FLUX 3 Image Klein vs Qwen-Image 2.1 Turbo: Die Lizenz entscheidet diesen hier, noch bevor es die Benchmarks tun

FLUX 3 Image Klein, von Black Forest Labs am 15. Oktober 2026, und Qwen-Image 2.1 Turbo, von Alibaba eine Woche früher am 9. Oktober 2026, wirken wie dasselbe Produkt von zwei Unternehmen: kleine Bildgeneratoren mit offenen Gewichten, die Text-zu-Bild, Bearbeitung und Komposition mit mehreren Referenzen in einem einzigen Satz Gewichte abdecken, beide akzeptieren bis zu zehn Referenzbilder, beide werden mit beschleunigten Inferenzpfaden ausgeliefert. Legt man die Datenblätter nebeneinander, gewinnt Qwen-Image 2.1 Turbo in den meisten Zeilen — mehr Parameter, weniger Denoising-Schritte, Transparenz, Masken. Liest man dann die beiden Lizenzen, erweist sich das kleinere, langsamer wirkende und aufwendiger zu durchdenkende Modell als das einzige der beiden, auf dem man ein Geschäft aufbauen kann, ohne irgendetwas zu unterschreiben.

Diese Umkehrung ist der ganze Vergleich. Alles andere – die Parameterzahlen, die Preise, die Renderzeiten – ist ein Detail, das man abwägt, sobald man sie überwunden hat.

Was jedes Modell tatsächlich ist

FLUX 3 Image Klein is a 5.6B-parameter image transformer under the FLUX Kommunity License, released as open weights plus a metered endpoint on BFL's own API starting at $0.009 per 1K image. It is the smaller member of the FLUX 3 Image family and inherits that family's surface: native 4K output, bounding boxes written as [top, left, bottom, right] on a 0–1000 grid, and up to ten reference images. It ships in two checkpoints — a step-distilled build at 16 steps for generation, and an undistilled base at 50 steps for fine-tuning and LoRA training — plus FP8, INT8 and NVFP4 quantisations. The 5.6B counts the image transformer alone; the text encoder, Qwen3-VL-4B-Instruct, is a separate download.

Qwen-Image 2.1 Turbo ist ein beschleunigter Checkpoint von Qwen-Image 2.1, der dieselbe 7B-Architektur zur visuellen Generierung beibehält – 32 Single-Stream-DiT-Layer – und die Inferenz auf 8 Denoising-Schritte reduziert, mit einem gespeicherten Sampling-Zeitplan und Prefix-KV-Caching. Es ist ein einheitliches Generierungs- und Bearbeitungsmodell mit einer Funktionsliste, die Klein nicht bietet: native Transparenz, sodass es RGBA-Bilder direkt generiert und bearbeitet; und lokale Bearbeitungen über gezeichnete Kreise, gemalte Anmerkungen oder separate Masken statt Bounding Boxes. Die Gewichte unterliegen der Qwen Research License Agreement, und die gehostete Version kostet 0,016 US-Dollar pro Bild über Alibaba Cloud Model Studio und QwenCloud.

Beides sind echte Open-Weights-Veröffentlichungen in dem Sinne, der für einen Downloader zählt: Man kann die Dateien bekommen, sie lokal ausführen und sie feinabstimmen. Was man dann mit der Ausgabe tun darf, ist eine andere Frage – und genau diese beantworten die beiden Anbieter unterschiedlich.

Bei der Lizenz scheiden sich die Geister.

Die Qwen Research License Agreement ist gleich zu Beginn eindeutig: Die Gewährung erfolgt „NUR FÜR NICHTKOMMERZIELLE ZWECKE“, und Abschnitt 2(b) besagt, dass Sie „die Materialien nicht für kommerzielle Zwecke nutzen dürfen, ohne eine separate kommerzielle Lizenz von uns zu erhalten“. Das Wort, das die Vereinbarung für Nichtkommerziell verwendet, ist „Forschungs- oder Evaluierungszwecke“. Das bedeutet, dass die Qwen-Image 2.1 Turbo Gewichte nicht in ein Produkt gelangen können, ohne eine ausgehandelte Lizenz von Hangzhou Tongyi Laboratory. Der Kauf des Modells über Alibabas gehostete API ist eine kommerzielle Dienstleistung und unterliegt eigenen Bedingungen — die Einschränkung betrifft das Selbsthosting des Checkpoints, was genau das ist, wofür ein Team ein Open-Weights-Modell wählt.

