Modelo
Qwen-Image, Z-Image y FLUX.2 [klein]: Las diferencias entre tres rutas de imágenes abiertas
Open Image Modelo/Descripción general de la tecnología
Open Image Modelo/Descripción general de la tecnología
© 2026 TelkNet. Todos los derechos reservados.
MODELOS ABIERTOS DE IMAGEN / REVISIÓN TÉCNICA
Los modelos abiertos de imagen ya no se diferencian solo por lo convincente que resulta una imagen generada. Qwen-Image concentra su capacidad en tipografía compleja y edición con doble codificación; Z-Image construye un DiT de flujo único de 6B y lo destila hasta ocho evaluaciones de red; FLUX.2 [klein] integra generación y edición con múltiples referencias en un modelo compacto de rectified flow de cuatro pasos. Pertenecen a la misma generación de lanzamientos, pero invierten la capacidad del modelo en problemas distintos.
Un objetivo compacto de flow matching es L_FM=E||v_θ(x_t,t,c)-u_t||². Menos pasos reducen las evaluaciones de función, pero los modelos destilados y no destilados no pueden compararse solo por el número de pasos.
Qwen-Image apuesta por la renderización de texto complejo y la edición precisa. Z-Image-Turbo destila la trayectoria de generación. FLUX.2 Klein incorpora varias imágenes de referencia a su condición de edición. El número de parámetros y de pasos pertenece a cada proyecto y no admite una clasificación sin conocer el tipo de entrada y la tarea.
La renderización de texto siguió siendo difícil incluso después de que mejorara la calidad general de imagen, porque una palabra no es una textura más. El orden de los caracteres, la forma de los glifos, los saltos de línea y la composición deben cuadrar a la vez. Qwen-Image lo aborda con un gran pipeline de datos y un currículo que avanza desde cadenas sencillas hasta descripciones de nivel párrafo.
La edición expone un segundo conflicto: el modelo debe cambiar lo que la instrucción nombra conservando la identidad, el material y las regiones intactas. Qwen-Image codifica la fuente mediante Qwen2.5-VL y un VAE para obtener información semántica y reconstructiva. Z-Image y FLUX.2 [klein] organizan esas condiciones de otra manera, y por eso la etiqueta compartida de «modelo de imagen» oculta decisiones arquitectónicas importantes.
M_peak≈M_weights+M_text+M_VAE+M_attn(H,W)+M_samplerM_weightspesos del modeloM_attn(H,W)estado de atención dependiente del lienzoM_samplermuestreador y estado latenteEl número de parámetros describe la capacidad del modelo, pero no determina directamente el coste de una imagen. A medida que el lienzo crece, los intermedios de atención y las características del VAE escalan con los tokens espaciales, mientras que la composición, la tipografía y el detalle también responden a la configuración del muestreo.
Qwen-Image emplea un MMDiT de 20B, Z-Image un DiT escalable de flujo único de 6B, y FLUX.2 [klein] un transformer de rectified flow de 9B con un codificador de texto Qwen3 de 8B. El coste del lienzo combina, por tanto, la longitud de la secuencia espacial con anchuras de modelo y trayectorias de muestreo muy distintas.
El artículo, el código y los pesos pueden seguirse a través de Qwen-Image, Z-Image y la ficha del modelo FLUX.2 Klein 9B.
La comparación útil no es una puntuación estética total. Es cómo organiza cada proyecto las condiciones, qué etapa de checkpoint publica y qué cambia la destilación.
| Modelo | Arquitectura o evidencia | Alcance |
|---|---|---|
| Qwen-Image | MMDiT de 20B; codificación semántica y VAE de la fuente para edición | Apache 2.0; lanzamientos separados de generación y de edición |
| Z-Image | S3-DiT de 6B; tokens de texto, semánticos visuales y VAE en un solo flujo | Apache 2.0; ramas base, Turbo de ocho NFE y de edición |
| FLUX.2 [klein] 9B | Rectified flow de 9B más codificador de texto Qwen3 de 8B; destilación de cuatro pasos | Pesos 9B no comerciales; edición unificada con múltiples referencias |
Un generador emite píxeles, no objetos de caracteres editables. Debe inferir la cadena solicitada, elegir su escala y perspectiva, y después reconstruir cada trazo en el lienzo latente. El texto más largo deja menos margen para el error local, y los glifos chinos añaden una estructura de trazos densa. El entrenamiento tipográfico mejora esa cadena sin convertir la salida en un documento maquetado.
La resolución da a los glifos pequeños más tokens espaciales, pero también alarga la secuencia visual y aumenta el estado de atención. Tipo más nítido y mayor cómputo suben, por tanto, a la par; una trayectoria destilada puede conservar la composición general mientras pierde los últimos trazos.
Qwen-Image y Z-Image usan repositorios Apache 2.0. FLUX.2 [klein] 9B se publica bajo la FLUX Non-Commercial License. Los pesos descargables no conceden, por tanto, derechos idénticos para uso comercial, redistribución o entrenamiento de derivados.
La ficha del modelo FLUX.2 también advierte de que el texto renderizado puede ser inexacto y de que el modelo no proporciona información factual. Un número legible en una infografía sigue siendo contenido generado, no evidencia de la afirmación impresa junto a él.
Los nombres de modelos, las cifras y las limitaciones se remiten a los artículos, repositorios o fichas de modelo que figuran a continuación.