FLUX 3 Image Klein לעומת Qwen-Image 2.1 Turbo: הרישיון מכריע את זה לפני שמבחני הביצועים עושים זאת

FLUX 3 Image Klein, מבית Black Forest Labs ב-15 באוקטובר 2026, וQwen-Image 2.1 Turbo, מבית Alibaba שבוע קודם לכן, ב-9 באוקטובר 2026, נראים כמו אותו מוצר משתי חברות: מחוללי תמונות קטנים עם משקולות פתוחות שמתמודדים עם טקסט-לתמונה, עריכה והרכבה מרובת-יחסי-גומלין במערכת משקולות אחת, ששניהם מקבלים עד עשרה תמונות ייחוס, ושניהם מגיעים עם מסלולי הסקה מואצים. הניחו את דפי המפרט זה לצד זה, ו-Qwen-Image 2.1 Turbo מנצח ברוב השורות — יותר פרמטרים, פחות צעדי דה-נויזינג, שקיפות, מסכות. ואז קראו את שני הרישיונות, ומסתבר שהמודל הקטן יותר, שנראה איטי יותר, ויקר יותר להסיק לגביו מסקנות, הוא היחיד מבין השניים שאפשר לבנות עליו עסק בלי לחתום על שום דבר.

ההיפוך הזה הוא כל ההשוואה. כל השאר — מספרי הפרמטרים, המחירים, זמני הרינדור — הוא פרט שאתה שוקל רק לאחר שעברת אותו.

מה כל מודל הוא בפועל

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 הוא צ'קפוינט מואץ של Qwen-Image 2.1, ששומר על אותה ארכיטקטורת יצירה חזותית של 7B — 32 שכבות DiT בזרם יחיד — ומקצר את ההסקה ל-8 צעדי דה-נויזינג עם לוח זמני דגימה שמור ומטמון KV לקידומת. זהו מודל מאוחד ליצירה ולעריכה עם רשימת תכונות ש-Klein לא משתווה לה: שקיפות מקורית, כך שהוא יוצר ועורך תמונות RGBA ישירות; ועריכות מקומיות באמצעות עיגולים מצוירים, הערות מצוירות או מסכות נפרדות ולא תיבות תוחמות. המשקלות תחת הסכם הרישיון Qwen Research, והגרסה המתארחת מתומחרת ב-$0.016 לתמונה דרך Alibaba Cloud Model Studio ו-QwenCloud.

שניהם מהדורות open-weights אמיתיות במובן שחשוב למי שמוריד: אתה יכול להשיג את הקבצים, להריץ אותם מקומית ולכוונן אותם. מה שאתה רשאי לעשות לאחר מכן עם הפלט הוא שאלה אחרת, והיא זו ששני הספקים עונים עליה באופן שונה.

הרישיון הוא הנקודה שבה דרכיהם נפרדות

הסכם הרישיון של Qwen Research חד-משמעי כבר בראשו: ההענקה היא "למטרות לא-מסחריות בלבד", וסעיף 2(ב) קובע כי "לא תשתמש בחומרים לכל מטרה מסחרית בלי לקבל מאתנו רישיון מסחרי נפרד". המונח שבו משתמש ההסכם עבור "לא-מסחרי" הוא "מטרות מחקר או הערכה". המשמעות היא ש-Qwen-Image 2.1 Turbo המשקולותאינן יכולות להיכנס לשום מוצר בלי רישיון שיוסכם במשא ומתן מ-Hangzhou Tongyi Laboratory. רכישת המודל דרך ה-API המתארח של Alibaba היא שירות מסחרי הנושא תנאים משלו — ההגבלה חלה על אירוח עצמי של ה-checkpoint, וזה בדיוק מה שצוות בוחר מודל עם משקולות פתוחות כדי לעשות.

FLUX 3 Image Klein הולך בכיוון ההפוך. תחת רישיון FLUX Kommunity License v1.0 המשקלים חופשיים לשימוש לא-מסחרי, ויש חריג של פלט מסחרי עבור "משתמשים מזכים" — יחידים וחברות עם הכנסה שנתית ברוטו מתחת ל-5 מיליון דולר. מתחת לקו זה תוכל להפיץ את הפלט של Klein באופן מסחרי ללא עלות מעבר למחשוב שלך. מעליו, אתה צריך רישיון אחסון עצמי מ-BFL או שאתה משתמש ב-API.

