Модель
Qwen-Image, Z-Image і FLUX.2 [klein]: відмінності між трьома маршрутами відкритого зображення
Відкрити зображення моделі/огляд технології
Відкрити зображення моделі/огляд технології
© 2026 TelkNet. Всі права захищені.
ВІДКРИТІ МОДЕЛІ ЗОБРАЖЕНЬ / ТЕХНІЧНИЙ ОГЛЯД
Відкриті моделі зображень уже не різняться лише тим, наскільки переконливо виглядає одна згенерована картинка. Qwen-Image зосереджує обчислювальну потужність на складній типографіці та редагуванні з подвійним кодуванням; Z-Image будує однопотокову DiT на 6B і дистилює її до восьми обчислень мережі; FLUX.2 [klein] вміщує генерацію та редагування за кількома референсами в компактну чотирикрокову модель rectified flow. Усі вони належать до одного покоління релізів, але витрачають ресурси моделі на різні задачі.
Компактна цільова функція flow matching: L_FM=E||v_θ(x_t,t,c)-u_t||². Менша кількість кроків зменшує число обчислень функції, проте дистильовані й недистильовані моделі не можна порівнювати лише за кількістю кроків.
Qwen-Image робить наголос на складному рендерингу тексту та точному редагуванні. Z-Image-Turbo дистилює траєкторію генерації. FLUX.2 Klein додає кілька референсних зображень до своєї умови редагування. Кількість параметрів і кількість кроків належать кожному проєкту окремо, і їх не можна зводити в рейтинг без урахування типу вхідних даних і задачі.
Рендеринг тексту лишався складним і після того, як загальна якість зображень зросла, адже слово — не просто ще одна текстура. Порядок символів, форма гліфів, переноси рядків і компонування мусять узгоджуватися одночасно. Qwen-Image працює над цим через великий конвеєр даних і навчальну програму, що просувається від простих рядків до описів на рівні абзацу.
Редагування відкриває другий конфлікт: модель мусить змінити те, що називає інструкція, зберігши ідентичність, матеріал і недоторкані ділянки. Qwen-Image кодує джерело через Qwen2.5-VL і VAE, щоб отримати семантичну та реконструктивну інформацію. Z-Image і FLUX.2 [klein] організовують ці умови інакше, тож спільний ярлик «модель зображень» приховує важливі архітектурні рішення.
M_peak≈M_weights+M_text+M_VAE+M_attn(H,W)+M_samplerM_weightsваги моделіM_attn(H,W)стан уваги, що залежить від полотнаM_samplerсемплер і латентний станКількість параметрів описує ємність моделі, але не визначає напряму вартість одного зображення. Зі зростанням полотна проміжні стани уваги та ознаки VAE масштабуються разом із просторовими токенами, а композиція, типографіка й деталізація водночас реагують на налаштування семплювання.
Qwen-Image використовує MMDiT на 20B, Z-Image — масштабовану однопотокову DiT на 6B, а FLUX.2 [klein] — трансформер rectified flow на 9B із текстовим ембедером Qwen3 на 8B. Вартість полотна, отже, поєднує довжину просторової послідовності з дуже різною шириною моделей і траєкторіями семплювання.
Статтю, код і ваги можна відстежити через Qwen-Image, Z-Image та картку моделі FLUX.2 Klein 9B.
Корисне порівняння — не єдина естетична оцінка. Важливо те, як кожен проєкт організовує умови, який етап чекпойнта він публікує і що змінює дистиляція.
| Модель | Архітектура або докази | Обсяг |
|---|---|---|
| Qwen-Image | MMDiT на 20B; семантичне та VAE-кодування джерела для редагування | Apache 2.0; генерація та окремі релізи редагування |
| Z-Image | S3-DiT на 6B; текстові, візуально-семантичні та VAE-токени в одному потоці | Apache 2.0; базова, восьмикрокова Turbo з NFE та гілки редагування |
| FLUX.2 [klein] 9B | rectified flow на 9B плюс текстовий ембедер Qwen3 на 8B; чотирикрокова дистиляція | Некомерційні ваги 9B; уніфіковане редагування за кількома референсами |
Генератор видає пікселі, а не редаговані символьні об'єкти. Він мусить зрозуміти запитаний рядок, обрати його масштаб і перспективу, а тоді відтворити кожен штрих на латентному полотні. Довший текст лишає менше простору для локальної помилки, а китайські гліфи додають щільної штрихової структури. Типографічне тренування зміцнює цей ланцюжок, не перетворюючи результат на верстаний документ.
Роздільна здатність дає дрібним гліфам більше просторових токенів, але водночас подовжує візуальну послідовність і збільшує стан уваги. Чіткіший шрифт і вищі обчислення тому зростають разом; дистильована траєкторія може зберегти велику композицію, втративши останні кілька штрихів.
Qwen-Image і Z-Image використовують репозиторії Apache 2.0. FLUX.2 [klein] 9B випущено за ліцензією FLUX Non-Commercial License. Тож завантажувані ваги не надають однакових прав на комерційне використання, поширення чи похідне тренування.
Картка моделі FLUX.2 також зазначає, що зрендерений текст може бути неточним і що модель не надає фактичної інформації. Розбірливе число в інфографіці — це досі згенерований контент, а не доказ твердження, надрукованого поруч.
Назви моделей, числа та обмеження відстежуються до наведених нижче статей, репозиторіїв і карток моделей.