FLUX 3 Image Klein vs Qwen-Image 2.1 Turbo : la licence tranche avant même les benchmarks

FLUX 3 Image Klein, de Black Forest Labs, le 15 octobre 2026, et Qwen-Image 2.1 Turbo, d'Alibaba une semaine plus tôt, le 9 octobre 2026, ressemblent au même produit issu de deux entreprises : de petits générateurs d'images à poids ouverts qui gèrent la génération texte-image, l'édition et la composition multi-références avec un seul jeu de poids, acceptant tous deux jusqu'à dix images de référence et livrés avec des chemins d'inférence accélérée. Mettez les fiches techniques côte à côte et Qwen-Image 2.1 Turbo l'emporte sur la plupart des lignes : plus de paramètres, moins d'étapes de débruitage, transparence, masques. Lisez ensuite les deux licences, et le modèle le plus petit, en apparence plus lent et plus coûteux à appréhender s'avère être le seul des deux sur lequel on peut bâtir une entreprise sans rien signer.

Cette inversion, c’est toute la comparaison. Tout le reste — le nombre de paramètres, les prix, les temps de rendu — n’est qu’un détail que l’on soupèse une fois qu’on l’a franchie.

Ce qu'est réellement chaque modèle

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 est un checkpoint accéléré de Qwen-Image 2.1, conservant la même architecture de génération visuelle 7B — 32 couches DiT à flux unique — et réduisant l'inférence à 8 étapes de débruitage avec un calendrier d'échantillonnage enregistré et une mise en cache KV de préfixe. Il s'agit d'un modèle unifié de génération et d'édition avec une liste de fonctionnalités que Klein n'égale pas : la transparence native, ce qui lui permet de générer et d'éditer directement des images RGBA ; et des modifications locales via des cercles dessinés, des annotations peintes ou des masques séparés plutôt que des boîtes englobantes. Les poids sont sous l'accord de licence de recherche Qwen, et la version hébergée est facturée à 0,016 $ par image via Alibaba Cloud Model Studio et QwenCloud.

Les deux sont de véritables publications à poids ouverts, au sens qui importe pour celui qui les télécharge : vous pouvez obtenir les fichiers, les exécuter localement et les affiner. Ce que vous pouvez ensuite faire du résultat est une autre question, et c’est celle à laquelle les deux fournisseurs répondent différemment.

C’est sur la licence qu’ils se séparent.

L'accord de licence de recherche Qwen est sans équivoque dès le départ : la concession est « À DES FINS NON COMMERCIALES UNIQUEMENT », et l'article 2(b) indique que vous « ne devez pas utiliser les Matériaux à des fins commerciales sans obtenir au préalable une licence commerciale distincte de notre part ». Le terme utilisé par l'accord pour désigner le non-commercial est « à des fins de recherche ou d'évaluation ». Cela signifie que les poids de Qwen-Image 2.1 Turbo ne peuvent pas être intégrés à un produit sans une licence négociée auprès de Hangzhou Tongyi Laboratory. L'achat du modèle via l'API hébergée d'Alibaba constitue un service commercial et s'accompagne de ses propres conditions — la restriction porte sur l'auto-hébergement du checkpoint, ce qui est exactement ce pour quoi une équipe choisit un modèle à poids ouverts.

FLUX 3 Image Klein va dans l'autre sens. En vertu de la FLUX Kommunity License v1.0, les poids sont gratuits pour un usage non commercial, et il existe une exception d'exploitation commerciale des résultats pour les « Utilisateurs éligibles » — les particuliers et les entreprises dont les revenus bruts annualisés sont inférieurs à 5 M$ US. En dessous de ce seuil, vous pouvez commercialiser les résultats de Klein sans autre coût que votre propre puissance de calcul. Au-delà de ce seuil, vous avez besoin d'une licence auto-hébergée de BFL ou vous utilisez l'API.