אז החלוקה היא לא "אחד פתוח ואחד סגור". שניהם ניתנים להורדה. האחד ניתן להורדה למחקר, והאחר ניתן להורדה לעסק עד סף הכנסות. עבור מפתח עצמאי או אולפן קטן, הסעיף הבודד הזה מכריע את ההתמודדות לחלוטין.

שני תנאים נוספים כדאי להכיר לפני שאתם מתחייבים לכאן או לכאן. הרישיון של Klein אוסר על שימוש במודל, בנגזרותיו או בפלטים שלו כדי לשפר מודל בינה מלאכותית אחר שמבצע פונקציה דומה — יצירת נתונים סינתטיים לאימון מודל תמונות מתחרה היא המקרה שסעיף זה מכסה. וההסכם של Qwen דורש שעותקים המופצים מחדש יישאו את הודעת הייחוס שלו, ושכל קבצים ששונו יסומנו ככאלה ששונו, שזה רישום שגרתי בקוד פתוח, אבל זו התחייבות ממשית אם אתם מתכננים לפרסם כוונון עדין.

מפרטים, שורה אחר שורה

• מחולל תמונות — FLUX 3 Image Klein עם 5.6B פרמטרים לעומת Qwen-Image 2.1 Turbo 7B (32 שכבות DiT בזרם יחיד), כל אחד נספר כפי שהמפרסם שלו סופר אותו, כאשר מקודדי טקסט אינם נכללים בשניהם.

• שלבי הסרת רעש — Klein מזוקק ב-16 שלבים, base ב-50 לעומת Qwen Turbo ב-8, עם לוח הזמנים של הדגימה שלו שמור בתוך הצ'קפוינט.

• פלט מקסימלי — Klein עד לרמת 4K מקורי בדרגת 4096px לעומת הפריסטים המפורסמים של Qwen Turbo המגיעים עד 2752×1536 (כ-4.2 מגה-פיקסל), כאשר 2048×2048 הוא הריבוע הגדול ביותר.

• תמונות ייחוס — עשרה בשניהם.

• בקרת אזור — תיבות תוחמות על רשת 0–1000 עבור Klein (מיקום וקנה מידה, במפורש לא מסכת פיקסלים קשיחה) לעומת עיגולים מצוירים, אנוטציות צבועות או מסכה נפרדת עבור Qwen-Image 2.1.

• שקיפות — Qwen-Image 2.1 יוצר ועורך RGBA נייטיבי; FLUX 3 Image Klein אינו טוען לשקיפות, לא בכרטיס המודל שלו ולא בדף המוצר שלו.

• טיפול בפרומפט — Klein דורש לפנותו מגביר פרומפטים, וכרטיס המודל שלו אומר במפורש שלא להריץ אותו בלעדיו; Qwen Turbo מקבל את הפרומפט כפי שנכתב, כשהרחבת פרומפט זמינה כפרמטר API.

• רישיון — FLUX Kommunity License, פלט מסחרי ללא תשלום בהכנסה מתחת ל-5 מיליון דולר לעומת Qwen Research License, לשימוש לא-מסחרי בלבד; נדרש רישיון נפרד כדי להשתמש במשקולות באופן מסחרי.

• מחיר ה-API של הספק — $0.009 לכל תמונת 1K, ועולה ל-$0.036 ב-4K לעומת $0.016 קבוע לכל תמונה בכל פריסט.

מה ששתי רשימות המחירים באמת עושות בכמויות גדולות

המחירון של Klein משתנה בהתאם לרזולוציה; זה של Qwen Turbo לא. הדבר יוצר נקודת הצטלבות שקל לפספס כשמשווים את המספרים הכותרתיים.

• 10,000 תמונות ברזולוציית 1K — Klein ב-$90 לעומת Qwen-Image 2.1 Turbo ב-$160. Klein זול ב-44%.

• 10,000 תמונות ב-2K — Klein $140 לעומת Qwen-Image 2.1 Turbo $160. Klein עדיין זול יותר, ב-12.5%.

• 10,000 תמונות ב-4K — Klein $360. ל-Qwen-Image 2.1 Turbo אין פריסט 4K להשוות מולו מחיר; הגדול ביותר שלו הוא 2752×1536 באותו $160.

אלה חישובים על שני כרטיסי תעריפים מפורסמים, לא הצעות מחיר. נקודת ההצטלבות נמצאת בין 2K ל-4K, והיא קיימת מפני ששני הספקים תמחרו ביחידות שונות: BFL גובה תשלום לפי תמונה לפי טווח רזולוציה, Alibaba גובה תעריף אחיד לפי תמונה. אם עומס העבודה שלך נמצא ב-1K או ב-2K, Klein היא הבחירה הזולה יותר בשני ה-APIs, וזה ההפך ממה ש״מודל Qwen הזול״ היה מוביל אותך לצפות. אם הוא נמצא ב-4K אמיתי, Qwen-Image 2.1 Turbo לא יכול לשרת אותו כלל דרך הפריסטים שפורסמו, כך שהשאלה אינה מחיר.

