モデル
Qwen-Image、Z-Image、および FLUX.2 [klein]: 3 つのオープン画像ルートの違い
Open Image モデル/テクノロジーの概要
Open Image モデル/テクノロジーの概要
© 2026 TelkNet。無断転載を禁じます。
オープン画像モデル / テクニカルレビュー
オープンな画像モデルの違いは、もはや1枚の生成画像にどれだけ説得力があるかだけでは測れない。Qwen-Imageは複雑なタイポグラフィと二重エンコードによる編集に容量を集中させ、Z-Imageは6BのシングルストリームDiTを組み上げて8回のネットワーク評価まで蒸留し、FLUX.2 [klein]は生成とマルチ参照編集をコンパクトな4ステップのrectified-flowモデルに収めた。同じ世代のリリースでありながら、モデルの容量を注ぎ込む問題はそれぞれ異なる。
コンパクトなフローマッチングの目的関数はL_FM=E||v_θ(x_t,t,c)-u_t||²と書ける。ステップ数を減らせば関数評価の回数は減るが、蒸留モデルと非蒸留モデルをステップ数だけで比較することはできない。
Qwen-Imageは複雑なテキスト描画と精密な編集を重視する。Z-Image-Turboは生成軌跡を蒸留する。FLUX.2 Kleinは編集条件に複数の参照画像を加える。パラメータ数とステップ数は各プロジェクトに紐づく値であり、入力の種類とタスクを抜きに順位付けはできない。
全体的な画質が向上した後もテキスト描画が難しいままだったのは、単語が単なるもう1つのテクスチャではないからだ。文字の並び、グリフの形、改行、レイアウトが同時に整合しなければならない。Qwen-Imageは大規模なデータパイプラインと、単純な文字列から段落レベルの記述へ進むカリキュラムでこの課題に取り組む。
編集には2つ目の緊張がある。指示が名指す部分を変えつつ、同一性、材質、手つかずの領域は保たなければならない。Qwen-ImageはQwen2.5-VLとVAEでソースをエンコードし、意味情報と再構成情報を取り出す。Z-ImageとFLUX.2 [klein]はこれらの条件を別の形で組織しており、「画像モデル」という共通のラベルが重要なアーキテクチャ上の選択を隠してしまうのはそのためだ。
M_peak≈M_weights+M_text+M_VAE+M_attn(H,W)+M_samplerM_weightsモデルの重みM_attn(H,W)キャンバスに依存するアテンション状態M_samplerサンプラーと潜在状態パラメータ数はモデルの容量を表すが、1枚の画像のコストを直接決めるわけではない。キャンバスが大きくなると、アテンションの中間表現とVAEの特徴は空間トークンに比例して増え、構図、タイポグラフィ、ディテールもサンプリング設定の影響を受ける。
Qwen-Imageは20BのMMDiT、Z-Imageは6BのスケーラブルなシングルストリームDiT、FLUX.2 [klein]は8BのQwen3テキストエンベッダーを持つ9Bのrectified-flowトランスフォーマーを採用する。キャンバスコストは、空間シーケンス長と、大きく異なるモデル幅、サンプリング軌跡の組み合わせで決まる。
論文、コード、重みは、Qwen-Image、Z-Image、FLUX.2 Klein 9Bのモデルカードからたどれる。
有用な比較は、1つの美的な総合点ではない。各プロジェクトが条件をどう組織し、どのチェックポイント段階を公開し、蒸留が何を変えるかだ。
| モデル | アーキテクチャまたは根拠 | 範囲 |
|---|---|---|
| Qwen-Image | 20B MMDiT。編集向けの意味エンコードとVAEソースエンコード | Apache 2.0。生成と編集は別リリース |
| Z-Image | 6B S3-DiT。テキスト・視覚意味・VAEトークンを1つのストリームに統合 | Apache 2.0。base、8-NFE Turbo、editの各ブランチ |
| FLUX.2 [klein] 9B | 9B rectified flowと8B Qwen3テキストエンベッダー。4ステップ蒸留 | 非商用の9B重み。マルチ参照編集を統合 |
ジェネレーターが出力するのは編集可能な文字オブジェクトではなくピクセルだ。要求された文字列を推測し、スケールとパースを決め、潜在キャンバス上ですべてのストロークを再構成しなければならない。テキストが長くなるほど局所的な誤差の余地は狭まり、漢字のグリフは密なストローク構造を加える。タイポグラフィの学習はこの一連の連鎖を改善するが、出力を組版ドキュメントに変えるわけではない。
解像度を上げれば小さなグリフにより多くの空間トークンが割かれるが、視覚シーケンスは長くなり、アテンション状態も増える。より明瞭な文字とより高い計算量はセットで増えることになり、蒸留された軌跡は大きな構図を保ちながら最後の数ストロークを失うこともある。
Qwen-ImageとZ-ImageはApache 2.0のリポジトリを採用する。FLUX.2 [klein] 9BはFLUX Non-Commercial Licenseで公開されている。したがって、ダウンロード可能な重みが、商用利用、再配布、派生学習について同一の権利を与えるわけではない。
FLUX.2のモデルカードは、描画されたテキストが不正確になり得ること、モデルが事実情報を提供するわけではないことも明記している。インフォグラフィックに読み取れる数字があっても、それは生成されたコンテンツであり、隣に書かれた主張の証拠ではない。
モデル名、数値、限界は、以下の論文、リポジトリ、モデルカードにたどれる。