মডেল
Qwen-Image, Z-Image এবং FLUX.2 [klein]: তিনটি খোলা ছবি রুটের মধ্যে পার্থক্য
ওপেন ইমেজ মডেল/টেকনোলজি ওভারভিউ
ওপেন ইমেজ মডেল/টেকনোলজি ওভারভিউ
© 2026 টেলকনেট। সর্বস্বত্ব সংরক্ষিত।
উন্মুক্ত ইমেজ মডেল / প্রযুক্তিগত পর্যালোচনা
উন্মুক্ত ইমেজ মডেলের পার্থক্য এখন আর শুধু তৈরি ছবিটি কতটা বিশ্বাসযোগ্য দেখায়, তা দিয়ে মাপা হয় না। Qwen-Image জটিল টাইপোগ্রাফি ও দ্বৈত-এনকোডেড এডিটিংয়ে সামর্থ্য কেন্দ্রীভূত করেছে; Z-Image একটি 6B একক-স্রোত DiT তৈরি করে তাকে মাত্র আটটি নেটওয়ার্ক মূল্যায়নে ডিস্টিল করেছে; FLUX.2 [klein] জেনারেশন ও বহু-রেফারেন্স এডিটিংকে একটি কমপ্যাক্ট চার-ধাপ rectified-flow মডেলে ঢেলেছে। তিনটিই একই প্রজন্মের রিলিজ, তবে মডেল সামর্থ্য খরচ হয়েছে ভিন্ন ভিন্ন সমস্যায়।
সংক্ষিপ্ত ফ্লো-ম্যাচিং উদ্দেশ্যটি হলো L_FM=E||v_θ(x_t,t,c)-u_t||²। কম ধাপ মানে কম ফাংশন মূল্যায়ন, তবে ডিস্টিল করা ও না-করা মডেলকে শুধু ধাপের সংখ্যা দিয়ে তুলনা করা যায় না।
Qwen-Image জটিল টেক্সট রেন্ডারিং ও নির্ভুল এডিটিংয়ে জোর দেয়। Z-Image-Turbo জেনারেশন ট্রাজেক্টরিকে ডিস্টিল করে। FLUX.2 Klein তার এডিটিং শর্তে একাধিক রেফারেন্স ছবি যুক্ত করে। প্যারামিটার সংখ্যা ও ধাপের সংখ্যা প্রতিটি প্রকল্পের নিজস্ব বৈশিষ্ট্য; ইনপুটের ধরন ও কাজ না জেনে এদের র্যাংক করা সম্ভব নয়।
সাধারণ ছবির মান উন্নত হওয়ার পরও টেক্সট রেন্ডারিং কঠিন রয়ে গেছে, কারণ শব্দ হলো আরেকটি টেক্সচার নয়। অক্ষরের ক্রম, গ্লিফের আকৃতি, লাইন ভাঙা ও লেআউট—সবকিছুকে একসাথে মিলতে হয়। Qwen-Image এ সমস্যার মোকাবিলা করে বিশাল ডেটা পাইপলাইন ও এমন একটি কারিকুলাম দিয়ে, যা সরল স্ট্রিং থেকে ধাপে ধাপে অনুচ্ছেদ-স্তরের বর্ণনায় এগিয়ে যায়।
এডিটিং উন্মোচন করে দ্বিতীয় একটি দ্বন্দ্ব: মডেলকে নির্দেশনায় যা বলা হয়েছে ঠিক তাই বদলাতে হয়, অথচ পরিচয়, উপাদান ও না-ছোঁয়া অংশ অক্ষত রাখতে হয়। Qwen-Image শব্দার্থগত ও পুনর্গঠনমূলক তথ্যের জন্য সোর্সকে Qwen2.5-VL ও একটি VAE দিয়ে এনকোড করে। Z-Image ও FLUX.2 [klein] এই শর্তগুলো সাজায় ভিন্নভাবে—এ কারণেই একই “ইমেজ মডেল” লেবেল গুরুত্বপূর্ণ আর্কিটেকচারাল সিদ্ধান্তগুলোকে ঢেকে রাখে।
M_peak≈M_weights+M_text+M_VAE+M_attn(H,W)+M_samplerM_weightsমডেল ওজনM_attn(H,W)ক্যানভাস-নির্ভর অ্যাটেনশন স্টেটM_samplerস্যাম্পলার ও ল্যাটেন্ট স্টেটপ্যারামিটার সংখ্যা মডেলের সামর্থ্য বর্ণনা করে, কিন্তু একটি ছবির খরচ সরাসরি নির্ধারণ করে না। ক্যানভাস বড় হওয়ার সঙ্গে সঙ্গে অ্যাটেনশনের মধ্যবর্তী অবস্থা ও VAE ফিচার স্পেশিয়াল টোকেনের সঙ্গে বাড়ে; এদিকে কম্পোজিশন, টাইপোগ্রাফি ও বিস্তারিতও সাড়া দেয় স্যাম্পলিং সেটআপের ওপর।
