MOSS-Image vs Qwen Image 3.0：一家实验室转向闭源，另一家转向开源

Qwen Image 3.0 与 MOSS-Image由中国的实验室相隔八周先后发布，而它们在那个决定你能构建什么的问题上采取了截然相反的立场。阿里巴巴于 2026 年 7 月 21 日发布 Qwen Image 3.0，并于 8 月 5 日将其推进至正式可用状态——闭源、不提供权重、没有模型卡、没有技术报告，只能通过 Pro 版和标准版的托管 API 访问。OpenMOSS 于 2026 年 10 月 16 日以 Apache 2.0 开放权重发布 MOSS-Image，涵盖检查点和独立的推理流水线。在 Qwen 这一边有一个命名陷阱，值得先弄清楚：Qwen-Image 2.1于 2026 年 9 月 20 日发布，比 Qwen-Image 3.0 更新，而两者是共用同一个数字的两条独立产品线。

这么说来，这个对比看起来像是一场开源与闭源的争论，而它在一定程度上也确实如此。但更有趣的差异并不在于许可模式，而在于 Q​wen Image 3.0 和 M​OSS-Image 都围绕同一项能力——把文字和版式做到完全准确——提出了各自最有力的主张，而它们实现这一能力的机制截然不同：其中一个你可以检视，另一个则不能。

Qwen Image 3.0 实际声称了什么

Qwen Image 3.0 是一款闭源托管模型，通过单一 API 即可提供图像生成与编辑能力，分为 Standard 和 Pro 两个版本。阿里巴巴的发布材料给出了四项具体承诺：提示词最长可达约 4,500 个 token，图内文字小至约 10 像素仍清晰可辨，覆盖 12 种语言、20 多种字体，输出最高可达 2048×2048，且单次调用最多可生成六张图像。官方并未公布参数量，被广泛引用的约 20B MMDiT 这一数字属于外部报道，而非阿里巴巴确认的信息。

阿里云 Model Studio 上的定价约为每张图像 0.035 美元，而 Artificial Analysis 推算标准版每 1,000 张图像约为 30 美元，Pro 版每 1,000 张约为 40 美元。其测得的排名处于中游而非领先：文生图 Elo 为 1,077，位列第十六；Pro 版在图像编辑上为 1,088，位列第十四；标准版在图像编辑上为 1,048，位列第二十一。这些都是 Artificial Analysis 的数据，也正因如此，它们才成为整个对比中唯一独立产出的数字——MOSS-Image 在 Artificial Analysis 中完全没有收录。

关于其编辑行为，文档中只记录了三件事，而这份稀疏正是重点。Pro 支持 1–3 张输入图像。文档所述的编辑路径涵盖局部重写、内容扩展、风格迁移和多机位视角生成，但并未公布任何基于蒙版的工作流。公告中完全没有提及透明相关的能力——没有 RGBA 生成，没有透明图层编辑，也没有将主体提取至 alpha 通道。

在每一个阿里巴巴页面上都明显缺失的，是对布局精度的任何衡量。Qwen Image 3.0 声称在 10 像素下文字依然清晰可读，却对这段文字最终落在何处只字未提。

MOSS-Image 声称了什么，以及性质上的差异

MOSS-Image 是一个 5B 单流扩散 Transformer——42 个联合块、隐藏宽度 3,072、24 个 128 维头、8,192 宽的 SiTU-GLU 前馈网络、四轴旋转位置编码——并配有一个冻结的 Qwen3.5-9B 文本编码器和一个从 FLUX.2-klein-4B 加载的冻结 FLUX.2 VAE。SFT 下载大小约为 27.2 GB，其中约 16.8 GB 是编码器。

