Qwen-Image、Z-Image 與 FLUX.2 [klein]：三條開放影像路線的分隔
開放式影像模型 / 技術縱覽
開放圖像模型 / 技術評析
開放圖像模型的差異，早已不只看單張生成圖有多逼真。Qwen-Image 把容量押在複雜文字排版與雙編碼編輯上；Z-Image 採用 6B 單流 DiT，再蒸餾到八次網路評估；FLUX.2 [klein] 則把生成與多參考編輯裝進一個緊湊的四步 rectified-flow 模型。三者屬於同一代發布，卻把模型容量花在不同的問題上。
擴散與 flow matching
一個緊湊的 flow-matching 目標可寫成 L_FM=E||v_θ(x_t,t,c)-u_t||²。步數越少，函數評估次數越少，但蒸餾與未蒸餾模型不能只按步數互比。
三條發布路線
Qwen-Image 主打複雜文字渲染與精確編輯。Z-Image-Turbo 蒸餾整條生成軌跡。FLUX.2 Klein 在編輯條件裡加入多張參考圖。參數量與步數各自屬於各專案，脫離輸入類型與任務便無從排名。
從畫質之爭，到文字排版與可編輯的身分
整體畫質提升之後，文字渲染依然是難題，因為一個詞不只是一種紋理。字元順序、字形、斷行與版面配置必須同時成立。Qwen-Image 以大型資料管線和一套由簡單字串逐步推進到段落級描述的課程來應對。
編輯又引出第二個矛盾：模型必須更動指令點名的內容，同時保住主體身分、材質與未觸及的區域。Qwen-Image 透過 Qwen2.5-VL 與 VAE 編碼來源圖，分別取得語義與可重建資訊。Z-Image 與 FLUX.2 [klein] 組織這些條件的方式不同，這也是「圖像模型」這個共用標籤會掩蓋重要架構選擇的原因。
空間 token 如何改變圖像生成成本
M_peak≈M_weights+M_text+M_VAE+M_attn(H,W)+M_samplerM_weights模型權重M_attn(H,W)隨畫布變化的注意力狀態M_sampler採樣器與潛在狀態
參數量描述的是模型容量，並不直接決定單張圖像的成本。畫布變大時，注意力中間量與 VAE 特徵會隨空間 token 一起增長；構圖、文字排版與細節表現也會受採樣設定影響。
Qwen-Image 採用 20B MMDiT，Z-Image 採用 6B 可擴展單流 DiT，FLUX.2 [klein] 則是 9B rectified-flow transformer 搭配 8B Qwen3 文字編碼器。因此畫布成本同時取決於空間序列長度，以及差異極大的模型寬度與採樣軌跡。
論文、程式碼與權重可沿 Qwen-Image、Z-Image 與 FLUX.2 Klein 9B 模型卡追查。
架構、發布脈絡與採樣軌跡
單一審美總分缺乏說明力。真正值得比較的，是各專案如何組織條件、發布到哪個 checkpoint 階段，以及蒸餾究竟改變了什麼。
| 模型 | 架構或證據 | 範圍 |
|---|---|---|
| Qwen-Image | 20B MMDiT；為編輯提供語義與 VAE 來源編碼 | Apache 2.0；生成與獨立的編輯版本分開發布 |
| Z-Image | 6B S3-DiT；文字、視覺語義與 VAE token 併入同一串流 | Apache 2.0；base、八次 NFE 的 Turbo 與編輯分支 |
| FLUX.2 [klein] 9B | 9B rectified flow 加 8B Qwen3 文字編碼器；四步蒸餾 | 9B 權重為非商用；統一的多參考編輯 |
條件如何進入潛在空間
最後幾個字為何仍然出錯
生成模型輸出的是像素，並非可編輯的字元物件。它要先推斷請求的字串，選定比例與透視，再在潛在畫布上重建每一筆畫。文字越長，局部出錯的空間越小；中文字形還帶來密集的筆畫結構。排版訓練能改善這條鏈路，但輸出終究不會變成一份排版文件。
提高解析度能給小字形更多空間 token，卻也拉長視覺序列、增大注意力狀態。更清晰的字與更高的算力因此同步上升；蒸餾後的軌跡也可能保住大構圖，卻丟掉最後幾筆。
開放權重仍附帶不同條款與限制
Qwen-Image 與 Z-Image 的儲存庫採用 Apache 2.0。FLUX.2 [klein] 9B 則以 FLUX Non-Commercial License 發布。因此，可下載的權重在商用、再散布或衍生訓練上，授予的權利並不相同。
FLUX.2 模型卡也聲明，渲染出的文字可能不準確，模型也不提供事實性資訊。資訊圖表裡一個清晰可讀的數字，仍是生成內容，不能當作旁邊那句主張的證據。
Qwen-Image 的論文與公開檔案
模型名稱、數字與限制均可追溯至下列論文、儲存庫或模型卡。