ההשוואה מקבלת עוד טוויסט כשאתם מארחים בעצמכם במקום לקרוא ל-API. בחומרה שלכם אין בכלל תעריף לפי תמונה — יש עלות קבועה ל-GPU ועלות לפי תמונה בשניות — ושתי המודלים רחוקים זה מזה במה שהם צריכים כדי לפעול.

להריץ אותם בעצמך

סכמו את רשימות הקבצים שפורסמו והפער בולט. שלושת רכיבי ה-BF16 של FLUX 3 Image Klein — טרנספורמר בנפח 11.1 GB, מקודד טקסט בנפח 8.9 GB ואוטואנקודר בנפח 0.34 GB — מסתכמים לכ-20.3 GB, וגרסת ה-INT8 פועלת על RTX עם 8 GB בלבד של VRAM, כאשר התיעוד של BFL קובע את הרף המינימלי ב-RTX 3090. ההורדה של Qwen-Image 2.1 Turbo ב-BF16 נשלטת על ידי מקודד טקסט בנפח 17.53 GB, כאשר הטרנספורמר מפוצל על פני מקטע של 9.97 GB ומקטע של 4.26 GB ו-VAE של 0.68 GB — כ-32.4 GB בסך הכל, כך שמקודד הטקסט שלו לבדו גדול מכל מה ש-Klein צריך ביחד. שני המספרים הם הסכומים שלנו של רשימות הקבצים של הספקים עצמם, לא סכומים שפורסמו על ידי הספקים.

המהירות היא המקום שבו מספרי השלבים מטעים. הצ'קפוינט המזוקק של Klein מריץ פי שניים יותר שלבים מהשמונה של Qwen Turbo, אבל המספרים הנמדדים של BFL — שנמדדו על ידי NVIDIA, ב-ComfyUI, על גרסת ה-INT8 המזוקקת — מציבים תמונה בגודל 1 MP בכ-4 שניות על RTX 5090 ובפחות מ-9 שניות על RTX 4070, ויורדים מתחת ל-0.6 שניות על GB300 ב-NVFP4. Alibaba אינה מפרסמת נתון דומה לפי GPU עבור Turbo, כך שהעמדה הכנה היא ששמונת השלבים של Turbo הם מבחינה ארכיטקטונית המסלול הקצר יותר, ואף אחד מחוץ ל-Alibaba לא פרסם שניות עבורו על חומרת צרכן.

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.

לאף אחד מהמודלים אין ציון איכות עצמאי

זו השורה ששני גיליונות המפרט משאירים ריקה, וכדאי לדייק עד כמה ריקה. נכון ל-16 באוקטובר 2026, Artificial Analysis מפעילה לוחות נפרדים לטקסט-לתמונה ולעריכת תמונות, ואף אחד מהם אינו כולל רשומה עבור FLUX 3 Image Klein או עבור Qwen-Image 2.1 Turbo. מה שכן מופיע בלוחות הוא הדור הקודם מכל משפחה, וזה הדבר הקרוב ביותר לקריאה בלתי תלויה שזמינה:

• טקסט לתמונה — Qwen-Image 2.1 (הצ'קפוינט הבסיסי, לא Turbo) מדורג במקום ה-20 עם 1,041 Elo מתוך 5,356 השוואות, ושוחרר בספטמבר 2026. FLUX 3 Image, האח הגדול ש-Klein נמצא תחתיו, מדורג במקום ה-13 עם 1,114 Elo מתוך 5,769 השוואות.

• עריכת תמונות — Qwen-Image 2.1 מדורג במקום ה-19 עם 1,081 Elo מתוך 6,138 השוואות. ל-FLUX 3 Image אין כלל רשומה בלוח העריכה; המודל הקרוב ביותר של FLUX שמופיע ברשימה הוא FLUX.2 [Klein] 9B עם 1,015 Elo מתוך 6,905 השוואות.

