Images 2.6 與 Qwen Image 3.0：兩者皆非開源，且只有其中一個曾經是

搜尋這項比較的人，通常都在找同一件事：一個能在自己的 GPU 上執行影像模型的理由。Qwen Image 3.0 看起來就是答案，因為 Qwen 影像系列過去三代都有開放權重。但它不是答案。Qwen Image 3.0 與 Qwen Image 3.0 Pro 是託管 API 模型，於 2026 年 7 月 22 日發布，並自 2026 年 8 月 4 日起在阿里雲 Model Studio 正式提供，沒有模型卡、沒有技術報告，也沒有公布參數量。開放系譜則只延伸到更早一步，止於 Qwen-Image-2.1。另一方面，Images 2.6——OpenAI 於 2026 年 11 月 4 日發布的 GPT-Image-2.6 Sunburst 與 GPT-Image-2.6 Flare——顯然是封閉的，而且從未假裝不是如此。

所以，這場對比若要誠實地說，重點並不是開放與封閉之爭，而是封閉對封閉——其中一家廠商早了六週推出開放選項，另一家賣的則是更完整的產品，涵蓋動畫、向量輸出與品質分級機制。不過，開放權重的問題終究值得回答，因為這正是本頁存在的原因；而答案是：如果自架是必要條件，Qwen-Image-2.1 才是你真正想要的模型。

授權立場，審慎表述

這是一個二手來源明顯有誤的主題，因此出處來源比結論更為重要。

有幾個彙整頁面——其中包括 LLM Stats 的比較頁面與 Wikipedia 的生成式 AI 表格——將 Qwen Image 3.0 列為以 Apache 2.0 或「Qwen License」授權的開放權重模型。這些列項似乎是樣板產物：這些頁面是依假設該系列為開放的結構描述所生成，且與更詳盡的報導相互矛盾。找不到 3.0 或 3.0 Pro 的 Hugging Face 儲存庫、safetensors 檢查點，也找不到模型卡。審慎的解讀——也是本文採取的解讀——是 3.0 在 Alibaba 公布權重之前僅提供託管服務。

上一代才是明確無疑的開放版本。Qwen-Image-2.1於 2026 年 9 月發布，是 7B 擴散 Transformer，搭配 Qwen3-VL 8B 文字編碼器，並以 Qwen Research License 發布——不是 Apache 2.0，且若無另行安排，不可免費商用。對多數公司而言，這項區別比權重本身更重要。需要先協商才能出貨的研究授權，與直接下載 Apache 2.0 是截然不同的採購問題；而那些原本以為 Qwen 圖像系列授權一律寬鬆的團隊，會發現條款已在他們不知不覺間改變。

這讓 Qwen Image 3.0 陷入尷尬的處境。它在每一項可量測的指標上都優於 2.1——詳情見下文——但它無法自行架設、無法用你自己的資料進行微調，也無法固定在你所掌控的檢查點上。如果這些正是你考慮 Qwen 系列的原因，那麼 3.0 無法滿足這些需求，而 2.1 則是一種降級。

計分卡，缺口就在正確的位置

Artificial Analysis，2026年11月5日，兩個排行榜：

• AA-Image-Editing v2.1 — Qwen Image 3.0 Pro 為 1,092（排名 20，13,614 個樣本），Qwen Image 3.0 為 1,069（排名 29，8,137 個樣本），Qwen-Image-2.1 為 1,081。GPT Image 2.5 Sunburst 以 1,199 領先。

• AA-Image-T2I v2.1 — Qwen Image 3.0 Pro 以 1,096（排名第 17）的成績，Qwen Image 3.0 以 1,073（排名第 18），Qwen-Image-2.1 則以 1,044。GPT Image 2.5 Sunburst 以 1,224 領先。

• Images 2.6 — 兩個看板上都沒有列。它已經是一天前的了。

三點觀察。首先，Qwen Image 3.0 Pro 與 OpenAI 前代模型在兩個排行榜上的差距都約為 100 Elo，這並非勢均力敵的較量。其次，Pro 升級在文生圖上換來 23 Elo、在編輯上換來 23 Elo，而價格僅小幅上漲——這是真實且一致的提升，而非行銷分級。第三，也最有趣的是，Qwen-Image-2.1 在編輯排行榜上勝過 Qwen Image 3.0（1,081 對 1,069），儘管它是較舊的開放權重模型，且在生成方面明顯落後。3.0 版本提升了生成，卻沒有提升編輯。如果你需要的是 Qwen 家族的編輯能力，開放模型反而是更好的選擇，這是個罕見且確實有用的發現。

信賴區間寬達 ±12 到 ±13，足以讓 2.1 與 3.0 的編輯差異落在雜訊範圍內。但這個方向與樣本數一致，而這正是不能假定較新的數字就一定代表更好模型的理由。

Qwen Image 3.0 實際上擅長什麼？

使用它的理由不在於基準測試欄位，而在於文字。

阿里巴巴對 Qwen Image 3.0 的說法相當具體：提示詞長度最高約 4,500 個 token，文字清晰可辨的下限約為 10 像素字級，支援 12 種語言，每次呼叫最多可產生六張圖像，最大輸出為 2048 × 2048。參考圖像另行計費，每張約 $0.003，而重複餵入的參考圖會再收費一次——這個細節值得留意，因為在每一輪都傳入同一張參考圖的編輯循環中，成本會悄悄累積。

