Qwen-Image、Z-Image 与 FLUX.2 Klein：三条开放图像路线为何走向不同
从 20B MMDiT、6B 单流 DiT 与 9B rectified flow 出发，解释文字课程学习、少步蒸馏和多参考编辑为何形成三条不同路线。
开放图像模型 / 技术纵览
2025 年以后，开放图像模型的竞争已经越过“能否根据一句话生成像样图像”的早期问题。中文长文字能否落在正确位置，参考图中的人物能否在编辑后保持身份，四步或八步采样能否保住构图，这些要求把模型推向不同方向。Qwen-Image 把主要工程量投向文字与精确编辑；Z-Image 用 6B 单流 DiT 和少步蒸馏追求较小模型的完整生成能力；FLUX.2 [klein] 则把生成、多参考编辑和低步数采样压进同一套紧凑架构。三者并不构成一张总分榜，它们展示了开放图像模型正在形成的三种设计取舍。
1. 从“会画”到“会排字、会编辑”
早期扩散模型最醒目的进步是画面质感：主体轮廓更稳定，光影和材质逐渐接近摄影或成熟插画。文字一直是例外。单个字母可以被模型当作局部纹理模仿，长句却要求顺序、字形、语义和版式同时成立；中文又把这一难度放大，因为汉字数量多，局部笔画对可读性影响很大。海报、菜单、信息图和漫画因此迟迟没有随着“画得更像”自然成熟。
编辑任务暴露了另一处缺口。文字指令要求模型改变某个对象，参考图又要求它保留人物身份、材质、镜头和未编辑区域。单纯增加提示词无法解决这种矛盾：模型既需要理解原图中“是什么”，也要保存原图中“长什么样”。Qwen-Image 的双编码、Z-Image 的统一 token 流和 FLUX.2 [klein] 的多参考接口，正是围绕这两类难题形成的不同答案。
这段演变也改变了“开放模型”的含义。仓库里不再只有一个通用 checkpoint，而是出现基础版、蒸馏版、编辑版和统一版；它们可能共享骨干网络，却处在不同训练阶段，适用的步数、CFG、许可证和微调空间都不同。只写一个模型名，已经不足以描述实际使用的是哪一种能力。
2. 三条路线在同一代模型里分叉
Qwen-Image 的第一版公开于 2025 年 8 月。论文把它描述为 20B 参数的 MMDiT 图像基础模型，文字渲染与精确编辑被放在同等重要的位置。随后出现的 Qwen-Image-2512 与编辑权重继续沿这条路线推进：模型较大，训练目标覆盖广，发布节奏以基础能力和专项权重迭代为主。
Z-Image 从一开始就把“6B 能否达到基础模型水准”作为问题。官方技术报告采用 Scalable Single-Stream Diffusion Transformer（S3-DiT），并把基础生成、Turbo 蒸馏和编辑版本排成一条训练谱系。这里的重点不只是小参数量，也包括单流 token 组织、训练课程和后训练怎样共同减少冗余。
FLUX.2 [klein] 9B 选择了另一种紧凑化方式：9B rectified-flow transformer 搭配 8B Qwen3 文本编码器，文本生成、单参考编辑和多参考生成共用一个模型接口，再把采样压缩到四步。它更像一套面向交互式创作的统一模型，但 9B 权重采用非商业许可证，这一点与 Apache 2.0 的 Qwen-Image、Z-Image 不能混写。
Qwen-Image：文字能力是训练课程，不是一项后处理
Qwen-Image 论文没有把文字问题归结为“多放一些带字图片”。其数据流程包含收集、过滤、标注、合成与重平衡，训练顺序则从非文本到文本、从短字符串到复杂文字输入，再扩展到段落级描述。这个课程学习过程让模型逐渐建立字符、语义和版式之间的对应关系。文字因此进入生成模型的主体能力，而不是在图像完成后再由 OCR 或排版引擎贴上去。
这种设计解释了 Qwen-Image 为什么特别强调中文。英文字母数量有限，字母组合主要沿一维顺序展开；中文海报中的汉字笔画、竖排、字号层级和标点需要更密集的局部控制。模型即便理解了“画一张菜单”，也可能在潜空间里把字形当成相似纹理。数据课程所做的，是反复把这种模糊相似压回可识别字符。
编辑模型为何需要两种原图表示
Qwen-Image 的编辑模块把原图分别送入 Qwen2.5-VL 与 VAE encoder。前者提供语义表示，例如人物、物体关系和场景含义；后者保留重建所需的视觉细节。论文把这种做法称为 dual encoding。若只有语义分支，编辑后的主体可能“还是同一个人设”，但脸、服装纹理和镜头细节已经漂移；若只依赖 VAE 重建，模型又可能忠实复制像素，却没有充分理解指令要求改变什么。
