Images 2.6 对比 Qwen Image 3.0：两者都不开放，且只有其中一个曾经开放

搜索这个对比的人，通常都在找同一样东西：一个在自己的 GPU 上运行图像模型的理由。Qwen Image 3.0看起来就是答案，因为 Qwen 图像系列向上追溯三代都提供开放权重。但它并不是答案。Qwen Image 3.0 与 Qwen Image 3.0 Pro 都是托管式 API 模型，于 2026 年 7 月 22 日发布，自 2026 年 8 月 4 日起在 Alibaba Cloud Model Studio 上正式可用，既没有模型卡，也没有技术报告，更没有公布参数规模。开放谱系在此前一步就中断了，止于 Qwen-Image-2.1。而 Images 2.6——即 OpenAI 于 2026 年 11 月 4 日发布的 GPT-Image-2.6 Sunburst 与 GPT-Image-2.6 Flare——显然是闭源的，而且从未假装不是。

所以，对这场对比的诚实界定并不是开源对闭源，而是闭源对闭源：一家厂商早在六周前就推出了一个开放选项，另一家则销售一款范围更广的产品，包含动画、矢量输出和一套质量分级方案。无论如何，开放权重这个问题都值得回答，因为正是它让这个页面存在；而答案是：如果需求是自托管，那么 Qwen-Image-2.1 才是你真正想要的模型。

许可立场，谨慎表述

这是一个二手资料存在明显错误的主题，因此资料来源比结论更重要。

若干聚合页面——其中包括 LLM Stats 对比页面和 Wikipedia 生成式 AI 表格——将 Qwen Image 3.0 列为以 Apache 2.0 或“Qwen License”授权的开放权重模型。这些条目似乎是模板产物：这些页面由假定该系列为开放的 schema 生成，且与更详细的报道相矛盾。未能找到 3.0 或 3.0 Pro 的 Hugging Face 仓库、safetensors 检查点或模型卡。谨慎的解读——也是本文所采取的解读——是：在阿里巴巴发布权重之前，3.0 仅以托管方式提供。

毫无争议开源的是上一代。Qwen-Image-2.1于2026年9月发布，是一个7B扩散Transformer，搭配Qwen3-VL 8B文本编码器，采用Qwen研究许可证发布——并非Apache 2.0，未经单独安排也不可免费用于商业用途。对大多数公司而言，这一区别比权重本身更重要。一个需要先谈判才能发布的研究许可证，与直接下载Apache 2.0授权模型相比，是完全不同的采购问题；而那些认为Qwen图像系列一贯宽松的团队会发现，条款已在不知不觉中发生了变化。

这让 Qwen Image 3.0 处于尴尬境地。它在所有已测量的维度上都优于 2.1——下文会详细说明——但它无法自行托管，无法用自己的数据进行微调，也无法固定到你可控的检查点。如果你关注 Qwen 系列正是出于这些原因，那么 3.0 无法满足这些需求，而 2.1 则是一种降级。

记分卡，缺口留在了恰当的位置

Artificial Analysis，2026年11月5日，两个榜单：

• AA-Image-Editing v2.1 — Qwen Image 3.0 Pro 得分 1,092（排名第 20，13,614 个样本），Qwen Image 3.0 得分 1,069（排名第 29，8,137 个样本），Qwen-Image-2.1 得分 1,081。GPT Image 2.5 Sunburst 以 1,199 分领先。

• AA-Image-T2I v2.1 — Qwen Image 3.0 Pro 得分为 1,096（排名第 17），Qwen Image 3.0 得分为 1,073（排名第 18），Qwen-Image-2.1 得分为 1,044。GPT Image 2.5 Sunburst 以 1,224 的得分领先。

• Images 2.6 — 两个看板上都没有对应行。已经存在一天了。

三点观察。第一，Qwen Image 3.0 Pro 与 OpenAI 前代模型在两个榜单上的差距都约为 100 Elo，这并非势均力敌的较量。第二，Pro 升级在文生图上带来 23 Elo、在编辑上带来 23 Elo 的提升，而价格仅小幅上涨——这是真实且一致的改进，而非营销分层。第三，也是最有趣的一点是，在编辑榜单上，Qwen-Image-2.1 击败了 Qwen Image 3.0（1,081 对 1,069），尽管它是更早的开放权重模型，并且在生成方面明显落后。3.0 版本提升了生成，却没有提升编辑。如果你需要的是 Qwen 家族的编辑能力，那么这个开放模型是更好的选择，这是一个不寻常且确实有用的发现。

置信区间足够宽——±12 到 ±13——足以说明 2.1 与 3.0 之间的编辑差异落在噪声范围内。但其方向与样本计数相符，这也正是不应假定更新的数字总意味着更好模型的理由。

Qwen Image 3.0 真正擅长什么

使用它的理由不在于基准测试那一栏，而在于文本。

阿里巴巴对 Qwen Image 3.0 的宣传非常具体：提示词最高可达约 4,500 个 token，可清晰渲染低至约 10 像素的文字，支持 12 种语言，每次调用最多生成六张图像，最大输出为 2048 × 2048。参考图像单独计费，每张约 $0.003，重复传入的参考图像会再次计费——这个细节值得留意，因为每轮都传入同一张参考图像的编辑循环会悄悄累积成本。

