
Kling Image 4.0 vs Qwen Image 3.0:兩款閉源模型,兩種計量方式
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 89 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 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 每百萬 tokens · 88 tok/s
- Orca新OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 134 tok/s
- Orca新OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 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 每百萬 tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 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 每百萬 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 每百萬 tokens · 920 tok/s
在目前的影像市場中,確實存在一個真正開放權重、可與 Kling Image 4.0 競爭的對手——MiniMax-H3-Image 在 Hugging Face 上釋出了 68.65 GB 的權重——因此 Qwen Image 3.0 耐人尋味之處,在於它選擇不這麼做。阿里巴巴於 2026 年 8 月 5 日在 Qwen AI 上推出它,作為託管產品,提供 Standard 與 Pro 方案、公開的併發預算,以及以兩種貨幣計價的價目表,而且沒有提供檢查點。Kling Image 4.0 於 2026 年 11 月 17 日以相同的封閉條件推出:API、單位階梯,沒有權重。因此,這是兩家供應商的比較,而兩者都認定模型即服務,真正重要的差異完全在於各自如何計量你、各自對版面與字體排印承諾了什麼,以及各自在唯一同時衡量兩者的排行榜上位居何處。
兩公尺,以及為何形狀比速率更重要
Kling 以單位計費。一張 2K 靜態圖為 16 單位,4K 為 24,8K 為 40,而每附加一張參考圖或一個參考元素會增加 0.8 單位。在 $300 方案中,每單位換算為 $0.00384;$999 方案為 $0.00381;$4,000 方案為 $0.00373,這使一張 2K 畫面的價格約為 6.1 美分,8K 畫面約為 15.4 美分。
Qwen 販售圖片,並對各部分分開計量。在 Alibaba Cloud Model Studio 上以美元計價,公布的數字為每 1K 生成 $0.03438、每 2K 生成 $0.068761,輸入為每 1K $0.00275,輸出為每 1K $0.04、每 2K $0.075。在國際版 Qwen Cloud 上,Standard 方案為每張圖片輸入 $0.003、輸出 $0.03。國內的價目表則以人民幣計價:Standard 在 1K 與 2K 皆為每張圖片 0.18,Pro 為 0.25 與 0.50,圖片輸入與編輯輸入則為每張圖片 0.02。
• 1K 生成 — Qwen Image 3.0 Standard $0.03438;Kling Image 4.0 針對單張靜態圖並未提供 1K 級別。
• 2K 生成 — Qwen Standard $0.068761;Kling 約 $0.061。Kling 大約便宜 11%。
• 4K — Qwen 的 Model Studio 項目將總輸出上限限制在 2048×2048,因此沒有 4K 這一列;Kling 在 4K 時約為 $0.092,在 8K 時約為 $0.154。
• 參考輸入 — Kling 每個參考、每個交付影格 0.8 單位;Qwen 每 1K 輸入 $0.00275,或國內作為編輯輸入人民幣 0.02。
