Qwen-Image, Z-Image и FLUX.2 [klein]: различия между тремя маршрутами открытого изображения

ОТКРЫТЫЕ ГЕНЕРАТИВНЫЕ МОДЕЛИ ИЗОБРАЖЕНИЙ / ТЕХНИЧЕСКИЙ ОБЗОР

Открытые модели генерации изображений давно различаются не только тем, насколько правдоподобной выходит одна картинка. Qwen-Image концентрирует ресурсы на сложной типографике и редактировании с двойным кодированием; Z-Image строит однопоточный DiT на 6B параметров и дистиллирует его до восьми проходов сети; FLUX.2 [klein] умещает генерацию и мультиреференсное редактирование в компактную четырёхшаговую модель на rectified flow. Все три принадлежат одному поколению релизов, но тратят ёмкость модели на разные задачи.

Диффузия и flow matching

Компактная формулировка цели flow matching — L_FM=E||v_θ(x_t,t,c)-u_t||². Меньше шагов — меньше вычислений функции, но дистиллированные и обычные модели нельзя сравнивать только по числу шагов.

Три пути релиза

Qwen-Image делает ставку на сложный рендеринг текста и точное редактирование. Z-Image-Turbo дистиллирует траекторию генерации. FLUX.2 Klein добавляет несколько референсных изображений в условие редактирования. Число параметров и число шагов принадлежат каждому проекту по отдельности, и выстроить их в единый рейтинг нельзя без учёта типа входа и задачи.

От качества картинки к типографике и редактируемой идентичности

Рендеринг текста оставался трудным и после того, как общее качество изображений выросло: слово — не просто ещё одна текстура. Порядок символов, форма глифов, переносы строк и компоновка должны согласовываться одновременно. Qwen-Image решает это за счёт крупного конвейера данных и учебной программы, которая идёт от простых строк к описаниям уровня абзаца.

Редактирование обнажает второй конфликт: модель должна изменить то, что названо в инструкции, сохранив идентичность, материал и нетронутые области. Qwen-Image кодирует исходник через Qwen2.5-VL и VAE, получая семантическую и реконструктивную информацию. Z-Image и FLUX.2 [klein] организуют эти условия иначе — поэтому общий ярлык «модель изображений» скрывает важные архитектурные решения.

**Официальная демонстрационная лента портретов Qwen-Image**Ресурс из репозитория используется только для показа диапазона визуальной генерации Qwen-Image.Официальный источник: assets/magicbeauty.png

Как пространственные токены меняют стоимость генерации

M_peak\approxM_weights + M_text + M_VAE + M_attn(H,W) + M_sampler

M_weightsвеса модели
M_attn(H,W)состояние внимания, зависящее от холста
M_samplerсэмплер и латентное состояние

Число параметров описывает ёмкость модели, но напрямую не определяет стоимость одного изображения. С ростом холста промежуточные состояния внимания и признаки VAE масштабируются вместе с пространственными токенами, а композиция, типографика и детализация дополнительно зависят от настройки сэмплирования.

Qwen-Image использует MMDiT на 20B, Z-Image — масштабируемый однопоточный DiT на 6B, а FLUX.2 [klein] — трансформер на rectified flow с 9B параметрами и текстовым энкодером Qwen3 на 8B. Стоимость холста поэтому складывается из длины пространственной последовательности и очень разной ширины моделей и траекторий сэмплирования.

Статью, код и веса можно отследить через Qwen-Image, Z-Image и карточку модели FLUX.2 Klein 9B.

**Официальная схема архитектуры Z-Image**Однопоточный DiT и единая последовательность текстовых и визуальных токенов взяты из оригинальной схемы проекта Z-Image.Официальный источник: assets/architecture.webp

Архитектура, линия релизов и траектория сэмплирования

Полезное сравнение — не единый эстетический итог. Важно то, как каждый проект организует условия, какую стадию чекпоинта публикует и что меняет дистилляция.

Модель	Архитектура или свидетельства	Рамки
Qwen-Image	MMDiT на 20B; семантическое и VAE-кодирование исходника для редактирования	Apache 2.0; отдельные релизы генерации и редактирования
Z-Image	S3-DiT на 6B; текстовые, визуально-семантические и VAE-токены в одном потоке	Apache 2.0; базовая ветка, Turbo на восемь NFE и ветка редактирования
FLUX.2 [klein] 9B	Rectified flow на 9B плюс текстовый энкодер Qwen3 на 8B; дистилляция до четырёх шагов	Некоммерческие веса 9B; единое мультиреференсное редактирование

**Официальные примеры редактирования Z-Image**Демонстрация проекта охватывает замену текста по инструкции, смену объекта и правки сцены.Официальный источник: assets/showcase_editing.png

Как условия попадают в латентное пространство

Почему последние символы всё ещё дают сбои

Генератор выдаёт пиксели, а не редактируемые символьные объекты. Он должен вывести запрошенную строку, выбрать её масштаб и перспективу, а затем восстановить каждый штрих на латентном холсте. Чем длиннее текст, тем меньше пространства для локальной ошибки, а китайские глифы добавляют плотную структуру штрихов. Обучение типографике улучшает эту цепочку, не превращая результат в вёрстку документа.

Разрешение даёт мелким глифам больше пространственных токенов, но одновременно удлиняет визуальную последовательность и раздувает состояние внимания. Чёткость шрифта и вычислительные затраты поэтому растут вместе; дистиллированная траектория может сохранить крупную композицию, но потерять последние штрихи.

Открытые веса по-прежнему идут с разными условиями и ограничениями

Qwen-Image и Z-Image распространяются в репозиториях под Apache 2.0. FLUX.2 [klein] 9B выпущен по FLUX Non-Commercial License. Скачиваемые веса поэтому не дают одинаковых прав на коммерческое использование, распространение и производное обучение.

Карточка модели FLUX.2 также указывает, что отрисованный текст может быть неточным и что модель не предоставляет фактических сведений. Разборчивое число в инфографике — всё ещё сгенерированный контент, а не доказательство утверждения, напечатанного рядом.

Статьи и публичные материалы по Qwen-Image

Названия моделей, числа и ограничения восходят к статьям, репозиториям и карточкам моделей ниже.