API Qwen-Image 3.0 : 9 scènes dans une image à $0.03

Qwen-Image 3.0 coûte $0.03 par image générée, contre $0.035 pour son prédécesseur. Le prompt est gratuit : lors de nos tests, un prompt d’environ 5,000 tokens a été facturé exactement comme un prompt de onze mots. Ce seul point le distingue des modèles facturés au token et donne un véritable intérêt économique à sa fonction la plus spectaculaire : demandez neuf scènes différentes dans une grille 3x3, vous obtenez les neuf au prix d’une seule image. Nous avons testé qwen-image-3.0 dès son arrivée sur une API commerciale. Son lancement ne fournissait ni grille tarifaire, ni benchmark, ni poids, ni rapport technique. Nous avons donc vérifié son mode de facturation, la promesse du neuf-en-un, le rendu de texte en 10 pixels, y compris le problème des petits caractères japonais, la fenêtre de prompt de 4,500 tokens, ainsi que son positionnement face à son prédécesseur et aux autres modèles de génération d’images.

TL;DR

• qwen-image-3.0 facture $0.03 par image générée, contre $0.035 pour son prédécesseur ; les prompts ne sont pas facturés, quelle que soit la longueur testée.
• La promesse de « neuf images à la fois » fonctionne sous la forme d’une grille dans une seule image : 9 scènes sur 9 ont été produites et facturées comme une image ; l’API limite les lots à n=4.
• Les petits caractères dictés sont son point faible : la note de bas de page était mal orthographiée lors des 3 tests en anglais ; le texte inventé par le modèle est net.
• La génération est lente : 58 à 85 secondes en usage standard, contre 10 pour qwen-image-2.0 ; les prompts longs ont atteint 241 secondes.

Comment fonctionne réellement la facturation de Qwen-Image 3.0 ?

La facturation se fait par image et par niveau de résolution, sans coût pour le prompt. Chaque réponse contient un bloc d’usage indiquant le nombre d’images et leur niveau de résolution, sans champ lié aux tokens. Une requête en 1024x1024 ou dans un autre format de surface comparable compte comme une image de niveau 1K. Une requête en 2048x2048 compte comme une image de niveau 2K. Le prompt n’intervient jamais dans le décompte. Nous avons envoyé la même scène avec un prompt de onze mots, puis avec du texte de remplissage estimé à 1,000, 4,200 et 5,000 tokens : la facturation est restée identique. La grille tarifaire publiée par DashScope après la semaine de lancement confirme exactement ce modèle : $0.03 par image générée, quel que soit le niveau, pour qwen-image-3.0 ; $0.003 par image source dans les workflows d’édition ; et un seuil entre les niveaux fixé à 2,250,000 pixels de surface de sortie. Seule la version pro applique un tarif différent selon le niveau : $0.04 pour une sortie de classe 1K et $0.075 pour une sortie 2K. Le point le plus surprenant reste la baisse de prix : qwen-image-3.0 passe sous les $0.035 de qwen-image-2.0 tout en ajoutant des fonctions, alors que tout le monde s’attendait à un lancement plus cher.

La différence avec les API d’images facturées au token est structurelle. gpt-image-2 facture les tokens du prompt et ceux de l’image générée. Le nombre de tokens de sortie n’est même pas stable : le même prompt de onze mots en a consommé 215 lors d’un test et 744 lors d’un autre. À requête identique, le coût mesuré varie donc d’un facteur 3.5x. Un tarif fixe par image élimine cette variation : le coût prévu est le coût payé. Notre étude de coût sur cinq modèles aboutissait au même constat : la facturation par image n’a rien de surprenant, et c’est précisément ce qu’on attend pour maîtriser un budget.

Peut-il vraiment générer « neuf images à la fois » ?

Oui, mais pas au sens que suggère la formule, et la version réelle est plus avantageuse financièrement. Le paramètre de lot de l’API refuse toute valeur supérieure à quatre (n must be between 1 and 4). Impossible, donc, d’obtenir neuf fichiers distincts en un seul appel. Les démonstrations de lancement reposent en réalité sur la composition : demandez une grille 3x3 contenant neuf scènes différentes dans une seule image, et le modèle les produit. Pour notre test, nous avons demandé un phare au crépuscule, une partie d’échecs, un bol de ramen, une grue en papier, un quai de métro, un cactus sous la pluie, un violon, un renard polaire et une montgolfière :

Neuf scènes sur neuf, chaque case cohérente, le tout facturé comme une seule image : $0.03 pour la planche, soit $0.0033 par case exploitable. Les démonstrations d’Alibaba poussent le même mécanisme plus loin en regroupant neuf infographies complètes avec du texte et des formules dans une seule grille. Si votre workflow demande des miniatures, des planches d’inspiration ou des planches de variantes plutôt que neuf fichiers indépendants, l’économie est réelle : une génération à prix fixe en remplace neuf, et quelques lignes de crop suffisent pour découper la grille.