• 吞吐量 — Qwen 公布 10 個並行請求、200 個請求的非同步佇列,以及每分鐘 20 個請求;Kling 未公布任何上述項目。
• 分級方案 — Qwen 分為 Standard 與 Pro,在 2K 規格下,Pro 於國內卡的價格約為兩倍;Kling 則只有單一分級,並提供三種解析度。
那張清單裡有意思的地方,不是 2K 的價格——兩者相差在 11% 以內。而是 4K 那一列,那是一道被包裝成價格列的能力差距。Qwen Image 3.0 在 Model Studio 的條目所描述的輸出範圍是 912×512 到 2048×2048——這是長邊的硬性上限,而不是設定長邊目標、短邊可彈性調整。Kling 的階梯從 Qwen 停下來的的地方起步:4K 為 24 單位,8K 為 40。如果 4K 輸出是必要條件而非可有可無的加分項,那就沒有什麼好比的,Qwen 再便宜的 2K 也改變不了這一點。

那 11%,以及那張把它變成 40% 的發票
在單次 2K 生成上,Kling 大約便宜 11%。這一點能否在你的工作流程中依然成立,取決於同一份素材被反覆處理了多少次,而這兩種計價方式對迭代的反應並不相同。
Kling 的參考費用是按輸出影格計算:每附加一個參考收 0.8 單位,再乘以你生成的影格數量。在十二個鏡頭中維持一致角色、附加三個參考,費用為 12 ×(16 + 2.4)= 220.8 單位,約 85 美分;同樣十二個影格若不加任何參考,則為 192 單位。這筆附加費用不取決於你重新生成多少次,而是取決於整組內容對參考的依賴程度。
Qwen 的輸入計費是按每次請求計算:每 1K 輸入 token 收費 $0.00275,或在國內以每張圖片 RMB 0.02 作為編輯輸入計費。三輪編輯——生成、校正、重新風格化——會支付這筆計費兩次,而國內費率讓它在發票上清楚列為獨立的一行。兩者費用都不大。重點在於,Kling 的費用隨交付成果的規模變動,而 Qwen 的費用隨嘗試次數變動,因此,若工作流程會對少量最終成品大量反覆迭代,會發現 Kling 比 2K 標價所暗示的更便宜;若工作流程會在第一輪就產出大量且一致的成品,則會發現 Qwen 更便宜。
Qwen 多公布了一個 Kling 沒有公布的數字,而對任何正在運行佇列的人來說,它可能比價格差異更有價值。十個並行請求、深度 200 的非同步佇列,以及每分鐘 20 個請求,是你可據以設計的吞吐量預算。Kling 什麼都沒公布:沒有速率限制、沒有並行數、沒有佇列深度。這種缺失並不是對該模型的批評,而是實實在在的規劃難題,因為深度 200 的佇列與未記載的佇列之間的差別,就是排定夜間批次作業與作業執行到一半失敗之間的差別。
兩家廠商都在販售字體排印
並排閱讀兩份功能清單,會出現一個不尋常的現象:同一項主張出現了兩次。Kling 的第二與第三項能力分別是「出色的文字渲染——清晰的小字、富創意的字體排版」以及「連貫的圖像組——一個提示詞,完整系列」。Qwen 的定位也落在同一領域,而其商業部署正是瞄準文字排版至關重要的那些工作流程:電子商務版面、海報、包裝設計稿、行銷素材——在這些素材中,標題與法律聲明小字都必須正確無誤。
這並非巧合。小字可讀性正是三年來讓擴散模型無法踏入商業印刷工作的失效模式。一個能渲染出漂亮主視覺,卻把八點字級的免責聲明變成一團難以辨識字形的模型,對包裝毫無用處,而這個領域的每家廠商都知道這一點。這兩次發布在某種程度上都是在主張問題已經解決,但兩者都沒有公布以印刷尺寸呈現、並附上像素尺寸的樣本集。
這使得排版方面的說法成為這項比較中你最該先測試、最後才相信的一點——而且測試起來成本很低。同一份版面,在兩款型號上以 100% 縮放各讀一次最小的那一行字,帶給你的資訊會比本文所有評分表加起來還多。

董事會裡,那兩人並不親近。