多任务训练同时加入 text-to-image、text-image-to-image 和 image-to-image reconstruction。I2I reconstruction 看似没有创造新内容，却能约束模型：当指令没有要求改变某一区域时，潜表示应当有能力把它还原。这比在输出端简单做一次蒙版粘贴更接近生成过程内部的一致性学习。
Z-Image：把三类 token 放进一条序列
Z-Image 的 S3-DiT 将文本 token、视觉语义 token 与图像 VAE token 在序列维度拼接，然后交给同一条 Transformer 流处理。双流架构通常先让文本和图像各自计算，再在若干层交换信息；单流方案则更早地让不同模态共享注意力和参数。这样做并不自动保证更好，但它为 6B 模型节省了一部分重复结构，也让生成与编辑可以沿相近的骨干网络扩展。
官方模型谱系区分得很清楚：Z-Image 是 50 步左右的基础生成模型，保留 CFG、负面提示和较高多样性；Z-Image-Turbo 经过蒸馏与奖励后训练，以 8 次 DiT 前向为目标，官方配置把 guidance scale 设为 0；Z-Image-Edit 则是面向自然语言编辑的专项版本。Turbo 的速度来自后训练改变了采样轨迹，因此不能把它的 8 步参数照搬给基础版，也不能把 Turbo 的低多样性写成整个 Z-Image 家族的性质。
Decoupled-DMD 如何把五十步压到八步
Z-Image-Turbo 使用的 Decoupled-DMD 把传统 Distribution Matching Distillation 中的两股作用拆开讨论。CFG Augmentation 提供更强的教师方向，推动少步学生靠近高 guidance 的生成分布；Distribution Matching 则约束学生分布不要在压缩轨迹时失稳。官方说明将前者视为主要驱动力，后者更接近正则项。随后加入的奖励后训练继续修正语义对齐、审美与结构一致性。
少步蒸馏并不是把原来的时间步均匀删掉。学生模型学习的是一条新的短轨迹，它用更少的函数评估跨过原本需要几十次迭代的路径。代价通常落在多样性、可微调性或极端提示的稳定性上，所以官方模型表把 Turbo 标为低多样性、不可作为常规微调基座，而基础 Z-Image 仍保留较长采样与负面提示控制。
FLUX.2 [klein]：生成和多参考编辑共用四步模型
FLUX.2 [klein] 9B 是 rectified flow transformer。模型卡给出的结构包括 9B flow model 与 8B Qwen3 text embedder，并通过 step distillation 把默认推理压到四步。与为编辑单独发布 checkpoint 的路线相比，它把文本生成、单参考编辑和多参考生成放进同一模型。输入参考图不只是“风格提示”，还可以分别承担人物、物体、场景或构图条件。
统一接口带来的是条件组合能力，而不是自动解决冲突。两张参考图可能分别要求不同光照和镜头，文本又可能要求改变人物动作；模型需要在共享潜空间里决定哪些特征来自哪张图。多参考编辑的难点由此从“有没有图像条件”转为“条件之间怎样分工”。这也是 FLUX.2 [klein] 与单纯 img2img 强度滑杆的根本区别。
3. 空间 token 决定了画布的计算代价
N=(H/f)·(W/f)
C_attn∝N²·dN进入 Transformer 的空间 token 数fVAE 与 patch embedding 的综合降采样尺度d注意力通道宽度；实现可能用分块或高效内核降低常数
这里的 N² 是解释空间 token 成本的通用近似，不是三篇论文共同给出的性能公式。
参数量主要决定权重存储和每层计算宽度，画布则决定空间序列长度。20B 模型不必在所有分辨率上都比 9B 模型慢同一倍；VAE 压缩率、token 打包、注意力实现和采样步数会改变最终耗时。
文字渲染对高分辨率尤其敏感。画布太小，字符只能占据少量潜 token，笔画容易黏连；画布增大后，局部字形获得更多表示空间，但注意力中间量和 VAE 特征随之增长。清晰度与成本由此同时上升。
这也是少步蒸馏有吸引力的原因：当单步已经很贵，减少 Transformer 前向次数能直接缩短等待时间。不过蒸馏改变了生成轨迹，不能只凭“4 步小于 8 步”推导两套模型的实际速度或质量。
4. 四步、八步与五十步不是一张速度名次表
