MOSS-Image 對比 Qwen Image 3.0：一家實驗室走向閉源，另一家走向開源

Qwen Image 3.0 與 MOSS-Image由中國實驗室相隔八週發布，而它們在唯一一個決定你能打造出什麼的問題上，採取了截然相反的立場。阿里巴巴於 2026 年 7 月 21 日推出 Qwen Image 3.0，並在 8 月 5 日讓它正式全面可用——閉源、沒有權重、沒有模型卡、沒有技術報告，只能透過 Pro 與 Standard 版本的代管 API 取用。OpenMOSS 於 2026 年 10 月 16 日以 Apache 2.0 開放權重發布 MOSS-Image，涵蓋檢查點與獨立推論流程。在 Qwen 這邊有個命名陷阱，值得在講其他事情之前先知道：Qwen-Image 2.1 於 2026 年 9 月 20 日發布，比 Qwen-Image 3.0 還新，而這兩者是共用同一個數字的獨立產品線。

這樣一說，這個比較看起來就像是開源對上閉源的爭論，而某種程度上確實如此。但更有趣的差異並不在於授權條款。而在於 Qwen Image 3.0 與 MOSS-Image 最強的主打都落在同一項能力上——把文字與版面做到分毫不差——但兩者為此採用的機制截然不同，其中一個你能檢視，另一個你則無法。

Qwen Image 3.0 究竟聲稱了什麼

Qwen Image 3.0 是一款封閉式託管模型，透過單一 API 提供圖像生成與編輯，分為 Standard 與 Pro 版本。Alibaba 的發布資料做出四項具體承諾：提示詞最多約 4,500 個 token、圖像內文字清晰可辨至約 10 像素、涵蓋 12 種語言與 20 多種字體，以及輸出最高達 2048×2048，且每次呼叫最多可產生六張圖像。未公布參數數量，而廣為流傳的約 20B MMDiT 數字是據報導而來，並非經 Alibaba 確認。

在 A​libaba 的 Model Studio 上，定價約為每張圖像 $0.035，而 Artificial Analysis 推算出 Standard 約為每 1,000 張圖像 $30，Pro 則為每 1,000 張 $40。其測得的位置屬於中游而非領先：文字轉圖像的 Elo 為 1,077，排名第十六；Pro 版在編輯方面為 1,088，排名第十四；Standard 在編輯方面則為 1,048，排名第二十一。這些都是 Artificial Analysis 的數據，這使它們成為整份比較中唯一獨立產生的數字——M​OSS-Image 完全沒有 Artificial Analysis 的條目。

關於其編輯行為，文件只記載了三件事，而這種稀少性正是重點。Pro 支援 1–3 張輸入影像。文件記載的編輯路徑涵蓋局部改寫、內容擴展、風格轉移與多相機角度生成，但沒有公開任何以遮罩為基礎的工作流程。公告中完全沒有提及透明度——沒有 RGBA 生成、沒有透明圖層編輯，也沒有將主體擷取至 alpha 通道。

每個 Alibaba 頁面都明顯缺少任何版面精確度的量測。Qwen Image 3.0 聲稱在 10 像素下文字仍清晰可讀，卻對該文字落在何處隻字未提。

MOSS-Image 所聲稱的內容，以及性質上的差異

MOSS-Image 是一款 5B 的單流擴散 transformer——42 個聯合區塊、隱藏寬度 3,072、24 個 128 維注意力頭、8,192 寬的 SiTU-GLU 前饋網路、四軸旋轉位置編碼——並搭配一個凍結的 Qwen3.5-9B 文字編碼器，以及從 FLUX.2-klein-4B 載入的凍結 FLUX.2 VAE。SFT 下載檔約 27.2 GB，其中約 16.8 GB 是編碼器。

能力差異不是程度之別。Qwen Image 3.0 在文字方面的主張關乎可讀性——模型能否把字元渲染得小到足以閱讀。MOSS-Image 的主張則關乎定位——它能否把指定字串放到指定座標。這兩者聽起來相似，實則不然。一個能把文字渲染得很漂亮，卻把你的標題橫跨在產品照上的模型，和一個能把稍微柔和一點的字形放在完全正確方框裡的模型，失敗的是不同的任務。