Donc la distinction n'est pas « l'un est ouvert et l'autre est fermé ». Les deux sont téléchargeables. L'un est téléchargeable pour la recherche, l'autre est téléchargeable pour une entreprise jusqu'à un seuil de chiffre d'affaires. Pour un développeur indépendant ou un petit studio, cette seule clause décide de l'issue de la confrontation.

Deux autres conditions méritent d’être connues avant de vous engager dans un sens ou dans l’autre. La licence de Klein interdit d’utiliser le modèle, ses dérivés ou ses sorties pour améliorer un autre modèle d’IA assurant une fonction similaire — la génération de données synthétiques pour entraîner un modèle d’image concurrent est le cas que couvre cette clause. Et l’accord de Qwen exige que les copies redistribuées portent sa mention d’attribution et que tout fichier modifié soit indiqué comme modifié, ce qui relève des formalités de suivi habituelles de l’open source, mais constitue une véritable obligation si vous prévoyez de publier un modèle affiné.

Caractéristiques, ligne par ligne

• Générateur d'images — FLUX 3 Image Klein 5,6 milliards de paramètres vs Qwen-Image 2.1 Turbo 7 B (32 couches DiT à flux unique), chacun compté selon la méthode de son éditeur, les encodeurs de texte exclus des deux.

• Étapes de débruitage — Klein distillé à 16 étapes, la base à 50 contre Qwen Turbo à 8, avec son calendrier d'échantillonnage enregistré dans le checkpoint.

• Sortie maximale — Klein jusqu'à une 4K native de classe 4096 px, contre les préréglages publiés de Qwen Turbo qui plafonnent à 2752×1536 (environ 4,2 MP), 2048×2048 étant le plus grand carré.

• Images de référence — dix sur les deux.

• Contrôle de région — boîtes englobantes sur une grille de 0 à 1000 pour Klein (placement et échelle, explicitement pas un masque pixel dur) vs cercles dessinés, annotations peintes ou un masque séparé pour Qwen-Image 2.1.

• Transparence — Qwen-Image 2.1 génère et modifie des images RGBA natives ; FLUX 3 Image Klein ne revendique aucune prise en charge de la transparence, ni sur sa fiche modèle ni sur sa page produit.

• Traitement des prompts — Klein nécessite un sur-échantillonneur de prompt en amont, et sa fiche modèle indique clairement de ne pas l'exécuter sans lui ; Qwen Turbo prend le prompt tel qu'il est écrit, l'extension de prompt étant disponible comme paramètre d'API.

• Licence — FLUX Kommunity License, utilisation commerciale gratuite en dessous de 5 M$ de chiffre d'affaires, alors que la Qwen Research License est exclusivement non commerciale ; une licence distincte est requise pour utiliser les poids à des fins commerciales.

• Prix de l'API du fournisseur — 0,009 $ pour 1 000 images, passant à 0,036 $ en 4K, contre un tarif fixe de 0,016 $ par image pour chaque préréglage.

Ce que les deux listes de prix font réellement en volume

La grille tarifaire de Klein évolue avec la résolution ; celle de Qwen Turbo, non. Cela crée un croisement facile à manquer lorsqu'on compare les chiffres mis en avant.

• 10 000 images en 1K — Klein 90 $ contre Qwen-Image 2.1 Turbo 160 $. Klein est 44 % moins cher.

• 10 000 images en 2K — Klein 140 $ contre Qwen-Image 2.1 Turbo 160 $. Klein reste moins cher, de 12,5 %.

• 10 000 images en 4K — Klein 360 $. Qwen-Image 2.1 Turbo n'a pas de préréglage 4K auquel comparer son prix ; son format le plus grand est 2752×1536 au même tarif de 160 $.

Ce sont des calculs arithmétiques sur deux grilles tarifaires publiées, pas des devis. Le point de croisement se situe entre 2K et 4K, et il existe parce que les deux fournisseurs ont facturé dans des unités différentes : BFL facture à l’image selon la bande de résolution, Alibaba facture à l’image de façon forfaitaire. Si votre charge de travail se situe en 1K ou 2K, Klein est l’option la moins chère sur les deux API, soit l’inverse de ce que « le modèle Qwen bon marché » laisserait attendre. Si elle se situe en véritable 4K, Qwen-Image 2.1 Turbo ne peut pas du tout la servir via les préréglages publiés, donc la question n’est pas le prix.

