Model
Qwen-Image, Z-Image i FLUX.2 [klein]: Różnice pomiędzy trzema otwartymi ścieżkami obrazu
Otwórz przegląd modelu/technologii obrazu
Otwórz przegląd modelu/technologii obrazu
© 2026 TelkNet. Wszelkie prawa zastrzeżone.
OTWARTE MODELE OBRAZOWE / PRZEGLĄD TECHNICZNY
Otwarte modele obrazowe nie różnią się już tylko tym, jak przekonująco wygląda pojedynczy wygenerowany obraz. Qwen-Image koncentruje pojemność na złożonej typografii i edycji z podwójnym kodowaniem; Z-Image buduje jednostrumieniowy DiT o 6B parametrów i destyluje go do ośmiu ewaluacji sieci; FLUX.2 [klein] mieści generację i edycję z wieloma referencjami w kompaktowym, czterokrokowym modelu rectified flow. Należą do tej samej generacji premier, ale wydają pojemność modelu na różne problemy.
Zwarta funkcja celu flow matching to L_FM=E||v_θ(x_t,t,c)-u_t||². Mniej kroków oznacza mniej ewaluacji funkcji, ale modeli destylowanych i niedestylowanych nie da się porównywać wyłącznie liczbą kroków.
Qwen-Image stawia na złożone renderowanie tekstu i precyzyjną edycję. Z-Image-Turbo destyluje trajektorię generacji. FLUX.2 Klein dodaje do warunku edycji wiele obrazów referencyjnych. Liczba parametrów i liczba kroków należą do konkretnego projektu i bez typu danych wejściowych oraz zadania nie da się ich uszeregować.
Renderowanie tekstu pozostało trudne nawet po poprawie ogólnej jakości obrazu, bo słowo to nie kolejna tekstura. Kolejność znaków, kształt glifów, łamanie wierszy i układ muszą zgadzać się jednocześnie. Qwen-Image odpowiada na to rozbudowanym potokiem danych i programem nauczania, który prowadzi od prostych ciągów po opisy na poziomie akapitu.
Edycja odsłania drugi konflikt: model musi zmienić to, co wskazuje instrukcja, zachowując tożsamość, materiał i nietknięte obszary. Qwen-Image koduje źródło przez Qwen2.5-VL oraz VAE, uzyskując informację semantyczną i rekonstrukcyjną. Z-Image i FLUX.2 [klein] organizują te warunki inaczej, dlatego wspólna etykieta „model obrazowy” skrywa istotne decyzje architektoniczne.
M_peak≈M_weights+M_text+M_VAE+M_attn(H,W)+M_samplerM_weightswagi modeluM_attn(H,W)stan uwagi zależny od płótnaM_samplerpróbnik i stan ukrytyLiczba parametrów opisuje pojemność modelu, ale nie wyznacza wprost kosztu jednego obrazu. Wraz ze wzrostem płótna pośrednie reprezentacje uwagi i cechy VAE skalują się z liczbą tokenów przestrzennych, a kompozycja, typografia i detal reagują dodatkowo na ustawienia próbkowania.
Qwen-Image korzysta z 20B MMDiT, Z-Image ze skalowalnego, jednostrumieniowego DiT 6B, a FLUX.2 [klein] z transformera rectified flow 9B z 8B embedderem tekstu Qwen3. Koszt płótna łączy więc długość sekwencji przestrzennej z bardzo różnymi szerokościami modeli i trajektoriami próbkowania.
Artykuł, kod i wagi można śledzić przez Qwen-Image, Z-Image oraz kartę modelu FLUX.2 Klein 9B.
Użyteczne porównanie to nie jedna estetyczna suma. Liczy się to, jak każdy projekt organizuje warunki, który etap checkpointu publikuje i co zmienia destylacja.
| Model | Architektura lub dowód | Zakres |
|---|---|---|
| Qwen-Image | 20B MMDiT; semantyczne i VAE-owe kodowanie źródła na potrzeby edycji | Apache 2.0; osobne premiery generacji i edycji |
| Z-Image | 6B S3-DiT; tokeny tekstowe, wizualno-semantyczne i VAE w jednym strumieniu | Apache 2.0; gałęzie base, Turbo z ośmioma NFE i edit |
| FLUX.2 [klein] 9B | 9B rectified flow plus 8B embedder tekstu Qwen3; czterokrokowa destylacja | Wagi 9B do użytku niekomercyjnego; zunifikowana edycja z wieloma referencjami |
Generator emituje piksele, a nie edytowalne obiekty znaków. Musi wywnioskować żądany ciąg, dobrać jego skalę i perspektywę, a potem zrekonstruować każde kreskowanie na ukrytym płótnie. Dłuższy tekst zostawia mniej miejsca na lokalny błąd, a chińskie glify dokładają gęstą strukturę pociągnięć. Trening typograficzny poprawia ten łańcuch, nie zamieniając wyniku w dokument złożony.
Wyższa rozdzielczość daje małym glifom więcej tokenów przestrzennych, ale też wydłuża sekwencję wizualną i powiększa stan uwagi. Czytelniejsza czcionka i większe obciążenie obliczeniowe rosną więc razem; destylowana trajektoria może przy tym zachować wielką kompozycję, tracąc ostatnie kilka pociągnięć.
Qwen-Image i Z-Image korzystają z repozytoriów na licencji Apache 2.0. FLUX.2 [klein] 9B wydano na licencji FLUX Non-Commercial License. Wagi do pobrania nie dają zatem identycznych praw do użytku komercyjnego, redystrybucji czy treningu pochodnego.
Karta modelu FLUX.2 zastrzega ponadto, że renderowany tekst może być niedokładny, a model nie dostarcza informacji faktycznych. Czytelna liczba na infografice to nadal treść wygenerowana, a nie dowód na tezę wydrukowaną obok.
Nazwy modeli, liczby i ograniczenia można odnaleźć w poniższych artykułach, repozytoriach i kartach modeli.