FLUX 3 Image Klein geht den umgekehrten Weg. Unter der FLUX Kommunity License v1.0 sind die Gewichte für nichtkommerzielle Nutzung kostenlos, und für „Qualifying Users“ gibt es eine Ausnahme für kommerzielle Ergebnisse – Einzelpersonen und Unternehmen mit einem annualisierten Bruttoumsatz von unter 5 Mio. US$. Unterhalb dieser Grenze können Sie Kleins Ergebnisse kommerziell vertreiben, ohne dass Kosten über Ihre eigene Rechenleistung hinaus entstehen. Oberhalb dieser Grenze benötigen Sie eine selbst gehostete Lizenz von BFL oder Sie nutzen die API.

Die Aufteilung ist also nicht „eines ist offen und eines ist geschlossen“. Beide sind herunterladbar. Eines ist für die Forschung herunterladbar, das andere für ein Unternehmen bis zu einer Umsatzschwelle. Für einen Indie-Entwickler oder ein kleines Studio entscheidet genau diese eine Klausel den Vergleich eindeutig.

Bevor Sie sich in die eine oder andere Richtung festlegen, lohnt es sich, zwei weitere Bedingungen zu kennen. Kleins Lizenz verbietet die Nutzung des Modells, seiner Ableitungen oder seiner Ausgaben, um ein anderes KI-Modell zu verbessern, das eine ähnliche Funktion erfüllt – die synthetische Datengenerierung für das Training eines konkurrierenden Bildmodells ist der Fall, den diese Klausel abdeckt. Und Qwens Vereinbarung verlangt, dass weitergegebene Kopien ihren Namensnennungshinweis tragen und alle geänderten Dateien als geändert gekennzeichnet werden; das ist übliche Open-Source-Buchführung, aber eine echte Verpflichtung, wenn Sie vorhaben, ein Fine-Tune zu veröffentlichen.

Specs, Zeile für Zeile

• Bildgenerator — FLUX 3 Image Klein 5,6B Parameter vs. Qwen-Image 2.1 Turbo 7B (32 Single-Stream-DiT-Schichten), jeweils so gezählt, wie der jeweilige Herausgeber zählt, Text-Encoder bei beiden ausgeschlossen.

• Denoising-Schritte — Klein destilliert bei 16 Schritten, Base bei 50 vs. Qwen Turbo bei 8, wobei der Sampling-Zeitplan im Checkpoint gespeichert ist.

• Maximale Ausgabe — Klein bis zu nativen 4K der 4096-px-Klasse gegenüber Qwen Turbos veröffentlichten Presets, die maximal 2752×1536 (etwa 4,2 MP) erreichen, wobei 2048×2048 das größte Quadrat ist.

• Referenzbilder — zehn auf beiden.

• Regionskontrolle — Begrenzungsrahmen auf einem 0–1000-Raster für Klein (Platzierung und Skalierung, ausdrücklich keine harte Pixelmaske) im Vergleich zu gezeichneten Kreisen, gemalten Anmerkungen oder einer separaten Maske für Qwen-Image 2.1.

• Transparenz — Qwen-Image 2.1 generiert und bearbeitet natives RGBA; FLUX 3 Image Klein erhebt weder auf seiner Modellkarte noch auf seiner Produktseite einen Transparenzanspruch.

• Prompt-Verarbeitung — Klein benötigt einen Prompt-Upsampler davor, und in seiner Modellkarte steht unmissverständlich, dass man es nicht ohne einen solchen betreiben sollte; Qwen Turbo übernimmt den Prompt so, wie er geschrieben ist, wobei die Prompt-Erweiterung als API-Parameter verfügbar ist.

• Lizenz — FLUX Kommunity License, kommerzielle Nutzung der Outputs kostenfrei unter 5 Mio. USD Umsatz vs. Qwen Research License, nur nicht-kommerziell, separate Lizenz erforderlich, um die Gewichte kommerziell zu nutzen.

• Anbieter-API-Preis — $0.009 pro 1.000 Bilder, steigt bei 4K auf $0.036 im Vergleich zu pauschal $0.016 pro Bild bei jeder Voreinstellung.

Was die beiden Preislisten bei hohem Volumen tatsächlich bewirken

Kleins Tarifkarte skaliert mit der Auflösung; die von Qwen Turbo nicht. Das führt zu einem Überschneidungspunkt, der leicht zu übersehen ist, wenn man die Schlagzeilen-Zahlen vergleicht.

• 10.000 Bilder bei 1K — Klein 90 $ vs. Qwen-Image 2.1 Turbo 160 $. Klein ist 44 % günstiger.

• 10.000 Bilder in 2K — Klein $140 vs. Qwen-Image 2.1 Turbo $160. Klein ist weiterhin günstiger, und zwar um 12,5 %.

• 10.000 Bilder in 4K — Klein 360 $. Qwen-Image 2.1 Turbo hat keine 4K-Voreinstellung, gegen die man den Preis stellen könnte; die größte ist 2752×1536 bei denselben 160 $.