Qwen-Image ব্যবহার করে 20B MMDiT, Z-Image ব্যবহার করে 6B স্কেলেবল একক-স্রোত DiT, আর FLUX.2 [klein] ব্যবহার করে 9B rectified-flow ট্রান্সফরমার সঙ্গে 8B Qwen3 টেক্সট এম্বেডার। ফলে ক্যানভাসের খরচ গঠিত হয় স্পেশিয়াল সিকোয়েন্স দৈর্ঘ্য, একেবারে ভিন্ন ভিন্ন মডেল প্রস্থ ও স্যাম্পলিং ট্রাজেক্টরির সম্মিলনে।
পেপার, কোড ও ওজন অনুসরণ করা যায় Qwen-Image, Z-Image এবং FLUX.2 Klein 9B মডেল কার্ডের মাধ্যমে।
অর্থবহ তুলনাটি কোনো একক নান্দনিক মোট নয়। আসল বিষয় হলো প্রতিটি প্রকল্প শর্তগুলো কীভাবে সাজায়, কোন চেকপয়েন্ট পর্যায়টি প্রকাশ করে, এবং ডিস্টিলেশন ঠিক কী বদলে দেয়।
| মডেল | আর্কিটেকচার বা প্রমাণ | পরিধি |
|---|---|---|
| Qwen-Image | 20B MMDiT; এডিটিংয়ের জন্য শব্দার্থগত ও VAE সোর্স এনকোডিং | Apache 2.0; জেনারেশন ও আলাদা এডিট রিলিজ |
| Z-Image | 6B S3-DiT; টেক্সট, ভিজ্যুয়াল-সেম্যান্টিক ও VAE টোকেন একই স্রোতে | Apache 2.0; বেস, আট-NFE Turbo ও এডিট শাখা |
| FLUX.2 [klein] 9B | 9B rectified flow সঙ্গে 8B Qwen3 টেক্সট এম্বেডার; চার-ধাপ ডিস্টিলেশন | অ-বাণিজ্যিক 9B ওজন; একীভূত বহু-রেফারেন্স এডিটিং |
জেনারেটর সম্পাদনাযোগ্য অক্ষর-অবজেক্ট নয়, পিক্সেলই তৈরি করে। তাকে অনুমান করতে হয় কোন স্ট্রিং চাওয়া হয়েছে, ঠিক করতে হয় তার আকার ও দৃষ্টিকোণ, তারপর ল্যাটেন্ট ক্যানভাসে প্রতিটি আঁচড় নতুন করে গড়তে হয়। লম্বা টেক্সটে স্থানীয় ভুলের জায়গা কমে যায়, আর চীনা গ্লিফে যুক্ত হয় ঘন আঁচড়ের কাঠামো। টাইপোগ্রাফি প্রশিক্ষণ এই শৃঙ্খলাকে উন্নত করে, তবে আউটপুটকে টাইপসেট ডকুমেন্টে বদলে দেয় না।
রেজোলিউশন ছোট গ্লিফকে দেয় বেশি স্পেশিয়াল টোকেন, কিন্তু সঙ্গে সঙ্গে ভিজ্যুয়াল সিকোয়েন্সও লম্বা করে ও অ্যাটেনশন স্টেট বাড়ায়। তাই স্পষ্টতর অক্ষর ও বেশি কম্পিউট একসাথেই বাড়ে; ডিস্টিল করা ট্রাজেক্টরি বড় কম্পোজিশন ধরে রাখলেও শেষ কয়েকটি আঁচড় হারিয়ে ফেলতে পারে।
Qwen-Image ও Z-Image ব্যবহার করে Apache 2.0 রিপোজিটরি। FLUX.2 [klein] 9B প্রকাশিত হয়েছে FLUX Non-Commercial License-এর অধীনে। তাই ডাউনলোডযোগ্য ওজন থাকা মানে বাণিজ্যিক ব্যবহার, পুনঃবিতরণ বা ডেরিভেটিভ প্রশিক্ষণে একই অধিকার পাওয়া যাচ্ছে না।
FLUX.2 মডেল কার্ডে আরও বলা হয়েছে যে রেন্ডার করা টেক্সট ভুল হতে পারে এবং মডেলটি তথ্যগত তথ্য দেয় না। ইনফোগ্রাফিকে পড়া যায় এমন কোনো সংখ্যাও মূলত জেনারেট করা কনটেন্ট—পাশে লেখা দাবির প্রমাণ নয়।
মডেলের নাম, সংখ্যা ও সীমাবদ্ধতার উৎস নিচের পেপার, রিপোজিটরি বা মডেল কার্ডগুলো।