Qwen-Image, Z-Image และ FLUX.2 [klein]: ความแตกต่างระหว่างเส้นทางรูปภาพที่เปิดอยู่สามเส้นทาง

โมเดลภาพโอเพนซอร์ส / บทวิจารณ์ทางเทคนิค

โมเดลภาพโอเพนซอร์สไม่ได้แข่งขันกันแค่ว่าใครสร้างภาพได้น่าเชื่อถือกว่ากันอีกต่อไป Qwen-Image ทุ่มกำลังประมวลผลไปที่การเรนเดอร์ตัวอักษรซับซ้อนและการแก้ไขภาพแบบเข้ารหัสสองทาง ขณะที่ Z-Image สร้าง DiT แบบสตรีมเดียวขนาด 6B แล้วกลั่นให้เหลือการประเมินเครือข่ายเพียงแปดครั้ง ส่วน FLUX.2 [klein] รวมทั้งการสร้างภาพและการแก้ไขแบบหลายภาพอ้างอิงไว้ในโมเดล rectified-flow กะทัดรัดที่ใช้เพียงสี่สเต็ป ทั้งสามอยู่ในยุคเปิดตัวเดียวกัน แต่เลือกใช้กำลังของโมเดลกับปัญหาคนละอย่าง

Diffusion กับ flow matching

ฟังก์ชันเป้าหมายของ flow matching ในรูปย่อคือ L_FM=E||v_θ(x_t,t,c)-u_t||² การลดจำนวนสเต็ปช่วยลดจำนวนครั้งที่ต้องประเมินฟังก์ชัน แต่โมเดลที่ผ่านการกลั่นกับโมเดลที่ไม่ได้กลั่นไม่อาจเทียบกันด้วยจำนวนสเต็ปเพียงอย่างเดียว

สามเส้นทางการเปิดตัว

Qwen-Image เน้นการเรนเดอร์ข้อความซับซ้อนและการแก้ไขที่แม่นยำ Z-Image-Turbo กลั่นเส้นทางการสร้างภาพทั้งหมด ส่วน FLUX.2 Klein เพิ่มภาพอ้างอิงหลายภาพเข้าไปในเงื่อนไขการแก้ไข จำนวนพารามิเตอร์และจำนวนสเต็ปเป็นของแต่ละโครงการ จึงจัดอันดับกันไม่ได้หากไม่ระบุประเภทอินพุตและงานที่ทำ

จากคุณภาพภาพสู่ตัวอักษรและตัวตนที่แก้ไขได้

การเรนเดอร์ข้อความยังเป็นเรื่องยากแม้คุณภาพภาพโดยรวมจะดีขึ้นมาก เพราะคำไม่ใช่พื้นผิวลวดลายธรรมดาอีกชนิดหนึ่ง ลำดับตัวอักษร รูปร่างกลีฟ การตัดบรรทัด และการจัดวางต้องสอดคล้องกันพร้อมกัน Qwen-Image รับมือปัญหานี้ด้วยไปป์ไลน์ข้อมูลขนาดใหญ่และหลักสูตรการเรียนรู้ที่ไล่จากสตริงง่าย ๆ ไปจนถึงคำอธิบายระดับย่อหน้า

งานแก้ไขภาพเปิดโปงความขัดแย้งอีกด้านหนึ่ง: โมเดลต้องเปลี่ยนสิ่งที่คำสั่งระบุ ขณะเดียวกันก็ต้องรักษาตัวตน วัสดุ และบริเวณที่ไม่ได้แตะต้องเอาไว้ Qwen-Image เข้ารหัสภาพต้นฉบับผ่าน Qwen2.5-VL และ VAE เพื่อให้ได้ทั้งข้อมูลเชิงความหมายและข้อมูลสำหรับสร้างภาพคืน Z-Image กับ FLUX.2 [klein] จัดระเบียบเงื่อนไขเหล่านั้นต่างกัน นี่คือเหตุที่การเรียกทุกอย่างว่าโมเดลภาพเหมือนกันซ่อนทางเลือกเชิงสถาปัตยกรรมที่สำคัญเอาไว้

**แถบภาพตัวอย่างพอร์ตเทรตอย่างเป็นทางการของ Qwen-Image**ไฟล์จากรีพอซิทอรีใช้เพื่อแสดงขอบเขตการสร้างภาพของ Qwen-Image เท่านั้นแหล่งที่มาอย่างเป็นทางการ: assets/magicbeauty.png

โทเคนเชิงพื้นที่เปลี่ยนต้นทุนการสร้างภาพอย่างไร

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

M_weightsน้ำหนักของโมเดล
M_attn(H,W)สถานะ attention ที่ขึ้นกับขนาดผืนผ้าใบ
M_samplerตัวสุ่มตัวอย่างและสถานะ latent

จำนวนพารามิเตอร์บอกกำลังของโมเดล แต่ไม่ได้กำหนดต้นทุนของภาพหนึ่งภาพโดยตรง เมื่อผืนผ้าใบใหญ่ขึ้น ค่ากลางของ attention และฟีเจอร์ของ VAE จะขยายตามจำนวนโทเคนเชิงพื้นที่ ขณะที่องค์ประกอบภาพ ตัวอักษร และรายละเอียดก็ยังไหวตามการตั้งค่าการสุ่มตัวอย่างด้วย