La comparaison se complique encore un peu plus lorsque vous hébergez vous-même au lieu d’appeler une API. Sur votre propre matériel, il n’y a pas du tout de tarif par image — il y a un coût fixe pour le GPU et un coût par image en secondes — et les deux modèles sont loin d’avoir les mêmes besoins pour fonctionner.

Les exécuter vous-même

Additionnez les listes de fichiers publiées et l'écart est frappant. Les trois composants BF16 de FLUX 3 Image Klein — un transformateur de 11,1 Go, un encodeur de texte de 8,9 Go et un autoencodeur de 0,34 Go — totalisent environ 20,3 Go, et la version INT8 tourne sur une RTX avec aussi peu que 8 Go de VRAM, la documentation de BFL plaçant le minimum à une RTX 3090. Le téléchargement BF16 de Qwen-Image 2.1 Turbo est dominé par un encodeur de texte de 17,53 Go, le transformateur étant réparti sur un fragment de 9,97 Go et un fragment de 4,26 Go, et un VAE de 0,68 Go — environ 32,4 Go au total, donc son encodeur de texte à lui seul est plus volumineux que tout ce dont Klein a besoin réuni. Ces deux chiffres sont nos sommes des propres listes de fichiers des fournisseurs, et non des totaux publiés par les fournisseurs.

La vitesse est le domaine où le nombre d'étapes induit en erreur. Le checkpoint distillé de Klein exécute deux fois plus d'étapes que les huit de Qwen Turbo, mais les chiffres mesurés de BFL — relevés par NVIDIA, dans ComfyUI, sur la version distillée INT8 — situent une image de 1 MP à environ 4 secondes sur une RTX 5090 et à moins de 9 secondes sur une RTX 4070, descendant sous les 0,6 seconde sur une GB300 en NVFP4. Alibaba ne publie pas de chiffre comparable par GPU pour Turbo, si bien que la position honnête est que les huit étapes de Turbo constituent architecturalement le chemin le plus court et que personne en dehors d'Alibaba n'a publié de secondes pour lui sur du matériel grand public.

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.

Aucun des deux modèles ne dispose d’un score de qualité indépendant.

C'est la ligne que les deux fiches techniques laissent vide, et il vaut la peine d'être précis sur ce que « vide » signifie ici. Au 16 octobre 2026, Artificial Analysis exploite des classements distincts pour la génération d'images à partir de texte et l'édition d'images, et ni l'un ni l'autre ne comporte d'entrée ni pour FLUX 3 Image Klein ni pour Qwen-Image 2.1 Turbo. Ce que ces classements contiennent, en revanche, c'est la génération précédente de chaque famille, soit ce qui s'approche le plus d'une évaluation indépendante disponible :

• Texte-vers-image — Qwen-Image 2.1 (le checkpoint de base, pas Turbo) se classe 20e avec 1 041 Elo sur 5 356 comparaisons, sorti en septembre 2026. FLUX 3 Image, le grand frère sous lequel se trouve Klein, se classe 13e avec 1 114 Elo sur 5 769 comparaisons.

• Édition d’images — Qwen-Image 2.1 se classe 19e avec 1 081 Elo sur 6 138 comparaisons. FLUX 3 Image n’a aucune entrée dans le classement d’édition ; le modèle FLUX le plus proche répertorié est FLUX.2 [Klein] 9B avec 1 015 Elo sur 6 905 comparaisons.