Das sind Berechnungen auf zwei veröffentlichten Preislisten, keine Angebote. Der Schnittpunkt liegt zwischen 2K und 4K, und er existiert, weil die beiden Anbieter in unterschiedlichen Einheiten abgerechnet haben: BFL berechnet pro Bild nach Auflösungsband, Alibaba berechnet pauschal pro Bild. Wenn Ihr Workload bei 1K oder 2K liegt, ist Klein die günstigere Wahl bei beiden APIs, was das Gegenteil dessen ist, was man von „dem günstigen Qwen-Modell“ erwarten würde. Wenn er bei echtem 4K liegt, kann Qwen-Image 2.1 Turbo ihn über die veröffentlichten Presets überhaupt nicht bedienen, sodass sich die Frage nach dem Preis nicht stellt.

Der Vergleich bekommt noch eine weitere Feinheit, wenn man selbst hostet, statt eine API aufzurufen. Auf eigener Hardware gibt es überhaupt keinen Preis pro Bild – es gibt feste Kosten für die GPU und einen Preis pro Bild in Sekunden – und die beiden Modelle unterscheiden sich erheblich darin, was sie zum Laufen brauchen.

Sie selbst auszuführen

Addiert man die veröffentlichten Dateilisten, ist die Kluft eklatant. Die drei BF16-Komponenten von FLUX 3 Image Klein – ein 11,1 GB großer Transformer, ein 8,9 GB großer Text-Encoder und ein 0,34 GB großer Autoencoder – kommen auf rund 20,3 GB, und der INT8-Build läuft auf einer RTX mit nur 8 GB VRAM, wobei die Dokumentation von BFL die Untergrenze bei einer RTX 3090 ansetzt. Der BF16-Download von Qwen-Image 2.1 Turbo wird von einem 17,53 GB großen Text-Encoder dominiert, wobei der Transformer auf einen 9,97 GB großen und einen 4,26 GB großen Shard aufgeteilt ist und ein 0,68 GB großer VAE hinzukommt – insgesamt etwa 32,4 GB, sodass sein Text-Encoder allein größer ist als alles, was Klein zusammengenommen benötigt. Beide Werte sind unsere Summen aus den Dateilisten der Anbieter selbst, nicht von den Anbietern veröffentlichte Gesamtangaben.

Geschwindigkeit ist der Punkt, an dem die Schrittanzahlen in die Irre führen. Kleins destillierter Checkpoint absolviert doppelt so viele Schritte wie die acht von Qwen Turbo, doch die von BFL gemessenen Werte – erhoben von NVIDIA, in ComfyUI, auf dem destillierten INT8-Build – veranschlagen ein 1-MP-Bild auf etwa 4 Sekunden auf einer RTX 5090 und unter 9 Sekunden auf einer RTX 4070, wobei die Zeit auf einer GB300 in NVFP4 auf unter 0,6 Sekunden sinkt. Alibaba veröffentlicht für Turbo keine vergleichbare Pro-GPU-Angabe, daher ist die ehrliche Einschätzung, dass Turbos acht Schritte architektonisch der kürzere Weg sind und niemand außerhalb von Alibaba Sekundenwerte dafür auf Consumer-Hardware veröffentlicht hat.

Budget for Klein's upsampler, whichever model you pick. The prompt upsampler is not optional for it — flux-3-image-klein-pup is a separate 9B vision-language model, an 18.8 GB BF16 download that adds around 28 GB of GPU memory on an 80 GB card when it runs alongside the generator. That single dependency erases Klein's VRAM advantage for anyone deploying on one small card, unless the caption is produced elsewhere and passed in.

Keines der beiden Modelle verfügt über eine unabhängige Qualitätsbewertung.

Dies ist die Zeile, die beide Datenblätter leer lassen, und es lohnt sich, genau zu sein, wie leer sie ist. Stand 16. Oktober 2026 betreibt Artificial Analysis separate Bestenlisten für Text-zu-Bild und Bildbearbeitung, und keine von beiden führt einen Eintrag für FLUX 3 Image Klein oder für Qwen-Image 2.1 Turbo. Was die Bestenlisten aber sehr wohl führen, ist die vorherige Generation jeder Familie – was dem am nächsten kommt, was an unabhängiger Einschätzung verfügbar ist:

• Text-zu-Bild — Qwen-Image 2.1 (der Basis-Checkpoint, nicht Turbo) belegt mit 1.041 Elo aus 5.356 Vergleichen Platz 20, veröffentlicht im September 2026. FLUX 3 Image, unter dem das größere Geschwistermodell Klein angesiedelt ist, belegt mit 1.114 Elo aus 5.769 Vergleichen Platz 13.

• Bildbearbeitung – Qwen-Image 2.1 rangiert mit 1.081 Elo aus 6.138 Vergleichen auf Platz 19. FLUX 3 Image hat überhaupt keinen Eintrag in der Bearbeitungs-Rangliste; das nächstgelegene aufgeführte FLUX-Modell ist FLUX.2 [Klein] 9B mit 1.015 Elo aus 6.905 Vergleichen.