Qwen-Image ใช้ MMDiT ขนาด 20B, Z-Image ใช้ DiT สตรีมเดียวแบบขยายได้ขนาด 6B และ FLUX.2 [klein] ใช้ทรานส์ฟอร์มเมอร์ rectified-flow ขนาด 9B ร่วมกับ text embedder Qwen3 ขนาด 8B ต้นทุนต่อผืนผ้าใบจึงผสมกันระหว่างความยาวลำดับเชิงพื้นที่ ความกว้างของโมเดลที่ต่างกันมาก และเส้นทางการสุ่มตัวอย่างที่ไม่เหมือนกัน

ติดตามบทความวิชาการ โค้ด และน้ำหนักได้จาก Qwen-Image, Z-Image และการ์ดโมเดลของ FLUX.2 Klein 9B

**สถาปัตยกรรมอย่างเป็นทางการของ Z-Image**DiT แบบสตรีมเดียวและลำดับโทเคนข้อความ-ภาพรวมกันมาจากแผนภาพต้นฉบับของโครงการ Z-Imageแหล่งที่มาอย่างเป็นทางการ: assets/architecture.webp

สถาปัตยกรรม สายการเปิดตัว และเส้นทางการสุ่มตัวอย่าง

การเปรียบเทียบที่มีประโยชน์ไม่ใช่คะแนนความสวยรวมเพียงค่าเดียว แต่คือการดูว่าแต่ละโครงการจัดระเบียบเงื่อนไขอย่างไร เผยแพร่ checkpoint ระยะใด และการกลั่นเปลี่ยนอะไรไปบ้าง

โมเดล	สถาปัตยกรรมหรือหลักฐาน	ขอบเขต
Qwen-Image	MMDiT ขนาด 20B; เข้ารหัสต้นฉบับเชิงความหมายและ VAE สำหรับการแก้ไข	Apache 2.0; แยกรุ่นสร้างภาพกับรุ่นแก้ไขภาพ
Z-Image	S3-DiT ขนาด 6B; โทเคนข้อความ visual-semantic และ VAE ในสตรีมเดียว	Apache 2.0; สาย base, Turbo แบบแปด NFE และสาย edit
FLUX.2 [klein] 9B	rectified flow ขนาด 9B ร่วมกับ text embedder Qwen3 ขนาด 8B; กลั่นเหลือสี่สเต็ป	น้ำหนัก 9B แบบไม่ใช้เชิงพาณิชย์; การแก้ไขแบบหลายภาพอ้างอิงในตัวเดียว

**ตัวอย่างการแก้ไขภาพอย่างเป็นทางการของ Z-Image**ภาพตัวอย่างของโครงการครอบคลุมการแทนที่ข้อความตามคำสั่ง การเปลี่ยนวัตถุหลัก และการแก้ไขฉากแหล่งที่มาอย่างเป็นทางการ: assets/showcase_editing.png

เงื่อนไขเข้าสู่พื้นที่ latent อย่างไร

ทำไมตัวอักษรไม่กี่ตัวสุดท้ายยังพังอยู่ดี

ตัวสร้างภาพปล่อยพิกเซลออกมา ไม่ใช่วัตถุตัวอักษรที่แก้ไขได้ มันต้องเดาสตริงที่ร้องขอ เลือกขนาดและมุมมอง แล้วจึงสร้างทุกเส้นขีดขึ้นใหม่บนผืนผ้าใบ latent ข้อความยิ่งยาวยิ่งเหลือที่ให้ความผิดพลาดเฉพาะจุดน้อยลง และกลีฟภาษาจีนยังเพิ่มโครงสร้างเส้นขีดที่หนาแน่นเข้าไปอีก การฝึกด้านตัวอักษรช่วยปรับปรุงห่วงโซ่นี้ โดยไม่ได้เปลี่ยนผลลัพธ์ให้กลายเป็นเอกสารที่จัดพิมพ์มาแล้ว

ความละเอียดที่สูงขึ้นให้โทเคนเชิงพื้นที่กับกลีฟขนาดเล็กมากขึ้น แต่ก็ยืดลำดับภาพและเพิ่มสถานะ attention ไปด้วย ตัวอักษรที่คมชัดกับกำลังประมวลผลที่สูงขึ้นจึงเติบโตไปด้วยกัน และเส้นทางที่ผ่านการกลั่นอาจรักษาองค์ประกอบใหญ่ไว้ได้ แต่เสียเส้นขีดไม่กี่เส้นสุดท้ายไป

น้ำหนักโอเพนยังมาพร้อมเงื่อนไขและข้อจำกัดที่ต่างกัน

Qwen-Image และ Z-Image ใช้รีพอซิทอรีภายใต้ Apache 2.0 ส่วน FLUX.2 [klein] 9B เผยแพร่ภายใต้ FLUX Non-Commercial License น้ำหนักที่ดาวน์โหลดได้จึงไม่ได้ให้สิทธิเท่ากันในด้านการใช้งานเชิงพาณิชย์ การเผยแพร่ต่อ หรือการฝึกโมเดลอนุพันธ์

การ์ดโมเดลของ FLUX.2 ยังระบุด้วยว่าข้อความที่เรนเดอร์อาจไม่ถูกต้อง และโมเดลไม่ได้ให้ข้อมูลเชิงข้อเท็จจริง ตัวเลขที่อ่านได้ในอินโฟกราฟิกยังคงเป็นเนื้อหาที่สร้างขึ้น ไม่ใช่หลักฐานสนับสนุนข้อกล่าวอ้างที่พิมพ์อยู่ข้าง ๆ

บทความวิชาการและไฟล์สาธารณะของ Qwen-Image

ชื่อโมเดล ตัวเลข และข้อจำกัดทั้งหมดอ้างอิงย้อนไปถึงบทความวิชาการ รีพอซิทอรี หรือการ์ดโมเดลด้านล่าง