Le texte en 10 pixels reste-t-il lisible une fois agrandi ?

La moitié de la promesse tient. Celle qui échoue est justement celle qui compte en production. Qwen-Image 3.0 est censé rendre du texte jusqu’à 10 pixels. Sur la mise en page, le modèle dépasse les attentes : notre test de fiche technique a produit des encadrés, des schémas de ports, des lignes de contenu du paquet et des badges de sécurité. Des dizaines de petites étiquettes sont lisibles et correctement orthographiées. Le problème se cache dans l’unique chaîne que nous lui avons dictée mot pour mot. Sur trois générations, la note demandée, “All measurements at 25 degrees Celsius”, est devenue “Celkaus”, “Celuse” puis “Celsue”. Aucun résultat correct, avec chaque fois une erreur dans le texte le plus petit de la page.

Le japonais présente le même comportement, ce qui tranche une controverse apparue la semaine du lancement. Des tests indépendants ont jugé les petits caractères japonais « quelque peu artificiels » par rapport aux démonstrations officielles, et nos résultats le confirment. Nous avons effectué trois générations d’étiquette en dictant un avertissement de stockage sur deux lignes. Une était entièrement correcte, une comportait un caractère déformé et une remplaçait deux caractères (読 devenait 認, 保管 devenait 保宜), alors que le reste de l’étiquette minimaliste était irréprochable :

Le comportement est constant et très précis : le texte rédigé par le modèle est net ; les glyphes commencent à se dégrader lorsqu’il doit transcrire un texte dicté. Un test avec un prompt chinois le confirme dans l’autre sens. Le modèle a inventé de lui-même trois étiquettes pour des bacs (加急, 普通, 存档), toutes rendues dans des hanzi parfaits :

Le texte inventé par le modèle est resté correct dans toutes les langues testées. Pour des maquettes, des storyboards et des compositions graphiques, le rendu est réellement exploitable en production. Dès qu’une chaîne dictée doit être exacte, qu’il s’agisse d’une mention réglementaire, d’une valeur technique ou d’un texte juridique, relisez chaque glyphe ou ajoutez ensuite le vrai texte par composition.

À quoi sert réellement la fenêtre de prompt de 4,500 tokens ?

Elle offre de la marge gratuitement, mais se paie en secondes. Cette version se distingue surtout par le volume d’instructions accepté : des prompts 4.5x plus longs que ceux de la génération précédente. Notre série de tests n’a trouvé aucune limite stricte. Des prompts de remplissage estimés à 4,200 et même 5,000 tokens ont été acceptés sans erreur. La limite documentée ne déclenche donc pas de rejet à la frontière que nous avons testée, et la facturation par image n’ajoute aucun surcoût. En revanche, les prompts longs augmentent la latence, avec une forte variabilité. Nos générations standard avec des prompts courts ont pris entre 58 et 85 secondes. Deux tests à 1,000 tokens ont demandé 85 et 120 secondes. Celui à 4,200 tokens a pris 241 secondes, tandis que celui à 5,000 tokens n’en a demandé que 88. La tendance monte, mais la dispersion est importante. Avec cette fenêtre, prévoyez du temps d’exécution, pas un budget supplémentaire.

Où se place-t-il parmi les modèles de génération d’images ?

C’est de loin le modèle le plus lent du catalogue. C’est le véritable prix de son positionnement « utile, pas seulement esthétique ». Voici les temps mesurés le même jour avec le même prompt sur toute la gamme :

Deux points permettent de mieux situer le modèle. D’abord, son prédécesseur reste pertinent : qwen-image-2.0 génère une image six fois plus vite. Pour produire en volume des visuels simples, son débit reste supérieur. La version 3.0 justifie sa latence sur les tâches riches en mise en page, en texte et en instructions détaillées que la version 2.0 ne sait pas suivre. Ensuite, Alibaba propose désormais deux gammes d’images en parallèle : Qwen-Image et wan2.7-image, issu de la famille Tongyi Wanxiang. Ce dernier est trois fois plus rapide. Si vous utilisez déjà l’écosystème Alibaba pour produire des visuels plutôt que des documents, il mérite d’être comparé.

