實測 Qwen-Image 3.0 API：$0.03 一張圖生成 9 個場景

Qwen-Image 3.0 每張輸出圖片收費 $0.03，比前代的 $0.035 更便宜，而且提示詞免費。我們測試約 5,000 token 的提示詞，費用與只有 11 個單字的版本完全相同。光是這一點，就足以讓它與按 token 計費的競品拉開差距，也讓模型最吸睛的功能真正產生經濟效益：要求它用 3x3 網格生成 9 個不同場景，9 個都會出現在同一張圖片裡，費用只算一張。我們在 qwen-image-3.0 上線商用 API 路由當天進行測試。這次發布沒有價目表、benchmark、權重或技術報告，因此我們實測了計費方式、九合一功能、10 像素文字的說法（包括日文小字的爭議）、4,500 token 提示詞視窗，以及它相較於前代模型和其他圖片生成模型的位置。

TL;DR

• qwen-image-3.0 每張輸出圖片收費 $0.03，低於前代的 $0.035；我們測試的所有提示詞長度都不計費。
• 「一次生成 9 張圖」確實可行，但形式是單張網格圖：9 個場景全部生成，只計一張圖片；API 批次上限為 n=4。
• 指定小字內容是弱項：英文註腳連續 3 次都拼錯；模型自行編寫的文字則很清楚。
• 生成速度慢：標準測試需 58-85 秒，qwen-image-2.0 只要 10 秒；長提示詞最久拉到 241 秒。

Qwen-Image 3.0 到底怎麼計費？

費用按解析度級距逐張計算，提示詞不計費。每次回應的 usage 區塊只記錄圖片數量與級距，沒有 token 欄位：1024x1024 或其他長寬比的請求按 1K 級距計一張，2048x2048 請求則按 2K 級距計算，usage 完全不計提示詞。我們針對同一個場景，分別送出 11 個單字，以及估計為 1,000、4,200 和 5,000 token 的填充提示詞，每次費用都一樣。上線一週後，DashScope 公布的價目表也完全符合這個計費方式：qwen-image-3.0 的兩種級距都是每張輸出圖片 $0.03；編輯流程的輸入圖片每張 $0.003；輸出面積以 2,250,000 像素為級距分界。只有 pro SKU 會按級距分別計價，1K 級輸出為 $0.04，2K 為 $0.075。真正令人意外的是價格方向：$0.03 比 qwen-image-2.0 的 $0.035 更低。功能升級，價格反而下降，而不是大家原先預期的溢價定價。

它和按 token 計費的圖片 API，在結構上就不一樣。gpt-image-2 會計算提示詞 token 與輸出圖片 token，而且輸出 token 並不固定：同一個 11 單字提示詞，一次執行用了 215 個輸出 token，另一次卻用了 744 個，相同請求的計量費用相差 3.5 倍。按張固定計費沒有這種波動，預估多少就付多少。我們先前針對 5 個模型所做的成本研究也呈現相同取捨：按張計費很單調，但對預算來說，單調就是優點。

「一次生成 9 張圖」是真的嗎？

是真的，但不是字面上暗示的方式；實際形式對帳單反而更有利。API 的批次參數不接受超過 4 的值（n must be between 1 and 4），所以無法在一次呼叫中取得 9 個獨立檔案。發布展示真正呈現的是構圖能力：要求模型在一張圖片中，用 3x3 網格生成 9 個不同場景，它確實能做到。我們的測試要求包含黃昏燈塔、西洋棋對局、拉麵、紙鶴、地鐵月台、雨中的仙人掌、小提琴、雪狐和熱氣球：

9 個場景全部正確，每格內容都完整合理，而且只按一張圖片計費：整張 $0.03，平均每個可用格子 $0.0033。Alibaba 官方展示把同一套機制推得更遠，將 9 張包含文字與公式的完整資訊圖表塞進同一個網格。如果工作流程需要的是縮圖、情緒板或選項總覽，而不是 9 個獨立檔案，這確實能省成本：一次固定價格的生成就能取代 9 次，切割網格也只需要一行裁切程式碼。

放大後，10 像素文字的說法還站得住腳嗎？

只對了一半，而且失敗的那一半，正是實際交付時最重要的部分。官方聲稱可以生成小至 10 像素的文字。就版面層級來看，模型的表現甚至超出預期：我們測試規格表時，它自行加入側欄、連接埠圖示、包裝內容列和安全認證標章，還有數十個小型標籤。全部清楚可讀，拼字也正確。問題藏在我們要求逐字照寫的那段文字。連續 3 次執行中，指定註腳「All measurements at 25 degrees Celsius」分別被生成為「Celkaus」、「Celuse」和「Celsue」。3 次全錯，而且錯誤每次都出現在頁面最小的字級。

日文也有相同現象，這讓發布首週的爭議有了答案：獨立測試指出，相較官方展示，日文小字看起來「有些不自然」，我們也重現了這個問題。針對指定兩行保存警告的日文標籤，我們執行 3 次：一次完全正確，一次有一個字變形，另一次直接換錯兩個字（読 變成 認，保管 變成 保宜），其餘部分則是一張毫無瑕疵的極簡標籤：