能力差异并非程度之别。Qwen Image 3.0 的文本主张关乎可读性——模型能否渲染出小到足以辨认的字符。MOSS-Image 的主张关乎位置——它能否把指定的字符串放到指定的坐标上。这两者听起来相似，实则不然。一个能把文字渲染得赏心悦目、却把你的标题横压在商品图上的模型，所失败的是另一项任务；这与一个在完全正确的方框里渲染出略柔和字形的模型，失败之处并不相同。

MOSS-Image 的布局机制是：你把布局作为数据提供。提示词可以是一个 JSON 对象，其中携带以画布中心为原点、以绝对像素坐标表示的边界框，以及原文文本字符串和排版说明，并配合 bbox_format "yxyx"。厂商自己的消融实验最能说明这个接口为何重要：在 RealLayoutArena 上，同一套系统使用 JSON 布局提示词得分为 1,622.87，而使用自然语言提示词得分为 1,506.20。在报告同时提出的 7Bench 上，MOSS-Image 报告的布局 IoU 均值为 0.88，Layout AUC 为 0.70——同一张表中，Qwen Image 3.0 Pro 为 0.31，该领域 AUC 为 0.16 至 0.20。

0.88 对 0.31，是这一对比中最大的单项差距，同时也是其中最不可信的数字。OpenMOSS 编写了该基准，让两个模型都在其上运行，并公布了结果。Qwen Image 3.0 的作者完全没有公布任何布局指标，所以没有任何东西可以拿来对照核验——没有更低的数字，没有争议，什么都没有。这种不对称值得点明：一个实验室在自编测试中的优势，被拿来和另一个实验室的沉默作对比。

尺寸，并排显示

• 发布 — Q​wen Image 3.0 于 2026 年 7 月 21 日推出，2026 年 8 月 5 日全面可用（GA）；M​OSS-Image 于 2026 年 10 月 16 日发布

• 许可 — Qwen Image 3.0 为闭源，无权重、未声明许可证、无模型卡、也无技术报告；MOSS-Image 的权重与独立流水线代码采用 Apache 2.0，且不设营收门槛

• 价格 — Qwen Image 3.0 在 Model Studio 上每张图片约 $0.035，Artificial Analysis 推算每 1,000 张 Standard 约 $30、每 1,000 张 Pro 约 $40；MOSS-Image 可免费下载，约 27.2 GB，另需你自己的 GPU 时间

• 版本 — Q​wen Image 3.0 提供 Standard 和 Pro，二者具有不同的编辑等级；M​OSS-Image 提供 Base 和 SFT 检查点，其中 Base 被刻意保持未蒸馏状态，好让微调有可着力的基础

• 提示词上限 —— Qwen Image 3.0 约为 4,500 个 token；MOSS-Image 在预训练最终阶段为 4,096 个 token

• 文本渲染 — Qwen Image 3.0 声称可清晰呈现低至约 10 像素的文本，覆盖 12 种语言和 20 多种字体；MOSS-Image 在 LongLongTextBench 上报告 96.3 Mean-6，其中英文 97.1、中文 92.4，而同一表格中 Qwen-Image-2512 为 64.9

• 布局控制 — M​OSS-Image 采用绝对中心相对坐标的 JSON 布局，并声称在 7Bench 上达到 0.88 平均 IoU，而 Q​wen Image 3.0 Pro 被列为 0.31；A​libaba 未公布任何布局指标

• 参考图像 — Qwen Image 3.0 Pro 记录了 1–3 张输入图像，每次调用最多支持六张图像；MOSS-Image 的参考条件化是其位置方案中的一个预留轴，被描述为前瞻性设计，而非已发布的功能

• 编辑 — Qwen Image 3.0 通过一个 API 覆盖局部重写、扩展、风格迁移和多机位视角生成；MOSS-Image 的报告并未将编辑呈现为一种产品界面

• 透明度 — Q​wen Image 3.0 的公告未作出任何透明度声明；M​OSS-Image 的 VAE 使用 32 个​潜在通道，且该​流程会暴露潜在表示，不过 RGBA​输出并非厂商​宣称的功能