La capacité reste limitée comme celle d’une bêta, à intégrer dans tout plan de déploiement. Nous avons atteint les quotas de débit upstream après environ douze générations au milieu de l’étude. Les retours sur l’offre gratuite mentionnent les mêmes erreurs 429 lors d’appels successifs. Une précision remplace ici le tableau de benchmarks habituel : ce lancement n’a fourni ni benchmark, ni poids, ni rapport technique, et la grille tarifaire n’est arrivée qu’après la semaine de lancement. La plupart des affirmations ne peuvent donc pas être vérifiées auprès d’une source officielle. Tous les résultats ci-dessus proviennent de nos propres mesures et tests. Les tarifs par image peuvent varier selon le fournisseur ; vérifiez votre première facture plutôt que de vous fier aux estimations de tiers.

FAQ

Combien coûte une image avec Qwen-Image 3.0 ?

$0.03 par image générée, quel que soit le niveau de résolution, selon les tarifs publiés par DashScope. Les images sources utilisées dans les workflows d’édition coûtent $0.003, et les prompts textuels ne sont pas facturés, quelle que soit leur longueur. Le tarif est inférieur aux $0.035 de qwen-image-2.0. La version pro distingue les niveaux : $0.04 pour une sortie de classe 1K et $0.075 pour une sortie 2K.

Qwen-Image 3.0 peut-il vraiment générer 9 images à la fois ?

Oui, dans une seule image : un prompt demandant une grille 3x3 a produit distinctement les neuf scènes, facturées comme une seule image de niveau 1K. En revanche, ce n’est pas possible sous forme de lot API : n est limité à 4, et chaque image du lot est facturée séparément. La grille est la solution la plus économique si vous avez besoin d’une planche-contact plutôt que de fichiers indépendants.

Les petits caractères de Qwen-Image 3.0 sont-ils exploitables en production ?

Oui pour le texte inventé par le modèle : les étiquettes et les textes qu’il a rédigés étaient corrects lors de nos tests en anglais, en chinois et en japonais. Non pour les chaînes dictées : la note précise que nous avions fournie était mal orthographiée lors des 3 tests en anglais, et 2 des 3 tests en japonais modifiaient au moins un caractère. Relisez les petits caractères dictés ou ajoutez-les ensuite avec une vraie police.

Dois-je migrer depuis Qwen-Image 2.0 ?

Seulement pour les tâches que la version 2.0 ne maîtrise pas : mises en page denses, pages de type document, longues instructions en plusieurs parties et texte intégré à l’image. Avec le même mode de facturation par image, la version 2.0 génère une scène standard en environ 10 secondes, contre 58 à 85 pour la version 3.0. Les workloads qui privilégient le débit ont donc intérêt à rester sur la version 2.0. Considérez la version 3.0 comme un modèle spécialisé dans les générations riches en instructions, pas comme un remplacement direct.

Mesures effectuées du 2026-08-05 au 2026-08-06 via la gateway Synthorai, le jour où qwen-image-3.0 est devenu disponible sur cette route commerciale, la version -pro ne l’étant pas encore : tests du mode de facturation et des niveaux de résolution, tests de la limite des lots et de la composition en grille, série de tests d’acceptation de prompts longs avec des volumes de remplissage estimés à 1,000 / 4,200 / 5,000 tokens d’après le nombre de mots, l’API d’images ne renvoyant aucun décompte des tokens du prompt, prompts chinois et japonais, rendus répétés de petits caractères et mesures effectuées le même jour avec le même prompt sur six modèles du catalogue. Les images présentées sont les résultats bruts des tests, sans retouche. Les montants en dollars proviennent de la grille tarifaire de DashScope, publiée après la semaine de lancement, et correspondent à la structure de comptabilisation que nous avons mesurée. La fourchette par image de gpt-image-2 est calculée à partir du nombre de tokens mesuré et des tarifs vérifiés lors de notre précédente étude sur la génération d’images. Le comportement peut évoluer à mesure que la bêta gagne en maturité.

← Retour au blog