在这些说法中，多语言文本渲染是拥有最强独立支持的一项。阿里巴巴没有为 3.0 各档位发布官方基准测试，这本身也是一种表态，但该模型在社区中的声誉建立在密集文本图像上：海报、UI 模型图、带小字的包装，以及西方模型处理得很差的 CJK 排版。如果你的交付物必须在设计布局中承载清晰可读的中文、日文或韩文文案，那么这就是对比中为此而打造的模型，而 OpenAI 的产品线没有同等主张。

Images 2.6 的优势在别处，而且这些优势是结构性的，而非排版层面的。它提供 动画 GIF在 ChatGPT 中的生成、SVG 导出、标记引导编辑，以及一个复杂度参数，用于设定模型在处理请求时投入多少规划。它还新增了可重复使用的已保存参考图像。这些都不是 Qwen Image 3.0 提供的功能。尤其是 SVG 导出，这属于品类优势，而非可有可无的加分项：针对图标、徽标和图表的矢量输出，是本次比较中任何栅格模型在任何质量设置下都无法生成的。

成本按每张可用图片计算，而非每张图片

费率卡看起来差不多，直到你把拒收率算进去。

• Qwen Image 3.0 Standard——在 1K 或 2K 分辨率下，每张图片约 $0.03 至 $0.035，或按 Artificial Analysis 的列表价约每千张 $30。

• Qwen Image 3.0 Pro — 1K 时 $0.04，2K 时 $0.075，或每千张约 $40。每张参考图大约增加 $0.003。

• 图像 2.6——按 token 计量：文本输入每百万 $5，图像输入每百万 $8，图像输出每百万 $30，批处理价格约为一半。折算到每张图像，低档约为 $0.006，中档为 $0.013，高档为 $0.053，最高档为 $0.21；这些数字源自沿用自 2.5 代的 token 预算，而非已公布的 2.6 数据。

从纸面参数看，Qwen Image 3.0 Pro 的 2K 价格为 $0.075，介于 OpenAI 的 high 和 xhigh 设置之间。但 100 分的 Elo 差距并不是一个小幅质量差异；它意味着被拒绝、需要重新提示或手动修复的输出比例会显著更高。如果 Pro 需要两次尝试才能达到可接受结果，而 Images 2.6 在 high 下一次就能做到，那么实际成本就是 $0.15 对 $0.053——把被你丢弃的那些算进去，更便宜的模型反而贵了三倍。这笔账反过来算也一样，所以诚实的建议是：在你自己的提示词上测量拒绝率，而不是相信任何一家的价目表。

0% 加价的具体意义也体现在这里。OrcaRouter 将提供商的标价原样传递，因此我们目录中的每张图像价格就是提供商收取的价格——不会在按 token 计费的账单上增加差价，并且供应商价格变动会在当天反映，而不是等到下一个重新定价周期。对于真实成本取决于你仍在测量的拒绝率的工作流，无加价的计量意味着得到的是可比较的数字，而不是被虚增的数字。

如果你真正想问的是这个，那就是开放权重的决定

如果自托管是不可让步的前提，那么这一切都不重要，答案很简单：运行 Qwen-Image-2.1，接受 1,081 的编辑分数，如果你是企业，就为 Qwen Research License 的沟通预留预算，并且不要等待尚未发布、也可能永远不会发布的 3.0 权重。在它表现较弱的方面搭配一个托管模型，而它的弱项是生成，而不是编辑。

如果自托管是一种偏好而非硬性要求，那么这笔账的计算方式就会改变。Qwen Image 3.0 的优势在于多语言文本渲染和较低的每张图像价格。Images 2.6 的优势在于动画、矢量输出、标记编辑，以及强得多的实测基线——至少从其前代产品来看是如此。这些优势在很大程度上并不重叠，这意味着两者可以共存于同一条流水线而不相互竞争：OpenAI 的产品线负责生成和动态效果，Qwen 的产品线则负责西方模型处理得一团糟的语言中排版密集的版式。

如果它们共享同一个密钥，同时运行两者就不是两份合同的问题。OrcaRouter 以标价路由 OpenAI 的图像模型，并具备自动故障转移，路由规则可以根据提示词的需求将请求发送到其中任意一个——无需第二个 SDK，无需第二套计费关系，也无需按供应商轮换凭证。这是一个不起眼的运营要点，但正是它决定了双模型流水线究竟是否值得构建。

这将如何收场

Qwen Image 3.0 是一个不错的模型，但其发布策略仍未有定论。它的价格具有竞争力，其多语言文本渲染在本次对比中确实属于一流水平，而实测质量在两个榜单上都比 OpenAI 上一代落后约 100 Elo。让 Qwen 图像系列在理论上颇具吸引力的开放权重并未出现在 3.0 中，而真正带有开放权重的模型——Qwen-Image-2.1——在编辑任务上的得分比 3.0 更高。

Images 2.6 是一个定位尚未衡量的更广泛产品。关于它，所有可验证的内容都是继承性主张：定价模型、端点表面、双变体结构。关于它，所有新内容——GIF、SVG、标记编辑、复杂度参数——都未经过任何独立测试的验证，并且部分缺乏文档。

唯一不依赖某个缺失基准测试的结论，就是许可方面的结论，而这正是大多数读者来此的原因：如果你需要权重，它们不在这里，也不在 3.0 里。在围绕某个检查点做规划之前，先查看 Hugging Face 组织。这一年来，它一直是这个系列可靠的信号，而它目前止步于 2.1。