קראו את אלה כהקשר, לא כתחזית. מודל הבסיס Qwen-Image 2.1 אינו Turbo — צ׳קפוינט מזוקק מוותר על איכות בתמורה לצעדים, וכמה בדיוק — זו השאלה שהיעדרותו של Turbo מהלוח מותירה פתוחה. FLUX 3 Image גם הוא לא Klein, ופוסט ההשקה של Black Forest Labs עצמה מעולם לא משווה בין השניים, מה שאומר שאין נתון מפורסם בשום מקום שמציין בכמה Klein נופל מתחת לאח הגדול שלו. ובלוח העריכה, המודל שלדברי BFL ‏Klein מביס אותו ב-70 Elo — FLUX.2 [klein] 9B — עומד על 1,015, בערך 66 Elo מתחת למקום שבו נוחת Qwen-Image 2.1. הטענה של BFL היא ש-Klein סוגר את הפער הזה ואף יותר; הראיה היחידה לכך כרגע היא התרשים של BFL עצמה.

איזה אחד לבחור?

בחר ב-FLUX 3 Image Klein אם הפלט חייב להיות מסחרי והעסק קטן. זה היחיד מבין השניים שהמשקלות שלו מגיעות עם מסלול מסחרי שמיש ללא משא ומתן, הוא זול יותר לתמונה בשני ה-APIs ב-1K ו-2K, והוא מגיע ל-4K. תקצב עבור האפסמפלר, וקרא את מגבלות הרישיון בנוגע לאימון מתחרים והפצה מחדש של כיוונון עדין לפני שאתה בונה צינור נתונים סביבו.

בחר ב-Qwen-Image 2.1 Turbo אם שקיפות או עריכה מקומית מבוססת מסכה היא התכונה שאתה באמת זקוק לה — Klein לא מציע אף אחת מהן — או אם אתה מריץ מחקר, הערכה או אב-טיפוס פנימי, שבהם הסעיף הלא-מסחרי לעולם אינו מחייב. שמונה צעדים וארכיטקטורה של 7B הופכים אותו לדבר יעיל להתנסות בו באופן מקומי; טביעת הרגל של 32.4 GB BF16 היא המחיר של הניסוי הזה.

אם אתה זקוק לשניהם, הפיצול לגיטימי: Qwen-Image 2.1 Turbo לשלב החקירה ולמסלול השקיפות שלו, ו-FLUX 3 Image Klein למסלול ההפצה. זוהי החלטת רישוי לא פחות משהיא החלטה טכנית.

איפה בעצם להתקשר אליהם

שני המודלים נגישים דרך ה-API של הספק עצמו — BFL עבור Klein, Alibaba Cloud Model Studio ו-QwenCloud עבור Turbo — וכן דרך כמה פלטפורמות צד שלישי. אף אחד מהם אינו בקטלוג של OrcaRouter היום, ואנחנו מעדיפים לומר זאת מאשר לרמז על סיפור ניתוב שאיננו יכולים לגבות. מה שכן אפשר לומר הוא היכן משתלבת זרימת העבודה הסובבת: OrcaRouter כבר מנתב קבוצה של מודלי תמונה מתארחים לצד יותר מ-200 מודלים לטקסט ומודלים מולטימודליים מאחורי מפתח API אחד, בתוספת של 0% למחיר המחירון של הספק, עם מעבר אוטומטי בין ספקים בעת כשל. צוותים שמשתמשים במודל תמונה מתארח עבור המסלול האינטראקטיבי ומחזיקים צ'קפוינט עם משקולות פתוחות לעבודות אצווה מריצים בדיוק את הפיצול שנקודת קצה אחת נועדה עבורו, ואם אחד מהשניים הללו ייכנס לקטלוג, שם הוא יופיע.

הדבר שצריך לעקוב אחריו הוא לא גיליון המפרט הבא. זה ה-Elo העצמאי הראשון של כל אחד מהמודלים, על אותו לוח שבו כבר יושבים קודמיהם. עד שזה יקרה, שתי הטענות שעל הפרק — "איכות משקלים פתוחים מובילה עם פחות פרמטרים" של BFL ו"המאוזן והמשתלם ביותר" של Alibaba — הן שתיהן פרסומת, והשורות היחידות בהשוואה הזו שאפשר לפעול לפיהן בביטחה הן הרישיון, המחירון ורצפת ה-VRAM.

הפער הזה בין מה שלוח התוצאות מודד לבין מה שפריסה נתקלת בו הוא הסיבה לכך שהרשומה חשובה: כשלי הבינה המלאכותית המתועדים ותקריות הסוכנים סביב מודלים במחלקה הזו נאספים בthe OrcaRouter AI Incident Archive, שבו כל רשומה נושאת את המקורות שלה, חומרה, דירוג ביטחון ודגל מחלוקת.