Qwen-Image 3.0 im Test: 9 Szenen für ein Bild zu $0.03

Qwen-Image 3.0 kostet $0.03 pro ausgegebenem Bild und ist damit günstiger als sein Vorgänger für $0.035. Der Prompt ist kostenlos: Ein Prompt mit ungefähr 5.000 Token wurde in unseren Tests genauso abgerechnet wie einer mit elf Wörtern. Allein das unterscheidet das Modell von Alternativen mit Token-basierter Abrechnung. Dadurch wird auch sein auffälligster Trick wirtschaftlich interessant: Wer neun verschiedene Szenen in einem 3x3-Raster anfordert, erhält alle neun und bezahlt nur für ein Bild. Wir haben qwen-image-3.0 an dem Tag getestet, an dem das Modell erstmals über eine kommerzielle API-Route verfügbar war. Zum Launch gab es weder Preisliste noch Benchmarks, Gewichte oder technischen Bericht. Deshalb haben wir die Abrechnung, das Neun-in-einem-Versprechen, die Aussage zu 10 Pixel großer Schrift samt der Diskussion um japanische Kleinschrift, das Prompt-Fenster mit 4.500 Token sowie die Position gegenüber dem eigenen Vorgänger und den übrigen Bildmodellen untersucht.

TL;DR

• qwen-image-3.0 berechnet $0.03 pro ausgegebenem Bild und ist damit günstiger als sein Vorgänger für $0.035. Prompts wurden bei allen getesteten Längen nicht abgerechnet.
• Das Versprechen „neun Bilder auf einmal“ stimmt in Form eines einzelnen Bildrasters: Alle 9 von 9 Szenen wurden erzeugt und als ein Bild abgerechnet. Die API erlaubt pro Batch höchstens n=4.
• Vorgegebene Kleinschrift ist die Schwachstelle: In 3 von 3 englischen Durchläufen war die Fußnote falsch geschrieben. Vom Modell selbst erfundener Text wurde sauber dargestellt.
• Die Generierung ist langsam: Standardläufe dauerten 58-85 Sekunden, gegenüber 10 Sekunden bei qwen-image-2.0. Lange Prompts erhöhten die Laufzeit auf bis zu 241 Sekunden.

Wie funktioniert die Abrechnung von Qwen-Image 3.0?

Abgerechnet wird pro Bild und Auflösungsstufe, der Prompt ist kostenlos. Jede Antwort enthält statt Token-Feldern einen Usage-Block mit Bildanzahl und Stufe. Eine Anfrage mit 1024x1024 oder einer Variante dieses Seitenverhältnisses wird als ein Bild der 1K-Stufe berechnet, eine Anfrage mit 2048x2048 als 2K-Stufe. Der Prompt taucht in der Verbrauchsabrechnung nicht auf. Wir haben dieselbe Szene einmal mit einem Prompt aus elf Wörtern und anschließend mit Fülltexten angefordert, die wir auf 1.000, 4.200 und 5.000 Token geschätzt haben. Die Abrechnung war jedes Mal identisch. Die nach der Launch-Woche von DashScope veröffentlichte Preisliste bestätigt dieses Schema: qwen-image-3.0 kostet in beiden Stufen $0.03 pro ausgegebenem Bild, Eingabebilder in Editing-Workflows kosten $0.003. Die Grenze zwischen den Stufen liegt bei einer Ausgabefläche von 2,250,000 Pixeln. Nur beim Pro-SKU unterscheiden sich die Preise nach Stufe: $0.04 für Ausgaben der 1K-Klasse und $0.075 für 2K. Bemerkenswert ist die Richtung: Mit $0.03 unterbietet das Modell qwen-image-2.0 für $0.035. Das Funktionsupgrade kommt also mit einer Preissenkung, obwohl allgemein ein Premiumpreis erwartet wurde.