規律很明確，而且問題範圍異常集中：模型自己撰寫的文字很乾淨；要求它逐字轉寫時，字形才會出錯。中文提示詞的測試也從另一面證實這一點。模型沒有收到標籤文字指示，卻自行為 3 個分類箱加上「加急、普通、存档」，每個漢字都完全正確：

我們測試的所有語言中，模型自行產生的文字都很穩定。用於 mockup、分鏡和版面草稿時，文字生成確實已達可上線水準。但如果指定字串不能出任何錯，例如法遵聲明、規格數值或法律文字，就必須逐字校對，或事後疊加真正的文字。

4,500 token 提示詞視窗實際能帶來什麼？

空間免費，但要用等待時間來換。這次更新的主打能力是指令容量：提示詞長度是前代的 4.5 倍。我們逐步增加長度測試，沒有碰到明確上限。估計為 4,200，甚至 5,000 token 的填充提示詞都順利接受，沒有錯誤。因此至少在我們能測到的邊界上，系統不會依照文件上限直接拒絕請求；按張計費也不會因此增加費用。長提示詞真正增加的是延遲，而且波動很大：一般短提示詞需 58-85 秒；兩次 1,000 token 測試分別花了 85 和 120 秒；4,200 token 測試耗時 241 秒；5,000 token 卻只用了 88 秒。整體趨勢向上，但變異範圍很廣。使用這個視窗時，該預留的是執行時間，不是費用。

它在圖片生成模型中排在哪裡？

它是整個模型目錄中最慢的，而且差距很大。這是主打「實用，而不只是漂亮」所付出的實際代價。以下為同一天、同一提示詞在各模型上的計時結果：

這裡有兩點需要說明。第一，前代並未淘汰：qwen-image-2.0 的生成時間只有它的六分之一。大量產生簡單素材時，吞吐量仍然占優勢。3.0 多花的時間，價值體現在 2.0 無法處理的複雜版面、大量文字和高密度指令。第二，Alibaba 現在同時提供兩條圖片產品線：Qwen-Image，以及通義萬相系列的 wan2.7-image。後者快了 3 倍。如果已經採用 Alibaba 生態系，而且重點是視覺美感而非文件生成，就值得比較另一條產品線。

目前容量仍然只有 beta 階段的水準，部署規劃時必須納入考量。研究進行到一半時，我們大約連續生成十幾張圖，就撞到上游速率配額；免費方案的相關報告也提到，連續呼叫同樣會遇到 429。這次無法像往常一樣提供 benchmark 驗證：發布時沒有 benchmark、權重或技術報告，價目表也到上線一週後才公布，因此大多數說法都沒有官方資料可供比對。以上結果全部來自我們自己的計量與測試。不同供應商的每張圖片費率可能不同，請以第一張帳單為準，不要依賴第三方猜測。

常見問題

Qwen-Image 3.0 每張圖片多少錢？

依照 DashScope 公布的費率，兩種解析度級距都是每張輸出圖片 $0.03；輸入圖片（編輯流程）每張 $0.003；任何長度的文字提示詞都不計費。這比 qwen-image-2.0 的 $0.035 更便宜。pro SKU 則分級計價：1K 級輸出為 $0.04，2K 為 $0.075。

Qwen-Image 3.0 真的能一次生成 9 張圖片嗎？

如果是合成一張圖片，可以：3x3 網格提示詞成功生成了全部 9 個不同場景，而且只按一張 1K 級圖片計費。如果是 API 批次，則不行：n 上限為 4，批次中的每張圖片都會分別計費。需要的是聯絡表式輸出，而非獨立檔案時，網格形式最省成本。

Qwen-Image 3.0 的小字能用於正式環境嗎？

模型自行編寫的文字可以。我們測試英文、中文和日文時，模型自行產生的標籤與文案都正確。指定字串則不行：我們明確提供的註腳在 3 次英文測試中全部拼錯；3 次日文測試中，也有 2 次至少改錯一個字。指定的小字必須逐字校對，或使用真正的字型事後疊加。

我應該從 Qwen-Image 2.0 升級嗎？

只有在工作內容是 2.0 做不到的事情時才需要：高密度版面、文件式頁面、很長的多段指令，以及圖片內文字。相同按張計費方式下，2.0 生成標準場景約需 10 秒，3.0 則要 58-85 秒，因此重視吞吐量的工作負載應維持現狀。3.0 適合指令密集型生成，不是直接取代前代的通用升級。

測量期間為 2026-08-05 至 2026-08-06，透過 Synthorai 閘道執行，當天 qwen-image-3.0 才剛上線此商用路由（當時尚未提供 -pro 級距）。測試內容包括計費方式與圖片尺寸級距、批次上限與網格構圖、長提示詞接受度階梯測試（依單字數估計填充長度為 1,000 / 4,200 / 5,000 token；圖片 API 不會回傳提示詞 token 數量）、中文與日文提示詞、多次執行的小字生成，以及同一天以相同提示詞比較模型目錄中 6 個模型的執行時間。本文展示的生成圖片皆為未經編輯的測試輸出。金額採用 DashScope 在發布一週後公布的價目表，其 usage 計算方式與我們的實測結果一致；gpt-image-2 的每張圖片費用範圍，是將實測 token 數量套用先前圖片研究中確認的費率計算而得。隨著 beta 版本逐漸成熟，模型行為可能改變。

← 返回部落格