Lisez-les comme un contexte, et non comme une prédiction. Le modèle de base Qwen-Image 2.1 n’est pas Turbo — un checkpoint distillé échange de la qualité contre des étapes, et l’ampleur exacte de ce compromis est précisément la question que l’absence de Turbo du tableau laisse en suspens. FLUX 3 Image n’est pas non plus Klein, et le post de lancement de Black Forest Labs lui-même ne compare jamais les deux, ce qui signifie qu’aucun chiffre publié, où que ce soit, n’indique à quel point Klein se situe en dessous de son grand frère. Et dans le tableau d’édition, le modèle que BFL dit que Klein bat de 70 Elo — FLUX.2 [klein] 9B — se situe à 1 015, soit environ 66 Elo en dessous du score de Qwen-Image 2.1. L’affirmation de BFL est que Klein comble cet écart et plus encore ; la seule preuve à l’heure actuelle est le propre graphique de BFL.

Lequel choisir

Choisissez FLUX 3 Image Klein si la sortie doit être commerciale et que l'entreprise est petite. C'est le seul des deux dont les poids s'accompagnent d'une voie commerciale utilisable sans négociation, il est moins cher par image sur les deux API en 1K et 2K, et il atteint la 4K. Prévoyez un budget pour l'upsampler, et lisez les restrictions de la licence concernant l'entraînement de modèles concurrents et la redistribution de modèles affinés avant de construire un pipeline de données autour de celui-ci.

Choisissez Qwen-Image 2.1 Turbo si la transparence ou l'édition locale basée sur un masque est la fonctionnalité dont vous avez réellement besoin — Klein n'offre ni l'une ni l'autre — ou si vous menez des recherches, une évaluation ou un prototype interne où la clause de non-commercialisation ne s'applique jamais. Huit étapes et une architecture 7B en font un outil efficace pour expérimenter en local ; l'empreinte BF16 de 32,4 Go est le prix de cette expérience.

Si vous avez besoin des deux, la séparation est légitime : Qwen-Image 2.1 Turbo pour la phase d’exploration et son pipeline de transparence, FLUX 3 Image Klein pour le pipeline de mise en production. C’est une décision de licence autant que technique.

Où les appeler réellement

Les deux modèles sont accessibles via l'API propre au fournisseur — BFL pour Klein, Alibaba Cloud Model Studio et QwenCloud pour Turbo — ainsi que via plusieurs plateformes tierces. Aucun des deux ne figure au catalogue d'OrcaRouter aujourd'hui, et nous préférons le dire plutôt que de laisser entendre une histoire de routage que nous ne pouvons pas étayer. Ce que nous pouvons dire, c'est où s'inscrit le flux de travail environnant : OrcaRouter route déjà un ensemble de modèles d'image hébergés aux côtés de plus de 200 modèles de texte et multimodaux derrière une seule clé API, avec 0 % de majoration sur le prix catalogue du fournisseur et un basculement automatique entre fournisseurs. Les équipes qui utilisent un modèle d'image hébergé pour le chemin interactif et qui conservent un checkpoint à poids ouverts pour le traitement par lots exploitent exactement la répartition pour laquelle un point de terminaison unique est conçu, et si l'un de ces deux modèles arrive au catalogue, c'est là qu'il apparaîtra.

Ce qu'il faut surveiller, ce n'est pas la prochaine fiche technique. C'est le premier Elo indépendant pour l'un ou l'autre des modèles, sur le même tableau où leurs prédécesseurs figurent déjà. D'ici là, les deux affirmations en jeu — la « qualité de pointe des poids ouverts avec moins de paramètres » de BFL et le « plus équilibré et le plus économique » d'Alibaba — relèvent toutes deux de la publicité, et les seules lignes de cette comparaison sur lesquelles vous pouvez agir en toute confiance sont la licence, la grille tarifaire et le minimum de VRAM.

Cet écart entre ce qu'un tableau de bord mesure et ce qu'un déploiement rencontre est la raison pour laquelle ce bilan compte : les défaillances documentées de l'IA et les incidents d'agents liés aux modèles de cette classe sont recensés dans the OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, son niveau de gravité, sa note de confiance et son indicateur de contestation.