Der Unterschied zu Bild-APIs mit Token-Abrechnung ist grundlegend. gpt-image-2 berechnet sowohl Prompt-Token als auch Bild-Token der Ausgabe. Selbst die Zahl dieser Ausgabe-Token ist nicht stabil: Derselbe Prompt mit elf Wörtern erzeugte in einem Lauf 215 und in einem anderen 744 Ausgabe-Token. Die abgerechneten Kosten identischer Anfragen schwankten damit um den Faktor 3.5. Bei einem festen Preis pro Bild gibt es diese Schwankung nicht. Die prognostizierten Kosten entsprechen den tatsächlichen Kosten. Derselbe Zielkonflikt zeigte sich in unserer Kostenanalyse mit fünf Modellen: Die Abrechnung pro Bild ist unspektakulär, und genau das ist bei der Budgetplanung ein Vorteil.

Sind „neun Bilder auf einmal“ wirklich möglich?

Ja, allerdings anders, als die Formulierung vermuten lässt. Für die Kosten ist die tatsächliche Variante sogar besser. Der Batch-Parameter der API lehnt Werte über vier ab (n must be between 1 and 4). Neun separate Dateien lassen sich daher nicht mit einem einzigen Call erzeugen. Die Launch-Demos zeigen stattdessen eine Bildkomposition: Man fordert ein 3x3-Raster mit neun unterschiedlichen Szenen in einem Bild an, und das Modell setzt es um. Für unseren Test verlangten wir einen Leuchtturm in der Dämmerung, eine Schachpartie, eine Schüssel Ramen, einen Papierkranich, einen U-Bahnsteig, einen Kaktus im Regen, eine Violine, einen Polarfuchs und einen Heißluftballon:

Alle neun Szenen waren schlüssig und klar voneinander getrennt. Abgerechnet wurde ein Bild: $0.03 für das gesamte Raster, also $0.0033 pro nutzbarem Feld. Alibaba treibt denselben Mechanismus in den eigenen Demos noch weiter und packt neun vollständige Infografiken samt Text und Formeln in ein Raster. Benötigt ein Workflow Vorschaubilder, Moodboards oder Variantenübersichten statt neun separater Dateien, senkt dieser Ansatz die Kosten tatsächlich: Eine Generierung zum Festpreis ersetzt neun einzelne, und das Zuschneiden des Rasters ist mit einer Zeile Code erledigt.

Ist die 10-Pixel-Schrift auch vergrößert noch brauchbar?

Zur Hälfte. Ausgerechnet der für produktive Einsätze relevante Teil fällt durch. Laut Anbieter kann das Modell Schrift bis hinunter zu 10 Pixeln darstellen. Beim Layout übertrifft es diese Erwartung sogar: Unser Test mit einem technischen Datenblatt erzeugte selbstständig Seitenleisten, Anschlussdiagramme, Tabellenzeilen zum Lieferumfang und Sicherheitssiegel. Dutzende kleine Beschriftungen waren lesbar und korrekt geschrieben. Der Fehler steckte in der einzigen Zeichenfolge, die wir wortgetreu vorgegeben hatten. In drei Durchläufen wurde die angeforderte Fußnote „All measurements at 25 degrees Celsius“ als „Celkaus“, „Celuse“ und „Celsue“ dargestellt. Kein Durchlauf war korrekt, und jeder Fehler betraf die kleinste Schrift auf der Seite.

Bei Japanisch zeigt sich dasselbe Verhalten. Damit bestätigt sich eine Diskussion aus der Launch-Woche: Unabhängige Tests berichteten, japanische Kleinschrift wirke im Vergleich zu den offiziellen Demos „etwas unnatürlich“. Unsere Durchläufe reproduzieren das Problem. In drei Tests mit japanischen Etiketten und einem vorgegebenen zweizeiligen Lagerhinweis war nur einer vollständig korrekt. In einem Lauf war ein einzelnes Zeichen fehlerhaft, in einem weiteren wurden zwei Zeichen ersetzt (読 wurde zu 認, 保管 zu 保宜). Das minimalistische Etikett war ansonsten fehlerfrei:

Das Muster ist konsistent und ungewöhnlich spezifisch: Text, den das Modell selbst verfasst, ist sauber; bei Text, den es exakt übernehmen soll, treten Glyphenfehler auf. Ein Durchlauf mit chinesischem Prompt bestätigte die andere Seite des Musters. Das Modell erfand ohne entsprechende Anweisung drei Beschriftungen für Behälter (加急, 普通, 存档) und stellte alle Hanzi fehlerfrei dar:

Selbst formulierter Text funktionierte in allen getesteten Sprachen. Für Mockups, Storyboards und Layoutentwürfe ist die Textdarstellung tatsächlich produktionsreif. Muss eine vorgegebene Zeichenfolge exakt stimmen, etwa bei Compliance-Hinweisen, technischen Werten oder Rechtstexten, sollte jedes Zeichen geprüft oder der echte Text nachträglich eingesetzt werden.

Was bringt das Prompt-Fenster mit 4.500 Token?

Viel kostenlosen Platz, allerdings auf Kosten der Laufzeit. Das wichtigste neue Merkmal dieses Releases ist der Umfang möglicher Anweisungen: Prompts dürfen 4.5-mal länger sein als bei der vorherigen Generation. In unserer schrittweisen Prüfung fanden wir keine harte Grenze. Fülltext-Prompts mit geschätzten 4.200 und sogar 5.000 Token wurden ohne Fehlermeldung akzeptiert. Die dokumentierte Obergrenze wird an der von uns untersuchten Grenze also nicht per Fehler erzwungen. Durch die Abrechnung pro Bild entstehen auch keine Zusatzkosten. Lange Prompts erhöhen jedoch die Latenz, wenn auch ungleichmäßig. Standardgenerierungen mit kurzen Prompts dauerten 58-85 Sekunden. Zwei Läufe mit 1.000 Token benötigten 85 und 120 Sekunden, der Test mit 4.200 Token dauerte 241 Sekunden und der mit 5.000 Token nur 88. Die Tendenz zeigt nach oben, die Streuung ist jedoch groß. Bei Nutzung des gesamten Fensters muss Zeit eingeplant werden, nicht zusätzliches Budget.

Wo steht das Modell im Vergleich zu anderen Bildmodellen?

Es ist mit großem Abstand das langsamste Modell im Katalog. Das ist der tatsächliche Preis der Positionierung „nützlich, nicht nur hübsch“. Die folgenden Laufzeiten wurden am selben Tag mit demselben Prompt gemessen:

Für die Einordnung sind zwei Punkte relevant. Erstens ist der Vorgänger nicht überholt: qwen-image-2.0 generiert sechsmal schneller. Bei großen Mengen einfacher Assets ist dieser Durchsatz weiterhin entscheidend. 3.0 rechtfertigt die längere Laufzeit bei komplexen Layouts, viel Text und umfangreichen Anweisungen, mit denen 2.0 nicht zurechtkommt. Zweitens betreibt Alibaba inzwischen zwei Bildmodellreihen parallel: Qwen-Image und wan2.7-image aus der Tongyi-Wanxiang-Familie. Das Schwestermodell ist dreimal schneller. Wer im Alibaba-Ökosystem eher ästhetische Bilder als Dokumente erzeugen möchte, sollte deshalb auch diese Reihe vergleichen.

Die Kapazität ist noch typisch knapp für eine Beta. Das muss in jede Rollout-Planung einfließen: Nach ungefähr einem Dutzend Generierungen stießen wir während der Untersuchung auf vorgelagerte Rate-Limits. Berichte zum kostenlosen Tarif beschreiben dieselben 429-Fehler bei direkt aufeinanderfolgenden Calls. Statt der üblichen Benchmark-Tabelle bleibt nur ein Hinweis zur Überprüfbarkeit: Zum Launch wurden weder Benchmarks noch Gewichte oder ein technischer Bericht veröffentlicht. Die Preisliste folgte erst nach der Launch-Woche. Für die meisten Aussagen gibt es daher keine offiziellen Daten zum Gegencheck. Sämtliche Angaben oben stammen aus unseren eigenen Messungen und Tests. Die Preise pro Bild können je nach Provider abweichen. Maßgeblich ist die erste eigene Rechnung, nicht die Schätzung eines Drittanbieters.

