Qwen-Image, Z-Image og FLUX.2 [klein]: Forskellene mellem tre åbne billedruter
Åben billedmodel/teknologioversigt
ÅBNE BILLEDMODELLER / TEKNISK GENNEMGANG
Åbne billedmodeller adskiller sig ikke længere kun ved, hvor overbevisende ét genereret billede ser ud. Qwen-Image samler kapaciteten om kompleks typografi og dobbeltkodet redigering; Z-Image bygger en 6B single-stream DiT og destillerer den ned til otte netværksevalueringer; FLUX.2 [klein] lægger generering og redigering med flere referencebilleder ind i en kompakt rectified-flow-model med fire trin. De hører til samme generation af udgivelser, men bruger deres modelkapacitet på forskellige problemer.
Diffusion og flow matching
Et kompakt flow-matching-mål er L_FM=E||v_θ(x_t,t,c)-u_t||². Færre trin reducerer antallet af funktionsevalueringer, men destillerede og ikke-destillerede modeller kan ikke sammenlignes alene ud fra trinantal.
Tre udgivelsesspor
Qwen-Image lægger vægt på kompleks tekstgengivelse og præcis redigering. Z-Image-Turbo destillerer genereringsforløbet. FLUX.2 Klein føjer flere referencebilleder til sin redigeringsbetingelse. Parameterantal og trinantal hører til det enkelte projekt og kan ikke rangordnes uden inputtype og opgave.
Fra billedkvalitet til typografi og redigerbar identitet
Tekstgengivelse forblev svær, efter at den generelle billedkvalitet blev bedre, for et ord er ikke bare endnu en tekstur. Tegnrækkefølge, glyfform, linjeskift og layout skal hænge sammen på én gang. Qwen-Image angriber det med en stor datapipeline og et pensum, der bevæger sig fra simple strenge til beskrivelser på afsnitsniveau.
Redigering afslører en anden konflikt: Modellen skal ændre det, instruktionen nævner, samtidig med at den bevarer identitet, materiale og uberørte områder. Qwen-Image koder kilden gennem Qwen2.5-VL og en VAE for at få semantisk og rekonstruktiv information. Z-Image og FLUX.2 [klein] organiserer disse betingelser anderledes, og det er derfor, en fælles »billedmodel«-etiket skjuler vigtige arkitekturvalg.
Sådan ændrer spatiale tokens prisen på billedgenerering
M_peak≈M_weights+M_text+M_VAE+M_attn(H,W)+M_samplerM_weightsmodelvægteM_attn(H,W)lærredsafhængig attention-tilstandM_samplersampler og latent tilstand
Parameterantallet beskriver modellens kapacitet, men bestemmer ikke direkte prisen for ét billede. Når lærredet vokser, skalerer attention-mellemresultater og VAE-træk med antallet af spatiale tokens, mens komposition, typografi og detaljegrad også reagerer på sampling-opsætningen.
Qwen-Image bruger en 20B MMDiT, Z-Image en 6B skalerbar single-stream DiT, og FLUX.2 [klein] en 9B rectified-flow-transformer med en 8B Qwen3-tekstembedder. Prisen for et lærred kombinerer derfor spatial sekvenslængde med meget forskellige modelbredder og samplingforløb.
Artikel, kode og vægte kan følges via Qwen-Image, Z-Image og modelkortet for FLUX.2 Klein 9B.
Arkitektur, udgivelseslinje og samplingforløb
Den brugbare sammenligning er ikke én samlet æstetisk score. Det er, hvordan hvert projekt organiserer betingelserne, hvilket checkpoint-trin det udgiver, og hvad destilleringen ændrer.
| Model | Arkitektur eller dokumentation | Omfang |
|---|---|---|
| Qwen-Image | 20B MMDiT; semantisk og VAE-kildekodning til redigering | Apache 2.0; generering og separate redigeringsudgivelser |
| Z-Image | 6B S3-DiT; tekst-, visuelt-semantiske og VAE-tokens i én strøm | Apache 2.0; base-, otte-NFE-Turbo- og redigeringsgrene |
| FLUX.2 [klein] 9B | 9B rectified flow plus 8B Qwen3-tekstembedder; firetrinsdestillering | Ikke-kommercielle 9B-vægte; samlet redigering med flere referencer |
Sådan kommer betingelser ind i det latente rum
Hvorfor de sidste par tegn stadig går galt
En generator udsender pixels i stedet for redigerbare tegnobjekter. Den skal udlede den ønskede streng, vælge dens skala og perspektiv og derefter rekonstruere hvert enkelt strøg på det latente lærred. Længere tekst giver mindre plads til lokale fejl, og kinesiske glyffer lægger en tæt strøgstruktur oveni. Typografitræning forbedrer den kæde uden at gøre outputtet til et typograferet dokument.
Opløsning giver små glyffer flere spatiale tokens, men forlænger også den visuelle sekvens og øger attention-tilstanden. Klarere skrift og mere regnekraft stiger derfor sammen; et destilleret forløb kan også bevare den store komposition, mens de sidste par strøg går tabt.
Åbne vægte kommer stadig med forskellige vilkår og grænser
Qwen-Image og Z-Image bruger Apache 2.0-repositorier. FLUX.2 [klein] 9B er udgivet under FLUX Non-Commercial License. Downloadbare vægte giver derfor ikke identiske rettigheder til kommerciel brug, videredistribution eller afledt træning.
FLUX.2-modelkortet oplyser også, at gengivet tekst kan være unøjagtig, og at modellen ikke leverer faktuel information. Et læseligt tal i en infografik er stadig genereret indhold, ikke dokumentation for den påstand, der står ved siden af.
Artikler og offentlige filer til Qwen-Image
Modelnavne, tal og begrænsninger kan spores tilbage til artiklerne, repositorierne eller modelkortene nedenfor.