Mô hình
Qwen-Image, Z-Image và FLUX.2 [klein]: Sự khác biệt giữa ba tuyến hình ảnh mở
Tổng quan về mô hình/công nghệ hình ảnh mở
Tổng quan về mô hình/công nghệ hình ảnh mở
© 2026 TelkNet. Đã đăng ký Bản quyền.
MÔ HÌNH ẢNH MỞ / ĐÁNH GIÁ KỸ THUẬT
Các mô hình ảnh mở không còn chỉ khác nhau ở mức độ thuyết phục của một bức ảnh được tạo ra. Qwen-Image dồn năng lực vào việc dàn chữ phức tạp và chỉnh sửa mã hóa kép; Z-Image xây dựng một DiT đơn luồng 6B rồi chưng cất nó xuống còn tám lần đánh giá mạng; FLUX.2 [klein] đưa cả tạo ảnh lẫn chỉnh sửa đa tham chiếu vào một mô hình rectified-flow bốn bước gọn nhẹ. Cả ba thuộc cùng một thế hệ phát hành, nhưng chi dung lượng mô hình cho những vấn đề khác nhau.
Một hàm mục tiêu flow-matching gọn là L_FM=E||v_θ(x_t,t,c)-u_t||². Ít bước hơn đồng nghĩa với ít lần đánh giá hàm hơn, nhưng không thể so sánh mô hình chưng cất với mô hình không chưng cất chỉ qua số bước.
Qwen-Image nhấn mạnh khả năng kết xuất văn bản phức tạp và chỉnh sửa chính xác. Z-Image-Turbo chưng cất quỹ đạo tạo ảnh. FLUX.2 Klein bổ sung nhiều ảnh tham chiếu vào điều kiện chỉnh sửa. Số tham số và số bước thuộc về từng dự án và không thể xếp hạng nếu thiếu loại đầu vào và tác vụ.
Kết xuất văn bản vẫn khó ngay cả sau khi chất lượng ảnh tổng thể đã cải thiện, bởi một từ không đơn giản chỉ là một loại vân bề mặt khác. Thứ tự ký tự, hình dáng nét chữ, ngắt dòng và bố cục phải khớp nhau cùng một lúc. Qwen-Image giải quyết điều này bằng một đường ống dữ liệu lớn và một lộ trình huấn luyện tăng dần từ chuỗi ký tự đơn giản lên mô tả ở cấp độ đoạn văn.
Chỉnh sửa làm lộ ra mâu thuẫn thứ hai: mô hình phải thay đổi đúng thứ mà chỉ lệnh nêu tên, đồng thờ giữ nguyên định danh, chất liệu và những vùng không bị chạm đến. Qwen-Image mã hóa ảnh nguồn qua Qwen2.5-VL và một VAE để lấy cả thông tin ngữ nghĩa lẫn thông tin tái dựng. Z-Image và FLUX.2 [klein] tổ chức các điều kiện đó theo cách khác, và đó là lý do nhãn chung “mô hình ảnh” che giấu những lựa chọn kiến trúc quan trọng.
M_peak≈M_weights+M_text+M_VAE+M_attn(H,W)+M_samplerM_weightstrọng số mô hìnhM_attn(H,W)trạng thái attention phụ thuộc khung vẽM_samplerbộ lấy mẫu và trạng thái latentSố tham số mô tả năng lực mô hình nhưng không trực tiếp quyết định chi phí của một bức ảnh. Khi khung vẽ lớn dần, các kết quả trung gian của attention và đặc trưng VAE tăng theo số token không gian, trong khi bố cục, chữ và chi tiết cũng chịu ảnh hưởng của thiết lập lấy mẫu.
Qwen-Image dùng MMDiT 20B, Z-Image dùng DiT đơn luồng có thể mở rộng 6B, còn FLUX.2 [klein] dùng một rectified-flow transformer 9B với bộ nhúng văn bản Qwen3 8B. Chi phí khung vẽ vì thế kết hợp độ dài chuỗi không gian với những độ rộng mô hình và quỹ đạo lấy mẫu rất khác nhau.
Bài báo, mã nguồn và trọng số có thể theo dõi qua Qwen-Image, Z-Image và thẻ mô hình FLUX.2 Klein 9B.
Phép so sánh hữu ích không phải một điểm thẩm mỹ tổng hợp, mà là cách mỗi dự án tổ chức điều kiện, công bố checkpoint ở giai đoạn nào, và chưng cất thay đổi điều gì.
| Mô hình | Kiến trúc hoặc bằng chứng | Phạm vi |
|---|---|---|
| Qwen-Image | MMDiT 20B; mã hóa nguồn ngữ nghĩa và VAE cho chỉnh sửa | Apache 2.0; bản tạo ảnh và bản chỉnh sửa tách riêng |
| Z-Image | S3-DiT 6B; token văn bản, ngữ nghĩa hình ảnh và VAE trong một luồng | Apache 2.0; nhánh base, Turbo tám NFE và nhánh chỉnh sửa |
| FLUX.2 [klein] 9B | Rectified flow 9B kèm bộ nhúng văn bản Qwen3 8B; chưng cất bốn bước | Trọng số 9B phi thương mại; chỉnh sửa đa tham chiếu thống nhất |
Bộ tạo sinh xuất ra điểm ảnh chứ không phải các đối tượng ký tự có thể chỉnh sửa. Nó phải suy ra chuỗi được yêu cầu, chọn tỷ lệ và phối cảnh, rồi tái dựng từng nét trên khung vẽ latent. Văn bản càng dài thì khoảng dư cho lỗi cục bộ càng ít, và nét chữ Hán lại thêm cấu trúc nét dày đặc. Huấn luyện dàn chữ cải thiện chuỗi xử lý đó nhưng không biến đầu ra thành một tài liệu được sắp chữ thật.
Độ phân giải cao cho các nét chữ nhỏ nhiều token không gian hơn, nhưng cũng kéo dài chuỗi hình ảnh và làm tăng trạng thái attention. Chữ rõ hơn và điện toán cao hơn vì thế tăng cùng nhau; một quỹ đạo đã chưng cất cũng có thể giữ được bố cục lớn nhưng đánh mất vài nét cuối.
Qwen-Image và Z-Image dùng kho mã Apache 2.0. FLUX.2 [klein] 9B được phát hành theo FLUX Non-Commercial License. Việc có thể tải trọng số vì thế không đồng nghĩa với các quyền giống nhau về sử dụng thương mại, tái phân phối hay huấn luyện phái sinh.
Thẻ mô hình FLUX.2 cũng nêu rõ văn bản được kết xuất có thể không chính xác và mô hình không cung cấp thông tin thực tế. Một con số dễ đọc trong infographic vẫn là nội dung được tạo ra, không phải bằng chứng cho khẳng định in bên cạnh nó.
Tên mô hình, con số và các giới hạn được truy vền về các bài báo, kho mã hoặc thẻ mô hình bên dưới.