FAQ

Wie viel kostet Qwen-Image 3.0 pro Bild?

Nach den veröffentlichten Preisen von DashScope kostet jedes ausgegebene Bild in beiden Auflösungsstufen $0.03. Eingabebilder in Editing-Workflows kosten $0.003, Text-Prompts werden unabhängig von ihrer Länge nicht berechnet. Damit ist das Modell günstiger als qwen-image-2.0 für $0.035. Beim Pro-SKU werden die Stufen getrennt berechnet: $0.04 für Ausgaben der 1K-Klasse und $0.075 für 2K.

Kann Qwen-Image 3.0 wirklich 9 Bilder auf einmal erzeugen?

Als ein einzelnes Bild ja: Ein Prompt für ein 3x3-Raster lieferte alle neun angeforderten Szenen klar getrennt und wurde als ein einziges Bild der 1K-Stufe abgerechnet. Als API-Batch ist das nicht möglich: n ist auf 4 begrenzt, und jedes Bild eines Batches wird separat berechnet. Ein Raster ist die kostengünstige Variante, wenn eine Kontaktübersicht statt separater Dateien benötigt wird.

Eignet sich die Kleinschrift von Qwen-Image 3.0 für den Produktiveinsatz?

Bei selbst formuliertem Text ja: Vom Modell erfundene Beschriftungen und Texte wurden in unseren Durchläufen auf Englisch, Chinesisch und Japanisch korrekt dargestellt. Bei vorgegebenen Zeichenfolgen nein: Die exakt angeforderte Fußnote war in 3 von 3 englischen Durchläufen falsch geschrieben. In 2 von 3 japanischen Durchläufen wurde mindestens ein Zeichen verändert. Vorgegebene Kleinschrift muss Korrektur gelesen oder nachträglich als echter Text eingesetzt werden.

Sollte ich von Qwen-Image 2.0 upgraden?

Nur für Aufgaben, die 2.0 nicht bewältigt: dichte Layouts, dokumentartige Seiten, lange mehrteilige Anweisungen und Text im Bild. Bei identischer Abrechnung pro Bild erzeugt 2.0 eine Standardszene in ungefähr 10 Sekunden, während 3.0 dafür 58-85 Sekunden benötigt. Workloads, bei denen Durchsatz zählt, sollten daher bei 2.0 bleiben. 3.0 ist ein Spezialist für Generierungen mit umfangreichen Anweisungen, kein direkter Ersatz.

Gemessen vom 2026-08-05 bis 2026-08-06 über das Synthorai-Gateway, an dem Tag, an dem qwen-image-3.0 über diese kommerzielle Route verfügbar wurde; die -pro-Stufe war noch nicht verfügbar. Die Tests umfassten Abrechnungsschema und Auflösungsstufen, Batch-Limit und Rasterkomposition, eine schrittweise Prüfung langer Prompts mit anhand der Wortzahl auf 1.000 / 4.200 / 5.000 Token geschätzten Fülltextlängen, chinesische und japanische Prompts, wiederholte Durchläufe mit Kleinschrift sowie Laufzeitvergleiche mit demselben Prompt am selben Tag über sechs Katalogmodelle. Die Bilder-API gibt keine Zahl der Prompt-Token zurück. Die gezeigten generierten Bilder sind unbearbeitete Testergebnisse. Die Dollarbeträge stammen aus der nach der Launch-Woche veröffentlichten Preisliste von DashScope, deren Abrechnungsschema unseren Messungen entspricht. Die Preisspanne pro Bild für gpt-image-2 basiert auf den gemessenen Token-Zahlen und den Preisen, die wir bereits in unserer früheren Untersuchung zu Bildmodellen verifiziert hatten. Das Verhalten kann sich mit zunehmender Reife der Beta ändern.

← Zurück zum Blog