FLUX.2 [klein] 的四步、Z-Image-Turbo 的八次 NFE 与基础 Z-Image 的 28–50 步来自不同的模型和采样轨迹。一次“step”通常意味着一次主要去噪网络前向，但是否额外执行 CFG、文本编码、VAE 解码，调度器怎样定义时间点，都可能不同。Z-Image-Turbo 官方配置将 guidance scale 设为 0；基础 Z-Image 推荐 3–5 的 guidance，并支持负面提示。后者若使用传统 CFG，单个时间步还可能包含条件与无条件分支。
少步模型的价值应从交互方式理解：用户可以更快地改提示、换构图和迭代参考图。基础模型的价值则在可控性与训练空间，尤其是需要 LoRA、风格微调或较高输出多样性时。二者并非一条从“慢且差”到“快且好”的直线，而是基础模型与蒸馏产品之间的分工。
5. 参数表背后的设计取舍
下表只收录官方论文、仓库与模型卡能够对齐的结构信息。它不把各项目的自报分数拼成总榜。
| 模型 | 骨干与规模 | 公开路线 | 默认少步版本 | 权重许可 |
|---|---|---|---|---|
| Qwen-Image | 20B MMDiT | 生成、文字渲染、独立编辑权重；原图语义/VAE 双编码 | 基础报告不以统一少步版为主线 | Apache 2.0 |
| Z-Image | 6B S3-DiT 单流 | Base、Turbo、Omni-Base、Edit 分处不同训练阶段 | Turbo：8 次 DiT 前向，CFG 关闭 | Apache 2.0 |
| FLUX.2 [klein] 9B | 9B rectified-flow transformer + 8B Qwen3 text embedder | 文本生成、单参考与多参考编辑统一 | step-distilled：4 步 | FLUX Non-Commercial License |
6. 参考图进入模型后，保存与改写同时发生
7. 文字为何仍会在最后几个字上失手
生成模型输出的是像素分布，不是排版软件中的字符对象。提示词给出“2026 开放影像论坛”，模型需要先理解这是一组文字，再决定字号、字距、透视和材质，最后把每个笔画还原到像素。句子越长，可接受的局部误差越少；任何一个近形字、重复字或漏字都会让整段信息失效。Qwen-Image 的课程学习、Z-Image 的双语数据和 FLUX.2 的强文本编码器都在缓解这个问题，但没有把生成图变成可编辑文字图层。
信息图又多了一层约束：数字必须与图形对应，箭头要指向正确对象，标题层级要稳定。模型可以生成视觉上可信的“37.8%”，却无法知道这个数字是否来自真实数据。清晰文字属于图像生成能力，事实正确仍属于内容来源。两者在成图上挨得很近，在技术上却是两件事。
8. 开放权重没有消除模型之间的使用差异
Qwen-Image 与 Z-Image 仓库采用 Apache 2.0，FLUX.2 [klein] 9B 模型卡标注的是 FLUX Non-Commercial License。能下载权重并不等于能够以相同方式用于商业产品、再分发或衍生训练。模型卡还明确列出文字可能失真、提示遵循受写法影响、输出不提供事实信息等限制。
公开演示也不能替代共同实验。Qwen-Image 的优势样例常集中在中文排版与精确编辑，Z-Image-Turbo 展示少步摄影质感，FLUX.2 [klein] 强调多参考交互；每套样例都在回答自己最关心的问题。横向实验应从同一批提示与参考图出发，同时保留各模型的推荐采样设置。把三个不同设计强行塞进同一参数表，只会制造表面公平。
9. 论文、仓库和模型卡构成三条不同的发布线
Qwen-Image 的技术报告与仓库共同说明生成和编辑架构，Z-Image 论文解释单流 S3-DiT 与少步蒸馏，FLUX.2 [klein] 的模型卡则直接约束权重用途。论文回答方法与实验，仓库回答代码和示例，模型卡回答具体 checkpoint、许可与已知限制；三者不能由一个“开放模型”标签代替。
复现实验应按任务保存不同证据。文生图需要提示词、种子、分辨率、步数和 guidance；单图编辑还要保存原图与强度；多参考编辑要记录每张参考的顺序和角色。调度器、VAE、文本编码器或图像预处理任一变化，都可能让同名权重产生不同结果。
版本升级也会改变家族内部含义。Base、Turbo、Edit 和不同参数规模对应各自的训练目标与计算预算，不能按线性质量档位处理。比较记录若只写品牌名，下一次发布后就无法重建当时配置。具体模型 ID、revision、许可文本与推荐参数应和输出一起归档。