
Kling Image 4.0 对比 Qwen Image 3.0:两个闭源模型,两种计费方式
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 89 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 97 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- Orca新OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 88 tok/s
- Orca新OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 134 tok/s
- Orca新OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百万 tokens · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 每百万 tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955智能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855智能
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 每百万 tokens · 920 tok/s
在当前图像市场,Kling Image 4.0 确实有一个真正开放权重的竞争对手——MiniMax-H3-Image 在 Hugging Face 上发布了 68.65 GB 的权重——因此 Qwen Image 3.0 的有趣之处在于,它选择不这么做。阿里巴巴于 2026 年 8 月 5 日在 Qwen AI 上将其作为托管产品推出,提供 Standard 和 Pro 两档、公布并发预算和以两种货币计价的价目表,且不提供检查点。Kling Image 4.0 于 2026 年 11 月 17 日以同样的封闭条款发布:一个 API、一套计价单位阶梯、不提供权重。因此,这是两家供应商的对比,二者都认定模型即服务,而真正重要的差异完全在于各自如何计量你的用量、各自对布局与排版作出什么承诺,以及各自在唯一同时衡量二者的榜单上处于什么位置。
两台仪表,以及为什么外形比速率更重要
Kling 按单位计费。2K 静帧为 16 单位,4K 为 24,8K 为 40,每附加一张参考图或一个参考元素增加 0.8 单位。在 $300 套餐中,单位换算价格为 $0.00384;$999 套餐为 $0.00381;$4,000 套餐为 $0.00373,这使得一张 2K 帧约为 6.1 美分,一张 8K 帧约为 15.4 美分。
Qwen 出售图像,各部分分别计量。在 Alibaba Cloud Model Studio 上,以美元计价,公布的数字为:1K 生成每张 $0.03438,2K 生成每张 $0.068761;输入为每 1K $0.00275,输出为每 1K $0.04、每 2K $0.075。在国际版 Qwen Cloud 上,Standard 档位为每张图像输入 $0.003、输出 $0.03。在国内,价目表以人民币计价:Standard 在 1K 和 2K 下均为每张 0.18,Pro 为 0.25 和 0.50,图像输入和编辑输入为每张 0.02。
• 1K 生成 — Qwen Image 3.0 Standard 为 $0.03438;Kling Image 4.0 没有用于单张静态图的 1K 档位。
• 2K 生成 — Qwen 标准版 $0.068761;Kling 约 $0.061。Kling 便宜约 11%。
• 4K — Qwen 的 Model Studio 条目将总输出上限限制为 2048×2048,因此没有 4K 行;Kling 在 4K 下约为 $0.092,在 8K 下约为 $0.154。
• 参考输入 — Kling 每个参考图每交付帧 0.8 单位;Qwen 每 1K 输入 $0.00275,或在国内作为编辑输入为人民币 0.02。
• 吞吐量——Qwen 公布了 10 个并发请求、200 个请求的异步队列以及每分钟 20 个请求;Kling 未公布其中任何一项。
• 档位 — Qwen 有 Standard 和 Pro,在 2K 下,Pro 在国内卡上大约是两倍;Kling 只有一个档位和三种分辨率。
这份清单里有意思的并不是 2K 价格——两者相差不到 11%。而是 4K 那一行:看似价格行,实则是能力差距。Qwen Image 3.0 在 Model Studio 中的条目描述的输出范围为 912×512 到 2048×2048——这是对长边的硬性上限,而不是长边目标值配可灵活调整的短边。Kling 的阶梯从 Qwen 止步之处开始:4K 为 24 单位,8K 为 40 单位。如果 4K 输出是硬性要求而非锦上添花,那就根本无从比较,Qwen 再便宜的 2K 也改变不了这一点。

那 11%,以及把它变成 40% 的那张发票
在单次2K生成中,Kling大约便宜11%。这一优势能否在你的实际工作流程中延续,取决于一个素材会被反复处理多少次,而这两种计费方式对迭代的响应方式并不相同。
Kling 的参考图收费按输出帧计算:每附加一个参考收取 0.8 个单位,再乘以你生成的帧数。十二个镜头中使用三个参考来保持角色一致,费用为 12 × (16 + 2.4) = 220.8 个单位,约 85 美分;而同样十二帧不使用参考则为 192 个单位。附加费不取决于你重新生成多少次;它取决于该组内容的参考密集程度。
Qwen 的输入计费按请求计算:每 1K 输入 token 为 0.00275 美元,或在国内作为编辑输入时每张图像为人民币 0.02 元。三轮编辑——生成、校正、重绘风格——会按该计费标准付费两次,而国内费率使其能够在发票上作为单独一行清晰列出。这两项费用都不大。关键在于,Kling 的费用随交付物的规模变化,而 Qwen 的费用随尝试次数变化,因此,对于针对少量最终成品进行大量迭代的工作流,会发现 Kling 比 2K 标称价格所暗示的更便宜;而对于首轮就能交付一大套风格一致成品的工作流,会发现 Qwen 更便宜。
Qwen 多公布了一个 Kling 没有公布的数字,而对于任何运行队列的人来说,它的价值可能超过价格差异。十个并发请求、深度为 200 的异步队列以及每分钟 20 个请求,是一个你可以据此进行设计的吞吐量预算。Kling 什么也没公布:没有速率限制、没有并发数、没有队列深度。这种缺失并不是对模型的批评,而且它确实是一个真实的规划问题,因为深度为 200 的队列与一个未公开的队列之间的差别,就是按计划进行的通宵批处理与运行到一半就失败的任务之间的差别。
两家供应商都在销售字体排版
把两份功能列表并排对照,会发现一件不寻常的事:同一个卖点出现了两次。Kling 的第二和第三项能力分别是“出色的文字渲染——清晰的小字号文字、富有创意的字体排版”和“连贯的图像组——一个提示词,生成完整系列”。Qwen 的定位也落在同一片领域,其商业部署瞄准的正是文字至关重要的那些工作流:电商版面、海报、包装样稿、营销素材——在这些场景里,标题和法务说明文字都必须准确无误。
这不是巧合。小字号文本的可读性正是一直以来的失败症结,三年来它让扩散模型始终被挡在商业印刷工作之外。一个能渲染出漂亮的主视觉图、却把 8 磅免责声明变成一堆乱码字形的模型,对包装来说毫无用处,这个领域的每一家厂商都心知肚明。这两次发布在一定程度上都是在论证这个问题已经解决,但两者都没有公布附有像素尺寸的印刷尺寸样本集。
这让排版方面的说法成为本次对比中最该先测试、最后才相信的一点——而且测试成本很低。同一份版式,在100%缩放下阅读最小的一行文字,在两款机型上都试一遍,比本文中所有评分表告诉你的都多。