Lies sie als Kontext, nicht als Vorhersage. Das Basis-Qwen-Image 2.1 ist nicht Turbo – ein destillierter Checkpoint tauscht Qualität gegen Schritte, und wie viel genau, ist die Frage, die Turbos Fehlen in der Bestenliste offen lässt. FLUX 3 Image ist ebenfalls nicht Klein, und der eigene Launch-Post von Black Forest Labs vergleicht die beiden nie, was bedeutet, dass es nirgendwo eine veröffentlichte Zahl gibt, die angibt, wie weit Klein hinter seinem größeren Geschwister zurückfällt. Und in der Bearbeitungs-Bestenliste sitzt das Modell, von dem BFL sagt, Klein schlage es um 70 Elo – FLUX.2 [klein] 9B – bei 1.015, rund 66 Elo unter dem Wert, den Qwen-Image 2.1 erreicht. BFLs Behauptung ist, dass Klein diese Lücke schließt und noch mehr; der einzige Beleg dafür ist derzeit BFLs eigener Chart.

Welches soll man wählen?

Wählen Sie FLUX 3 Image Klein, wenn die Ausgabe kommerziell sein muss und das Unternehmen klein ist. Es ist das einzige der beiden, dessen Gewichte mit einem nutzbaren kommerziellen Weg ohne Verhandlung einhergehen, es ist pro Bild bei beiden APIs bei 1K und 2K günstiger, und es erreicht 4K. Kalkulieren Sie den Upsampler ein, und lesen Sie die Lizenzbeschränkungen zum Training von Konkurrenzmodellen und zur Weitergabe von Fine-Tunes, bevor Sie eine Datenpipeline darauf aufbauen.

Wählen Sie Qwen-Image 2.1 Turbo, wenn Transparenz oder maskenbasierte lokale Bearbeitung genau die Funktion ist, die Sie wirklich brauchen – Klein bietet weder das eine noch das andere – oder wenn Sie Forschung, Evaluierung oder einen internen Prototyp betreiben, bei dem die Nichtkommerzialitätsklausel nie greift. Acht Schritte und eine 7B-Architektur machen es effizient, lokal damit zu experimentieren; der BF16-Footprint von 32,4 GB ist der Preis dieses Experiments.

Wenn Sie beides benötigen, ist die Aufteilung legitim: Qwen-Image 2.1 Turbo für die Explorationsphase und dessen Transparenzpfad, FLUX 3 Image Klein für den Auslieferungspfad. Das ist ebenso eine Lizenzierungsentscheidung wie eine technische.

Wo man sie tatsächlich anrufen kann

Beide Modelle sind über die eigene API des Anbieters erreichbar – BFL für Klein, Alibaba Cloud Model Studio und QwenCloud für Turbo – sowie über mehrere Drittanbieter-Plattformen. Keines der beiden steht heute im Katalog von OrcaRouter, und das sagen wir lieber offen, als mit einer Routing-Story zu winken, die wir nicht belegen können. Was wir sagen können, ist, wo der umgebende Workflow hineinpasst: OrcaRouter routet bereits eine Reihe gehosteter Bildmodelle neben über 200 Text- und multimodalen Modellen hinter einem einzigen API-Schlüssel, mit 0 % Aufschlag auf den Listenpreis des Anbieters und automatischem Failover zwischen Anbietern. Teams, die ein gehostetes Bildmodell für den interaktiven Pfad nutzen und einen Open-Weights-Checkpoint für Batch-Arbeit vorhalten, fahren genau die Aufteilung, für die ein einzelner Endpunkt gebaut ist – und sollte eines der beiden im Katalog landen, wird es genau dort erscheinen.

Worauf man achten muss, ist nicht das nächste Datenblatt. Es ist der erste unabhängige Elo-Wert für jedes der beiden Modelle, auf derselben Rangliste, auf der ihre Vorgänger bereits stehen. Bis das vorliegt, sind die beiden im Spiel befindlichen Behauptungen – BFLs „führende Qualität bei offenen Gewichten mit weniger Parametern“ und Alibabas „am ausgewogensten und kosteneffizientesten“ – beide Werbung, und die einzigen Zeilen in diesem Vergleich, auf die Sie sich mit Sicherheit verlassen können, sind die Lizenz, die Preisliste und die VRAM-Untergrenze.

Diese Kluft zwischen dem, was eine Anzeigetafel misst, und dem, was ein Deployment vorfindet, ist der Grund, warum die Aufzeichnung zählt: Die dokumentierten KI-Ausfälle und Agent-Vorfälle rund um Modelle dieser Klasse finden sich in dem OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seinen Konfidenzgrad und seine Kennzeichnung als strittig mitführt.