兩個模型都在 Artificial Analysis 的 AA-Image-T2I v2.1 與 AA-Image-Edit v2.1 榜單上進行評測,而這四列資料呈現出一致的結論。Kling Image 4.0 在文生圖以 1,179.93 排名第七,在編輯以 1,182.89 排名第六。Qwen-Image-3.0-Pro 為 1,094.39 與 1,091.65。Qwen-Image-3.0 為 1,075.97 與 1,069.36。Kling 與較佳的 Qwen 等級之間,在文生圖上相差 85 Elo,在編輯上相差 91 Elo,兩者都遠超出差異的信賴區間。
兩點注意事項,而第二點才是關鍵。首先,Qwen 的列反映的是一個自八月起就已在榜上、擁有大量投票族群的模型,而 Kling 的列才上線一天,投票數也相應偏少——新加入模型的 Elo 比已穩定下來的模型更有雜訊,且在前幾週可能往任一方向移動數分。其次,阿里巴巴自家的發表說法是 Qwen Image 3.0 在 Arena.ai 的文字轉圖像排行榜上拿下中國第一。那是廠商自行通報、來自另一個排行榜且投票族群不同的數字,並不與 Artificial Analysis 的排名矛盾;它衡量的是另一個族群的偏好。兩種說法都可能為真,且彼此都不能取代對方。
85 分的差距沒告訴你的是:Kling 在你的工作上表現更好。它告訴你的是:在一般提示詞的盲測成對偏好中,投票者更常選擇 Kling。一個針對中文電商版面、充滿密集中文文字而調校的模型,卻是用可能與此毫不相干的提示詞來評分;而 Pro 等級相對 Standard 的溢價,正是在押注評測榜單所低估的那些工作負載。
兩者都不在我們的目錄中,而這留下了什麼
OrcaRouter 不提供 Kling Image 4.0,也不提供 Qwen Image 3.0 或其 Pro 等級。目錄中的 Kling 識別碼是影片;Qwen 識別碼是文字模型。本文不會暗示相反情況。
這項比較之所以值得重視、而非只是制式說法,是因為兩家廠商的定價方式都會變動。Alibaba 為國內平台公布一張以人民幣計價的價目卡,為 Model Studio 公布第二張以美元計價的價目卡,並為國際版 Qwen Cloud 公布第三組數字,而這三者並不一致——Standard 在國內為每張圖人民幣 0.18 元,在 Model Studio 則為每 1K 0.03438 美元,換算後並非同一個數字。Kling 的單位費率在 $999 與 $4,000 時階梯式調降,因此每幀的實際價格取決於你的預付承諾。對兩家各自主打價格都是三個數字的廠商進行比較,這種比較很快就會過時;而透過一個以 0% 加價率傳遞供應商標價的中間層來購買,原因在於:數字在他們那邊變動的當天,也會在你的發票上變動——中間沒有利潤加成,續約時也沒有合約需要重新談判。
至於評測本身,最誠實的做法是採用我們實際託管的模型:GPT Image 2.5 的兩款、Imagen 4.0 的三個等級,以及 Gemini 圖像模型,全都可用同一把金鑰呼叫。用同樣的二十組提示詞,搭配你自己的字型樣本,跑 Kling、Qwen 的兩個等級,以及一個對照模型,然後不只比較圖像,也比較帳單。自動容錯移轉在這裡有特別的重要性:Qwen 公布每分鐘 20 次請求的上限,這是批次處理時一定會碰到的限制,而會回退到第二個模型的路由規則能讓批次繼續進行,而不是卡在 429 上。

每個的用途是什麼
當輸出維持在 2048×2048 或以下、當國內人民幣計價卡是商業上相關的數字、當已公布的併發預算是一項規劃需求,或當你的工作涉及高密度中文排版——也就是模型明顯針對調整的工作負載時,Qwen Image 3.0 就是正確選擇。只有在你自己評估後顯示溢價確實划算時,才選擇 Pro 而非 Standard,因為兩個等級在排行榜上的差距為 18 Elo,而國內價格差距約為兩倍。
Kling Image 4.0 是正確選擇,前提是 2K 以上的階梯才是重點:4K 適合接近印刷用途的工作,8K 則看你是否有理由需要,還有這項比較中其他模型根本沒提供的長圖層級。它在盲測偏好上也是明顯更值得買的選擇,而這對於任何會被人當作圖像來評判、而非當作版面來閱讀的內容都很重要。
而如果決定因素是你想自己執行權重,那麼這兩者都不是你的模型。這就是兩家廠商所做的取捨,而在這個類別中做出另一種選擇的那個競爭對手,則是另一種比較。