• 独立评分 — 据 Artificial Analysis，Qwen Image 3.0 在文生图方面以 Elo 1,077 排名第 16，其 Pro 版在编辑方面以 1,088 排名第 14；MOSS-Image 没有独立评分

• 生态系统 — Q​wen Image 3.0 提供 API；M​OSS-Image 拥有 Diffusers 自定义管线、一个 Gradio 应用、一个可通过 ComfyUI Manager 安装的 ComfyUI 插件，以及一个仍在审核中的开放 vLLM-Omni 拉取请求

决定大多数团队的论点

Qwen Image 3.0 并不是一个弱模型，而且也不贵。以大约每张图三美分半的价格，拥有 4,500 token 的提示词窗口、2K 输出和多图调用，把它放在今天下午就能上线的产品功能背后，是完全合理的。如果你的需求是“根据这段描述生成好图，有时还要带一张参考图，并且单位成本可预测”，那么闭源模型在首次请求耗时上胜出，也可能在总成本上胜出，因为你的工程师根本不用碰 GPU。

MOSS-Image在另一个维度上胜出，而这是任何API无论价格如何都无法提供的：你可以检查决定输出的那个东西。布局规范就是数据。它可以由你的代码生成，与所有其他内容一起在同一个代码仓库中进行版本控制，当有人更改模板时可以进行差异对比，在到达模型之前可以对照模式进行验证，并且可以由一个人在渲染任何一个像素之前对构图进行审核批准。当从提示到布局的映射发生在一个你无法窥视的托管端点内部时，这一切都不可能实现。

这是一个真实的架构差异，而它在营销上很吃亏，因为“你可以对提示词做单元测试”并不是任何人会拍成演示视频的东西。但这就是一条失败可调试的流水线与一条失败只会变成支持工单的流水线之间的区别。当 M​OSS-Image 把标题放错位置时，你可以读取自己发送的 JSON，看到那个错误的坐标。而当托管模型这么做时，你拿到的是一段看起来没问题的提示词，和一张有问题的图片。

还有第二个区别性事实，两家厂商都没有把它放在开头重点介绍。Qwen Image 3.0 的沉默之处始终如一：没有参数量，没有架构，没有训练数据说明，没有基准测试表，没有技术报告，也没有版面指标。相比之下，MOSS-Image 的报告则详尽得过分——渐进式分辨率训练阶段并附有步数，从约 50 亿张图像裁剪至 30 亿张的 ReLAION 衍生语料库，一种 Muon–AdamW 混合优化器，并附有一项消融实验，显示在两个检查点上，达到相同损失所需步数比 AdamW 分别少 33.2% 和 28.6%。其中一些细节之所以能获得，只是因为该模型是开源的，但这份报告是主动写就的，而这正是产品与论文之间的差别。

开放性主张的局限所在

关于 M​OSS-Image 的开放性，有三件事值得核实，而非凭空假定。

第一个是可运行的。没有已合并服务路径的开放权重，与有已合并服务路径的开放权重，是截然不同的两回事。那个为 vLLM-Omni 添加带跳层引导的 MOSS-Image 的拉取请求——[模型] 添加带 SLG 的 MOSImage 文生图——于10月14日创建，跨25个文件新增了3,605行代码，目前仍处于打开状态，审查者要求提供针对固定参考实现的输出一致性证据。vLLM-Omni 最新发布的版本是 v0.31.0rc1，日期为10月6日。没有任何已发布的版本包含该模型，而发布当天流传的“Day 0 支持”说法，描述的是一个你可以构建的分支，而不是一个你可以安装的软件包。

第二点是，报告中最强的结果并非单模型。提示增强模块 LayoutPE 据称在推理时使用 G​PT-6 并搭配模块化任务指令，而捆绑的提示词增强器技能被描述为专为 G​PT-6 系列智能体设计。因此，作为头条的端到端 Elo 1,698.70——仅次于 GPT Image 2 的 1,844.35——是由一个双模型流水线产生的，而其中负责规格说明的那一半是别人的 API。若将其解读为仅衡量生成器本身，这个数字就被夸大了。