MOSS-Image 的版面配置機制，是由你以資料形式提供版面。提示詞可以是一個 JSON 物件，內含以畫布中心為基準、以絕對像素座標量測的邊界框、字面文字字串與字體排版註記，並使用 bbox_format "yxyx"。廠商自家的消融實驗，是這個介面為何重要的最清楚證據：在 RealLayoutArena 上，JSON 版面提示詞在同一套系統上得分 1,622.87，而自然語言提示詞得分 1,506.20。在報告同時提出的 7Bench 上，MOSS-Image 回報平均版面 IoU 為 0.88、Layout AUC 為 0.70——同一張表將 Qwen Image 3.0 Pro 列為 0.31，以及 0.16 到 0.20 的欄位 AUC。

那個 0.88 對上 0.31 是這項比較中最大的單一差距，也是其中最少可信度的數字。OpenMOSS 撰寫了這個基準測試、讓兩個模型都在其上執行，並公布了結果。Qwen Image 3.0 的作者完全沒有公布任何版面配置指標，因此無從核對——沒有更低的數字，沒有爭議，什麼都沒有。這種不對稱值得點明：一個實驗室在自家撰寫的測試上的優勢，正被拿來與另一個實驗室的沉默相比。

尺寸，並排對照

• 發布 — Qwen Image 3.0 於 2026 年 7 月 21 日推出，2026 年 8 月 5 日正式發行；MOSS-Image 於 2026 年 10 月 16 日發布

• 授權 — Qwen Image 3.0 是閉源的，沒有權重、沒有載明授權條款、沒有模型卡，也沒有技術報告；MOSS-Image 的權重與獨立管線程式碼採用 Apache 2.0，且沒有營收門檻

• 價格 — Qwen Image 3.0 在 Model Studio 上每張圖片約 $0.035，Artificial Analysis 推算出每 1,000 張 Standard 約 $30、每 1,000 張 Pro 約 $40；MOSS-Image 可免費下載，約 27.2 GB，另加你自己的 GPU 時間

• 版本 — Qwen Image 3.0 推出 Standard 與 Pro，兩者具備不同的編輯等級；MOSS-Image 則推出 Base 與 SFT 檢查點，其中 Base 刻意保持未經蒸餾，好讓微調模型有可著力的切入點

• 提示詞上限 — Qwen Image 3.0 約 4,500 個 token；MOSS-Image 在最終預訓練階段為 4,096 個 token

• 文字渲染 — Qwen Image 3.0 宣稱能在 12 種語言與 20 多種字型中，清晰呈現小至約 10 像素的文字；MOSS-Image 在 LongLongTextBench 上回報 Mean-6 為 96.3，其中英文 97.1、中文 92.4，相較於同一表中 Qwen-Image-2512 的 64.9

• 版面控制 — MOSS-Image 採用絕對中心相對座標的 JSON 版面配置，並在 7Bench 上聲稱達到 0.88 平均 IoU，而 Qwen Image 3.0 Pro 則列為 0.31；Alibaba 未公布任何版面配置指標

• 參考圖像 —— Qwen Image 3.0 Pro 說明支援 1–3 張輸入圖像，每次呼叫最多六張；MOSS-Image 的參考條件化在其位置配置中屬於保留軸，被描述為前瞻性設計而非已實際推出

• 編輯 — Q​wen Image 3.0 透過單一 API 涵蓋局部重寫、擴展、風格轉移與多鏡頭角度生成；M​OSS-Image 的報告並未將編輯呈現為產品功能面

• 透明度 —— Q​wen Image 3.0 的發布並未提出任何透明度宣稱；M​OSS-Image 的 VAE 使用 32 個潛在通道，且其管線會公開潛在表徵，不過 RGBA 輸出並非供應商所宣稱的功能

• 獨立評分 — 根據 Artificial Analysis，Qwen Image 3.0 在文字轉圖像項目以 Elo 1,077 排名第 16，Pro 版本在圖像編輯項目以 1,088 排名第 14；MOSS-Image 則沒有獨立評分

