放权重路线，使用 Bernini-Diffusers-v2，那等于今天就承担运维负担，以换取零按图费用；当托管服务提供商最终采用这些权重时，同样的直通模式也适用于该提供商的任何收费标准。

裁决

从纸面上看，{{1}}Qwen-Image-3.0{{/1}} 是更强的纯图像模型：经过验证的文本渲染、巨大的提示词窗口、多语言布局保真度，以及有竞争力的 API 价格。对于需求文本密集、工作流以 API 为核心的生产级图像生成，它是稳妥的选择。{{2}}Bernini-Diffusers-v2{{/2}} 是你可以真正拥有的模型——{{3}}Apache-2.0{{/3}} 权重、可自托管、可微调、支持视频——代价是自己运维，并相信一张无人复现过的基准测试表。选择 {{1}}Qwen-Image-3.0{{/1}} 是为了准确性和零基础设施；选择 {{2}}Bernini-Diffusers-v2{{/2}} 是为了掌控权和自主性。一句话决策规则：你是想租用能力，还是拥有模型？