第三项是微调。Base 被刻意保持未蒸馏——模型卡称其“未经过任何后训练，也未对 CFG 等推理参数进行蒸馏”——正是为了让 LoRA 有可着力之处，这是一种真正的投入，而非许可姿态。但训练配方只是文档，而非发布的数据，而且迄今为止的微调指导仅相当于一些具体指示（保持文本编码器冻结；不要微调它）外加一个打标提示词。关于简单 SFT 即可解锁基于参考的生成和 GIF 输出的说法，还附带一句“敬请期待”。

路由，不夸大其词地陈述

本文对比中的两个模型都不在我们的目录里，我们也不会假装不是如此。Qwen Image 3.0 运行在 Alibaba 的 Model Studio 上，与 Qwen 图像系列的其他成员一样，并不由 OrcaRouter 提供服务。MOSS-Image 需要下载。这里的界限很简单：这两者我们都不托管。

上架在我们的目录中的，是这两者用来对标的其余阵营——那些托管图像模型：你会拿自托管的 MOSS-Image 去与它们做基准对比；它们可通过一个 API 密钥、按供应商标价、0% 加价访问，因此托管模型上的厂商价格变动会在当天就反映在这里，而不是等到下一次合同续签。对于像这样的比较——Qwen 一侧按图像计费，MOSS 一侧按 GPU 小时计费——路由层提供的有用之处不是折扣，而是一个读取实时托管价格的统一位置，以及一个单一端点，用于故障转移到其他供应商（当评估中途某个上游性能下降时）。这就是全部主张，并且它止步于此，不会向你提供我们不运行的模型。

如何按顺序决定

按顺序逐一处理，通常到第三个问题，答案就会自然浮现。

• 你有 GPU，或者有一笔可以折算成 GPU 小时的预算吗？如果没有，这个对比就到此为止，Qwen Image 3.0 就是答案，每张图约 0.035 美元。

• 在生成之前，你的布局是否可知——你是否有模板、网格或一组坐标？如果是，M​OSS-Image 的 JSON 接口就是本次对比中唯一能直接解决你问题的机制，而 0.88 对 0.31 的差距就是支持它的证据，尽管该证据出自厂商之手。

• 你需要微调、量化，还是在气隙隔离环境中运行？如果是，那么闭源模型无论价格如何都不在候选之列；而发布后约一天内就出现了 4 步 DMD LoRA 和 8 步蒸馏变体，这一点正是你所看重的。

• 您的法律审查需要最终形成一份文件吗？Apache 2.0 与未声明许可证之间的对比，是这一比较中最简短的部分。

• 测量独立性是一项要求吗？那么若不再做进一步工作，两者都别选。Qwen Image 3.0 唯一独立的数据是 Artificial Analysis 的 Elo 排名，这使其处于中游，而非接近榜首。MOSS-Image 的招牌结果全部来自其作者自己构建的基准测试。

能最快改变答案的那样东西目前还不存在，而它对两个模型来说都是同一样东西：各自最擅长的那项测试，由一方独立跑一次。对 Qwen Image 3.0 来说，这意味着需要来自任何人的一次版面测量，因为阿里巴巴没有公布过任何数据。对 MOSS-Image 来说，这意味着要由 OpenMOSS 之外的人来运行 LongLongTextBench、RealLayoutArena 或 7Bench。在那之前，无论你做什么决定，你依据的都是架构、许可和机制，而非经过验证的质量——而对于一场封闭 API 与开放检查点之间的正面对决来说，这无论如何都算得上是正确的依据。

此类发布背后有据可查的 AI 故障与智能体事件，均收录于OrcaRouter AI 事件档案，其中每条记录都带有自己的来源、严重程度、置信度评级和争议标记。