• 生態系統 — Qwen Image 3.0 有 API；MOSS-Image 有 Diffusers 自訂管線、一個 Gradio 應用程式、可透過 ComfyUI Manager 安裝的 ComfyUI 外掛，以及一個仍在審查中的 vLLM-Omni 公開提取請求（pull request）

決定大多數團隊的論點

Qwen Image 3.0 不是弱模型，而且也不貴。每張圖片約三點五美分，具備 4,500 token 的提示詞視窗、2K 輸出與多圖呼叫能力，今天下午就能把它放進產品功能裡，完全是合理的選擇。如果你的需求是「依照這段描述生成好圖片，有時搭配一張參考圖，而且單位成本可預測」，那麼封閉模型在首次請求所需時間上勝出，總成本也可能勝出，因為你的工程師永遠不必碰 GPU。

MOSS-Image 是在另一個軸度上勝出，而那是任何 API 無論價格高低都無法提供的：你可以檢視那個決定輸出的東西。 版面配置規格就是資料。它可以由你的程式碼產生、與其他所有東西一起放在同一個版本庫中進行版本控管、在有人更動範本時進行差異比對、在送達模型之前先依結構描述驗證，並由一位在算繪出任何一個像素之前就對構圖簽核的人類審閱。當從提示到版面配置的對應發生在你無法看穿的代管端點內部時，這一切都不可能做到。

那確實是真正的架構差異，但它在行銷上很不利，因為「你可以對提示詞做單元測試」不是那種有人會拍成示範的題材。但這正是差別所在：一個失敗時可除錯的pipeline，對上一個失敗時只會產生客服工單的pipeline。當MOSS-Image把標題放到錯誤的位置時，你可以讀取你送出的JSON，看見那個錯誤的座標。當託管模型這麼做時，你手上是一個看起來沒問題的提示詞，以及一張不對的圖片。

還有第二項區別性事實，而兩家廠商都沒有拿它來打頭陣。Qwen Image 3.0 未揭露的部分倒是很一致：沒有參數量、沒有架構、沒有訓練資料說明、沒有基準測試表、沒有技術報告，也沒有佈局指標。相較之下，MOSS-Image 的報告則詳盡到超規格——漸進式解析度訓練階段並附上步數、一個衍生自 ReLAION 的語料庫從約 50 億張圖片精簡到 30 億張、一個混合式 Muon–AdamW 優化器，以及一項消融實驗，顯示在兩個檢查點上，達到相同損失所需的步數分別比 AdamW 少 33.2% 與 28.6%。其中有些細節之所以能取得，只是因為該模型是開放的，但這份報告是刻意撰寫的，而這正是產品與出版品之間的差異。

開放性主張有其限制之處

關於 M​OSS-Image 的開放性，有三件事值得查證，而非想當然。

第一項是可實際運作的。沒有合併服務路徑的開放權重，與有合併服務路徑的開放權重是截然不同的情況。加入 MOSS-Image 與跳層引導（skip-layer guidance）的 vLLM-Omni 拉取請求 — [Model] 新增 MOSImage 文字轉圖像與 SLG — 於 10 月 14 日開啟，在 25 個檔案中新增 3,605 行，目前仍處於開啟狀態，審查者要求提供與固定參考實作對比的輸出同等性證據。vLLM-Omni 最新發布的版本是 v0.31.0rc1，日期為 10 月 6 日。沒有任何已發行版本包含該模型，而發布日流傳的「Day 0 支援」說法，描述的是你可以自行建置的分支，而不是你可以安裝的套件。

其次是，報告中最強的結果並非單一模型。據稱提示增強模組 LayoutPE 在推論時使用 G​PT-6 搭配模組化任務指令，而隨附的提示增強技能則被描述為專為 G​PT-6 系列代理所設計。因此，端到端 Elo 的頭條數字 1,698.70——僅次於 GPT Image 2 的 1,844.35——是由一套雙模型流程所產出，而其規格部分來自他人的 API。若將該數字單獨解讀為生成器的衡量指標，則是被誇大了。

