Qwen-Image, Z-Image i FLUX.2 [klein]: Razlike između tri otvorene rute slike

OTVORENI MODELI SLIKA / TEHNIČKI PREGLED

Otvorene modele slika više ne razlikuje samo to koliko uvjerljivo izgleda jedna generisana slika. Qwen-Image koncentriše kapacitet na složenu tipografiju i uređivanje s dvostrukim kodiranjem; Z-Image gradi 6B jednotokovni DiT i destilira ga na osam evaluacija mreže; FLUX.2 [klein] smješta generisanje i uređivanje s više referenci u kompaktan rectified-flow model u četiri koraka. Pripadaju istoj generaciji izdanja, ali kapacitet modela troše na različite probleme.

Difuzija i flow matching

Kompaktan flow-matching cilj je L_FM=E||v_θ(x_t,t,c)-u_t||². Manji broj koraka smanjuje broj evaluacija funkcije, ali destilirane i nedestilirane modele nije moguće porediti samo po broju koraka.

Tri pravca izdanja

Qwen-Image naglašava složeno iscrtavanje teksta i precizno uređivanje. Z-Image-Turbo destilira putanju generisanja. FLUX.2 Klein svom uvjetu uređivanja dodaje više referentnih slika. Broj parametara i broj koraka pripadaju svakom projektu posebno i ne mogu se rangirati bez vrste ulaza i zadatka.

Od kvaliteta slike do tipografije i uredljivog identiteta

Iscrtavanje teksta ostalo je teško i nakon što se opći kvalitet slika popravio, jer riječ nije još jedna tekstura. Redoslijed znakova, oblik glifova, prelamanje redova i raspored moraju se poklopiti istovremeno. Qwen-Image to rješava velikim podatkovnim cjevovodom i kurikulumom koji napreduje od jednostavnih nizova do opisa na razini odlomka.

Uređivanje otkriva drugi sukob: model mora promijeniti ono što instrukcija imenuje, a zadržati identitet, materijal i netaknute dijelove. Qwen-Image kodira izvor kroz Qwen2.5-VL i VAE radi semantičke i rekonstruktivne informacije. Z-Image i FLUX.2 [klein] te uvjete organiziraju drukčije, pa zajednička oznaka „model slike“ skriva važne arhitektonske odluke.

**Službena traka portretnih primjera Qwen-Image**Datoteka iz repozitorija služi samo za prikaz raspona vizualnog generisanja Qwen-Image.Službeni izvor: assets/magicbeauty.png

Kako prostorni tokeni mijenjaju cijenu generisanja slike

M_peak\approxM_weights + M_text + M_VAE + M_attn(H,W) + M_sampler

M_weightstežine modela
M_attn(H,W)stanje pažnje zavisno od platna
M_sampleruzorkovač i latentno stanje

Broj parametara opisuje kapacitet modela, ali ne određuje izravno cijenu jedne slike. Kako platno raste, međurezultati pažnje i VAE značajke skaliraju s prostornim tokenima, dok kompozicija, tipografija i detalji također reagiraju na postavku uzorkovanja.

Qwen-Image koristi 20B MMDiT, Z-Image 6B skalabilni jednotokovni DiT, a FLUX.2 [klein] 9B rectified-flow transformer s 8B Qwen3 embedderom teksta. Cijena platna zato spaja dužinu prostorne sekvence s vrlo različitim širinama modela i putanjama uzorkovanja.

Rad, kod i težine moguće je pratiti kroz Qwen-Image, Z-Image i karticu modela FLUX.2 Klein 9B.

**Službena arhitektura Z-Image**Jednotokovni DiT i objedinjena sekvenca tekstualno-vizualnih tokena dolaze iz originalnog dijagrama projekta Z-Image.Službeni izvor: assets/architecture.webp

Arhitektura, loza izdanja i putanja uzorkovanja

Korisno poređenje nije jedan estetski zbir. Važno je kako svaki projekt organizira uvjete, koju fazu checkpointa objavljuje i šta destilacija mijenja.

Model	Arhitektura ili dokaz	Opseg
Qwen-Image	20B MMDiT; semantičko i VAE kodiranje izvora za uređivanje	Apache 2.0; generisanje i odvojena izdanja za uređivanje
Z-Image	6B S3-DiT; tekstualni, vizualno-semantički i VAE tokeni u jednom toku	Apache 2.0; osnovna, osam-NFE Turbo i grana za uređivanje
FLUX.2 [klein] 9B	9B rectified flow uz 8B Qwen3 embedder teksta; destilacija u četiri koraka	Nekomercijalne 9B težine; objedinjeno uređivanje s više referenci

**Službeni primjeri uređivanja Z-Image**Prezentacija projekta pokriva zamjenu teksta po instrukciji, promjene subjekta i izmjene scene.Službeni izvor: assets/showcase_editing.png

Kako uvjeti ulaze u latentni prostor

Zašto posljednjih nekoliko znakova i dalje podbacuje

Generator isijava piksele, a ne uredljive objekte znakova. Mora zaključiti traženi niz, odabrati njegovu razmjeru i perspektivu, a zatim rekonstruirati svaki potez u latentnom platnu. Duži tekst ostavlja manje prostora za lokalnu grešku, a kineski glifovi dodaju gustu strukturu poteza. Tipografska obuka popravlja taj lanac bez pretvaranja rezultata u složen dokument.

Rezolucija malim glifovima daje više prostornih tokena, ali i produljuje vizualnu sekvencu i povećava stanje pažnje. Jasniji tip i veća računska snaga zato rastu zajedno; destilirana putanja može sačuvati veliku kompoziciju, a izgubiti posljednjih nekoliko poteza.

Otvorene težine i dalje dolaze s različitim uvjetima i granicama

Qwen-Image i Z-Image koriste Apache 2.0 repozitorije. FLUX.2 [klein] 9B objavljen je pod FLUX Non-Commercial License. Težine koje se mogu preuzeti zato ne daju identična prava za komercijalnu upotrebu, redistribuciju ili izvedeno treniranje.

Kartica modela FLUX.2 također navodi da iscrtani tekst može biti netačan i da model ne pruža činjenične informacije. Čitljiv broj u infografici i dalje je generisani sadržaj, a ne dokaz za tvrdnju ispisanu pored njega.

Radovi i javne datoteke za Qwen-Image

Nazivi modela, brojevi i ograničenja vode do radova, repozitorija ili kartica modela u nastavku.