在這些說法中，多語言文字渲染是最有獨立證據支持的一項。阿里巴巴並未為 3.0 各層級發布官方基準測試，這本身就是一種表態，但該模型在社群中的聲譽建立在密集文字影像上：海報、UI 模擬圖、印有小字的包裝，以及西方模型處理得很差的中日韓文字排版。如果你的交付物必須在精心設計的版面中承載清晰可讀的中文、日文或韓文文案，這就是比較中專為此打造的模型，而 OpenAI 的產品線並沒有同等的主張。

Images 2.6 的強項在別處，而且是結構性的，而非字體排版層面的。它提供動畫 GIF生成功能（在 ChatGPT 中），SVG 匯出、標記引導式編輯，以及一個複雜度參數，用來設定模型在處理請求時投入多少規劃。它還新增了可重複使用的已儲存參考圖像。這些都不是 Qwen Image 3.0 提供的功能。SVG 匯出尤其是一項類別上的優勢，而非可有可無的加分項：圖示、標誌和圖表的向量輸出，是本次比較中任何點陣模型無論在任何品質設定下都無法產生的。

每張可用圖像的成本，而非每張圖像的成本

費率表看起來很接近，直到你把拒收率算進成本。

• Qwen Image 3.0 Standard——在 1K 或 2K 解析度下，每張圖片約 $0.03 至 $0.035，或在 Artificial Analysis 的列表中約每千張 $30。

• Qwen Image 3.0 Pro — 1K 時為 $0.04，2K 時為 $0.075，或每千張約 $40。每張參考圖約增加 $0.003。

• Images 2.6 — 以 token 計量，每百萬文字輸入 $5、每百萬圖片輸入 $8、每百萬圖片輸出 $30，批次處理約為半價。每張圖片在低設定下約 $0.006、中設定約 $0.013、高設定約 $0.053、最高設定約 $0.21，這些數字是根據沿用自 2.5 世代的 token 預算推算而來，而非 2.6 已公布的數據。

紙面上，Qwen Image 3.0 Pro 以 $0.075 提供 2K，落在 OpenAI 的 high 與 xhigh 設定之間。但 100 分的 Elo 差距並非小幅品質差異；這意味著被拒絕、重新提示或手動修正的輸出比例明顯更高。如果 Pro 要嘗試兩次才能達到可接受結果，而 Images 2.6 在 high 設定下只需一次，則有效成本是 $0.15 對 $0.053——一旦把丟棄的結果算進去，較便宜的模型反而貴三倍。這套算法有兩面性，因此誠實的建議是：用自己的提示詞測量拒收率，而不是相信任何一方的價目表。

這也是 0% 加價具體發揮作用的地方。OrcaRouter 原封不動地傳遞供應商定價，因此我們目錄上的每張圖片價格，就是供應商收取的價格——按 token 計費的帳單不會加上價差，供應商調價也會當天反映，而不是等到下一個重新定價週期。對於實際成本取決於你仍在測量的拒絕率的工作流程而言，無加價的計量方式，就是可比較數字與灌水數字之間的差別。

開放權重的決定，如果那才是你真正要問的問題

如果自行架設無可妥協，這些都不重要，答案很簡單：執行Qwen-Image-2.1，接受 1,081 的編輯分數；若你是公司，請為 Qwen Research License 的洽談編列預算，而且不要等待尚未發布、也可能永遠不會發布的 3.0 權重。將它與託管模型搭配，用於它較弱的工作，也就是生成而非編輯。

如果自架主機只是偏好而非必要條件，那麼盤算就會不同。Qwen Image 3.0 的優勢在於多語文字渲染與偏低的單張價格。Images 2.6 的優勢則是動畫、向量輸出、標記編輯，以及強得多的實測基準——至少透過它的前代來看是如此。這些優勢大致互不重疊，意味著兩者可以並存於同一條管線而不互相競爭：OpenAI 的產品線負責生成與動態，Qwen 的則負責西方模型會搞得一團糟的那些語言、以排版為重的版面。

只要兩者共用同一組金鑰，同時運行兩者就不是得簽兩份合約的問題。OrcaRouter 以定價路由 OpenAI 的圖像模型，並具備 自動容錯移轉，而路由規則可依據提示詞需求，將請求送往其中一方——不必額外使用第二套 SDK、不必建立第二個計費關係，也不必針對各供應商輪換憑證。這是個不大的營運重點，但正是它決定了一套雙模型流程是否值得從頭建置。

這最終會落在何處

Qwen Image 3.0 是個好模型，但其發佈方式仍未明朗。它的價格具競爭力，多語言文字渲染在本次比較中確實是頂尖水準，而在兩個排行榜上，其實測品質大約落後 OpenAI 前一代 100 Elo。讓 Qwen 圖像系列原則上具吸引力的開放權重，並未出現在 3.0 中；而真正具備這些權重的模型——Qwen-Image-2.1——在編輯方面的得分比 3.0 更高。

Images 2.6 是一款範圍更廣的產品，其定位尚未被衡量。關於它的一切可驗證之處，都是承襲而來的說法：定價模式、端點介面、雙變體結構。而關於它一切全新的部分——GIF、SVG、標記編輯、複雜度參數——都未經任何獨立測試驗證，且部分缺乏文件說明。

唯一不依賴缺失基準測試的結論，就是授權方面的結論；而這正是大多數讀者前來的原因：如果你需要權重，它們不在這裡，3.0 裡也沒有。在圍繞某個檢查點做規劃之前，先查看 Hugging Face 組織。它一整年來都是這個模型家族可靠的訊號，而目前它止步於 2.1。