Modell
Qwen-Image, Z-Image und FLUX.2 [klein]: Die Unterschiede zwischen drei offenen Bildrouten
Open Image Modell/Technologieübersicht
Open Image Modell/Technologieübersicht
© 2026 TelkNet. Alle Rechte vorbehalten.
OFFENE BILDMODELLE / TECHNISCHE ANALYSE
Offene Bildmodelle unterscheiden sich nicht mehr nur danach, wie überzeugend ein einzelnes erzeugtes Bild wirkt. Qwen-Image bündelt Kapazität auf komplexe Typografie und doppelt kodiertes Editing; Z-Image baut einen 6B Single-Stream-DiT und destilliert ihn auf acht Netzwerkauswertungen; FLUX.2 [klein] packt Generierung und Multi-Referenz-Editing in ein kompaktes Rectified-Flow-Modell mit vier Schritten. Sie gehören zur selben Release-Generation, investieren ihre Modellkapazität aber in unterschiedliche Probleme.
Ein kompaktes Flow-Matching-Ziel ist L_FM=E||v_θ(x_t,t,c)-u_t||². Weniger Schritte senken die Zahl der Funktionsauswertungen, doch destillierte und nicht destillierte Modelle lassen sich nicht allein über die Schrittzahl vergleichen.
Qwen-Image setzt auf komplexes Text-Rendering und präzises Editing. Z-Image-Turbo destilliert die Generierungstrajektorie. FLUX.2 Klein ergänzt seine Editing-Kondition um mehrere Referenzbilder. Parameterzahl und Schrittzahl gehören zum jeweiligen Projekt und lassen sich ohne Eingabetyp und Aufgabe nicht gegeneinander ranken.
Text-Rendering blieb schwierig, als die allgemeine Bildqualität schon zugelegt hatte, denn ein Wort ist nicht einfach eine weitere Textur. Zeichenfolge, Glyphenform, Zeilenumbruch und Layout müssen gleichzeitig stimmen. Qwen-Image begegnet dem mit einer großen Datenpipeline und einem Curriculum, das von einfachen Strings bis zu Beschreibungen auf Absatzebene fortschreitet.
Editing offenbart einen zweiten Konflikt: Das Modell muss genau das ändern, was die Anweisung benennt, und dabei Identität, Material und unberührte Bereiche bewahren. Qwen-Image kodiert die Quelle über Qwen2.5-VL und einen VAE für semantische wie rekonstruktive Information. Z-Image und FLUX.2 [klein] organisieren diese Konditionen anders — weshalb das gemeinsame Etikett „Bildmodell“ wichtige Architekturentscheidungen verdeckt.
M_peak≈M_weights+M_text+M_VAE+M_attn(H,W)+M_samplerM_weightsModellgewichteM_attn(H,W)formatabhängiger Attention-ZustandM_samplerSampler- und Latent-ZustandDie Parameterzahl beschreibt die Modellkapazität, bestimmt aber nicht direkt die Kosten eines Bildes. Mit wachsender Bildfläche skalieren Attention-Zwischenwerte und VAE-Features mit den räumlichen Tokens, während Komposition, Typografie und Detailtiefe zusätzlich auf das Sampling-Setup reagieren.
Qwen-Image nutzt einen 20B MMDiT, Z-Image einen skalierbaren 6B Single-Stream-DiT und FLUX.2 [klein] einen 9B Rectified-Flow-Transformer mit einem 8B Qwen3 Text Embedder. Die Kosten pro Bildfläche setzen sich daher aus räumlicher Sequenzlänge und sehr unterschiedlichen Modellbreiten und Sampling-Trajektorien zusammen.
Paper, Code und Gewichte lassen sich über Qwen-Image, Z-Image und die Modellkarte von FLUX.2 Klein 9B nachvollziehen.
Der aufschlussreiche Vergleich ist keine ästhetische Gesamtnote. Er fragt, wie jedes Projekt seine Konditionen organisiert, welches Checkpoint-Stadium es veröffentlicht und was die Destillation verändert.
| Modell | Architektur oder Beleg | Einordnung |
|---|---|---|
| Qwen-Image | 20B MMDiT; semantische und VAE-Quellkodierung für Editing | Apache 2.0; Generierungs- und separate Edit-Releases |
| Z-Image | 6B S3-DiT; Text-, visuell-semantische und VAE-Tokens in einem Stream | Apache 2.0; Base-, Acht-NFE-Turbo- und Edit-Branches |
| FLUX.2 [klein] 9B | 9B Rectified Flow plus 8B Qwen3 Text Embedder; Vier-Schritt-Destillation | Nicht-kommerzielle 9B-Gewichte; vereinheitlichtes Multi-Referenz-Editing |
Ein Generator gibt Pixel aus, keine editierbaren Zeichenobjekte. Er muss den gewünschten String erschließen, Skalierung und Perspektive wählen und dann jeden Strich auf der latenten Bildfläche rekonstruieren. Längerer Text lässt weniger Raum für lokale Fehler, und chinesische Glyphen bringen eine dichte Strichstruktur mit. Typografie-Training verbessert diese Kette, ohne die Ausgabe in ein Satzdokument zu verwandeln.
Auflösung gibt kleinen Glyphen mehr räumliche Tokens, verlängert aber auch die visuelle Sequenz und vergrößert den Attention-Zustand. Klarere Schrift und höherer Rechenaufwand steigen daher gemeinsam; eine destillierte Trajektorie kann die große Komposition bewahren und trotzdem die letzten Striche verlieren.
Qwen-Image und Z-Image nutzen Repositories unter Apache 2.0. FLUX.2 [klein] 9B erscheint unter der FLUX Non-Commercial License. Herunterladbare Gewichte gewähren daher keine identischen Rechte für kommerzielle Nutzung, Weitergabe oder abgeleitetes Training.
Die FLUX.2-Modellkarte weist außerdem darauf hin, dass gerenderter Text ungenau sein kann und das Modell keine faktischen Informationen liefert. Eine lesbare Zahl in einer Infografik bleibt generierter Inhalt, kein Beleg für die Behauptung daneben.
Modellnamen, Zahlen und Einschränkungen lassen sich auf die untenstehenden Paper, Repositories oder Modellkarten zurückführen.