第三點是微調。Base 是刻意保持未蒸餾的——模型卡指出它「尚未經過任何後訓練，或針對 CFG 等推論參數進行蒸餾」——正是為了讓 LoRA 有東西可以下手，而這是一種真正的承諾，而非授權上的姿態。但訓練配方是文件說明，而非釋出的資料，而且到目前為止，微調指引也不過是具體指示（保持文字編碼器凍結；不要微調它）加上一段標註提示詞。至於簡單的 SFT 就能解鎖基於參照的生成與 GIF 輸出這種說法，則是附帶一句「敬請期待」來陳述。

路由，陳述而不誇大

這項比較中的兩個模型都不在我們的目錄上，我們也不會假裝不是如此。Q​wen Image 3.0 隸屬於 A​libaba 的 Model Studio，而且如同 Q​wen 影像系列的其他成員一樣，並非 OrcaRouter 所提供的服務。M​OSS-Image 是需要自行下載的。這裡的界線很簡單：這兩者我們都不託管。

上所列的我們的型錄，是這兩個模型被拿來衡量的其餘競爭者——也就是你會拿來與自架的 M​OSS-Image 做基準比較的那些代管圖像模型；只要一組 API 金鑰，就能以供應商定價取得、零加成，因此代管模型若有廠商價格變動，當天就會反映在這裡，而不是等到下一次合約續約。像這樣的比較，Q​wen 陣營是按張計費，M​OSS 陣營則按 GPU 小時計費，此時路由層所提供的用處並非折扣，而是一個能讀取即時代管價格的單一位置，以及一個單一端點，可用來容錯移轉至各家供應商——當某個上游在評估進行到一半時劣化。這就是全部的宣稱，而且它點到為止，不會進一步提供你一個我們自己沒在跑的模型。

如何依序決定

依序處理這些問題，通常到第三題答案就會自然浮現。

• 你有 GPU 嗎，或者有可以轉換成 GPU 時數的預算？如果沒有，這個比較就結束了，而 Qwen Image 3.0 就是答案，每張圖片約 $0.035。

• 在生成之前，你的版面配置是可得知的嗎——你是否有範本、網格、一組座標？如果是，MOSS-Image 的 JSON 介面就是這場對比中唯一能直接處理你問題的機制，而 0.88 對 0.31 的差距正是支持它的證據，儘管這是由廠商撰寫的。

• 你需要微調、量化，或是在氣隙隔離的環境中執行嗎？若是，那麼無論價格如何，閉源模型都不會是考慮選項；而在發布後約一天內就出現 4 步 DMD LoRA 和 8 步蒸餾變體，這正是你所要投入的東西。

• 你的法律審查是否需要以文件作結？Apache 2.0 與未載明授權條款，是這項比較中最短的部分。

• 獨立評測是必要條件嗎？那在還沒做進一步驗證之前，兩者都別選。Qwen Image 3.0 唯一獨立的數字是 Artificial Analysis 的 Elo 排名，而那只讓它落在中段，而非接近頂尖。MOSS-Image 的亮眼成績全都出自其作者自己打造的基準測試。

最能在最短時間內改變答案的東西還不存在，而且對兩個模型來說都是同一件事：各自最擅長的那項測試，要有一次獨立執行。對 Qwen Image 3.0 而言，這表示需要由任何人提供版面量測結果，因為 Alibaba 尚未公布任何這類結果。對 MOSS-Image 而言，這表示需要由 OpenMOSS 以外的第三方來跑 LongLongTextBench、RealLayoutArena 或 7Bench。在那之前，無論你怎麼決定，你決定的是架構、授權與機制，而不是經驗證的品質——而對封閉 API 與開放檢查點之間的正面對決來說，這無論如何或許本來就是正確的依據。

像這次發布背後有紀錄的 AI 失敗與代理事件，都收錄於 OrcaRouter AI Incident Archive，其中每一筆條目都附有各自的來源、嚴重程度、信心評級與爭議標記。