董事会,两人在那里并不亲近
两个模型均在 Artificial Analysis 的 AA-Image-T2I v2.1 和 AA-Image-Edit v2.1 榜单上接受评测,四行数据讲述了一个一致的结论。Kling Image 4.0 在文生图榜单上以 1,179.93 分位列第七,在图像编辑榜单上以 1,182.89 分位列第六。Qwen-Image-3.0-Pro 分别为 1,094.39 分和 1,091.65 分。Qwen-Image-3.0 分别为 1,075.97 分和 1,069.36 分。Kling 与更强的 Qwen 档位之间的差距在文生图上为 85 Elo,在图像编辑上为 91 Elo,二者都远超差异的置信区间。
有两点需要说明,其中第二点才是关键。第一,Qwen 的各行反映的是一个自八月起就已在榜单上的模型,且投票人数很多;而 Kling 的那一行才上线一天,投票数相应较少——新加入模型的 Elo 比已稳定的模型噪声更大,在最初几周内可能会朝任一方向变动好几分。第二,阿里巴巴自己的发布声明称,Qwen Image 3.0 在 Arena.ai 的文本生图排行榜上拿下了中国第一。那是厂商报告的数据,来自另一个榜单、有着不同的投票人群,并不与 Artificial Analysis 的排名相矛盾;它衡量的是另一群人的偏好。两种说法都可以成立,且彼此都不能替代对方。
85 分的差距并不能告诉你 Kling 在你的工作上更胜一筹。它告诉你的只是:在通用提示词的盲测成对偏好中,投票者更常选择 Kling。一个针对中文电商版式和密集中文字体调优的模型,却正在用可能与之毫无关系的提示词来评分;而 Pro 档相对 Standard 档的溢价,恰恰是在押注榜单所低估的那些工作负载。
两者都不在我们的目录中,而这又留下了什么
OrcaRouter 不提供 Kling Image 4.0,也不提供 Qwen Image 3.0 或其 Pro 层级。目录中的 Kling 标识符对应视频模型;Qwen 标识符对应文本模型。本文不会暗示相反情况。
这一比较之所以重要、并非套话,是因为两家厂商的定价方式都会变化。阿里巴巴为国内平台发布一张以人民币计价的价目表,为 Model Studio 发布第二张以美元计价的价目表,又为国际版 Qwen Cloud 发布第三组数字,而三者并不一致——Standard 在国内为每张图 RMB 0.18,在 Model Studio 上为每 1K $0.03438,换算后并不是同一个数字。Kling 的单价在 $999 和 $4,000 处阶梯下调,因此每帧的实际价格取决于你的预付费承诺。对两家各自标价都是三个数字的厂商进行比较,是一种很快就会失效的比较;而通过一个按 0% 加价传递供应商标价的中间层来购买的原因在于:这个数字在他们那边变动的那一天,也会在你的发票上变动——中间没有利润加成,也没有到期续约时需要重新谈判的合同。
就这场对比测试本身而言,最稳妥的路线是我们确实托管的模型:GPT Image 2.5 的两款、三个 Imagen 4.0 档位以及 Gemini 图像模型,均可通过一个密钥调用。用同样的二十条提示词和你自己的字体样本运行 Kling、两个 Qwen 档位和一个对照模型,然后既比较图像也比较账单。自动故障转移在这里有一个特别的意义:Qwen 公布的上限是每分钟 20 次请求,批量处理时你必然会触及这个限制,而一条回退到第二个模型的路由规则能让批次继续推进,而不是卡在 429 上。

每一个的用途
当输出保持在 2048×2048 或以下时,当国内人民币标价才是商业上相关的数字时,当已公布的并发预算是一项规划要求时,或者当你的工作是密集的中文排版时——这正是该模型显然针对调优的工作负载——Qwen Image 3.0 就是合适的选择。只有当你的评估表明溢价能够回本时,才选择 Pro 而非 Standard,因为两个层级在榜单上的差距为 18 Elo,而国内价格差距约为两倍。
当重点是 2K 以上的分辨率阶梯时,Kling Image 4.0 就是正确选择:4K 适合接近印刷用途的工作,8K 则适用于你有明确理由的场景,还有本次对比中其他任何模型都根本不提供的长图档位。它在盲测偏好上也以大幅优势成为更值得购买的选择,这对于任何会由人当作图像来评判、而非当作版式来阅读的内容都很重要。
而如果决定性因素是你想自己运行权重,那么这两者都不是你要的模型。这就是两家厂商各自做出的取舍,而这一类别中做出了另一种选择的唯一竞争对手,则属于另一番比较。
