FLUX 3 Image Klein vs Qwen-Image 2.1 Turbo: Lisensi Menentukan Pilihan Ini Sebelum Benchmark Melakukannya

FLUX 3 Image Klein, dari Black Forest Labs pada 15 Oktober 2026, dan Qwen-Image 2.1 Turbo, dari Alibaba seminggu sebelumnya pada 9 Oktober 2026, tampak seperti produk yang sama dari dua perusahaan: generator gambar open-weights kecil yang menangani text-to-image, penyuntingan, dan komposisi multi-referensi dalam satu set bobot, keduanya menerima hingga sepuluh gambar referensi, keduanya hadir dengan jalur inferensi yang dipercepat. Letakkan lembar spesifikasi keduanya berdampingan dan Qwen-Image 2.1 Turbo menang di sebagian besar baris — lebih banyak parameter, langkah denoising lebih sedikit, transparansi, mask. Lalu baca kedua lisensinya, dan model yang lebih kecil, tampak lebih lambat, serta lebih mahal untuk dicerna secara nalar itu ternyata satu-satunya dari keduanya yang bisa Anda bangun bisnis di atasnya tanpa menandatangani apa pun.

Inversi itulah keseluruhan perbandingannya. Segala hal lainnya — jumlah parameter, harga, waktu render — hanyalah detail yang kamu timbang setelah kamu melewatinya.

Apa sebenarnya masing-masing model

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 adalah checkpoint yang dipercepat dari Qwen-Image 2.1, yang mempertahankan arsitektur pembuatan visual 7B yang sama — 32 lapisan DiT aliran tunggal — dan memangkas inferensi menjadi 8 langkah denoising dengan jadwal sampling tersimpan dan caching KV prefiks. Ini adalah model pembuatan dan penyuntingan terpadu dengan daftar fitur yang tidak dimiliki Klein: transparansi native, sehingga menghasilkan dan menyunting gambar RGBA secara langsung; dan penyuntingan lokal melalui lingkaran yang digambar, anotasi yang dilukis, atau mask terpisah, bukan kotak pembatas. Bobotnya berada di bawah Qwen Research License Agreement, dan versi yang dihosting dihargai $0,016 per gambar melalui Alibaba Cloud Model Studio dan QwenCloud.

Keduanya adalah rilis open-weights sejati dalam pengertian yang penting bagi pengunduh: Anda bisa mendapatkan file-nya, menjalankannya secara lokal, dan melakukan fine-tuning. Apa yang kemudian boleh Anda lakukan dengan output-nya adalah pertanyaan yang berbeda, dan itulah yang dijawab secara berbeda oleh kedua vendor.

Lisensi adalah titik di mana mereka berpisah.

Perjanjian Lisensi Riset Qwen tidak ambigu di bagian atas: pemberian lisensinya adalah "HANYA UNTUK TUJUAN NON-KOMERSIAL", dan pasal 2(b) menyatakan bahwa Anda "tidak boleh menggunakan Materi untuk tujuan komersial apa pun tanpa memperoleh lisensi komersial terpisah dari kami". Istilah yang digunakan perjanjian untuk Non-Komersial adalah "tujuan riset atau evaluasi". Itu berartibobot Qwen-Image 2.1 Turbo tidak dapat dimasukkan ke dalam produk tanpa lisensi yang dinegosiasikan dari Hangzhou Tongyi Laboratory. Membeli model melalui API yang dihosting Alibaba adalah layanan komersial dan memiliki ketentuannya sendiri — pembatasannya ada pada hosting mandiri checkpoint, yang justru ingin dilakukan sebuah tim ketika memilih model open-weights.

FLUX 3 Image Klein mengambil arah sebaliknya. Berdasarkan FLUX Kommunity License v1.0, bobotnya gratis untuk penggunaan nonkomersial, dan ada pengecualian keluaran komersial untuk "Pengguna yang Memenuhi Kualifikasi" — individu dan perusahaan dengan pendapatan bruto tahunan di bawah US$5M. Di bawah batas itu, Anda dapat merilis keluaran Klein secara komersial tanpa biaya selain komputasi Anda sendiri. Di atasnya, Anda memerlukan lisensi yang dihosting sendiri dari BFL atau menggunakan API.

Jadi pembagiannya bukan "yang satu terbuka dan yang lain tertutup". Keduanya dapat diunduh. Satu dapat diunduh untuk riset, yang lain dapat diunduh untuk keperluan bisnis hingga batas pendapatan tertentu. Bagi pengembang indie atau studio kecil, satu klausul itu saja sudah menentukan hasil adu ini secara mutlak.

Dua ketentuan lain perlu diketahui sebelum Anda memutuskan salah satu jalan. Lisensi Klein melarang penggunaan model, turunannya, atau outputnya untuk meningkatkan model AI lain yang menjalankan fungsi serupa — pembuatan data sintetis untuk melatih model gambar pesaing adalah kasus yang dicakup klausul tersebut. Dan perjanjian Qwen mengharuskan salinan yang didistribusikan ulang menyertakan pemberitahuan atribusinya dan setiap berkas yang dimodifikasi ditandai sebagai telah diubah, yang merupakan administrasi open-source biasa tetapi menjadi kewajiban nyata jika Anda berencana mempublikasikan fine-tune.

Spesifikasi, baris demi baris

• Pembuat gambar — FLUX 3 Image Klein 5,6B parameter vs Qwen-Image 2.1 Turbo 7B (32 lapisan DiT aliran tunggal), masing-masing dihitung sesuai cara penerbitnya menghitungnya, dengan encoder teks dikecualikan dari keduanya.

• Langkah denoising — Klein terdistilasi pada 16 langkah, base pada 50 vs Qwen Turbo pada 8, dengan jadwal sampling-nya tersimpan di dalam checkpoint.

• Output maksimum — Klein hingga kelas 4096px native 4K vs preset terbitan Qwen Turbo yang maksimal 2752×1536 (sekitar 4,2 MP), dengan 2048×2048 sebagai persegi terbesar.

• Gambar referensi — sepuluh di keduanya.

• Kontrol wilayah — kotak pembatas pada kisi 0–1000 untuk Klein (penempatan dan skala, secara eksplisit bukan mask piksel keras) vs lingkaran yang digambar, anotasi yang dilukis, atau mask terpisah untuk Qwen-Image 2.1.

• Transparansi — Qwen-Image 2.1 menghasilkan dan mengedit RGBA native; FLUX 3 Image Klein tidak mengklaim transparansi baik di kartu model maupun halaman produknya.

• Penanganan prompt — Klein memerlukan prompt upsampler di depannya dan kartu modelnya secara tegas menyatakan agar tidak menjalankannya tanpa prompt upsampler tersebut; Qwen Turbo menerima prompt sebagaimana adanya, dengan ekstensi prompt tersedia sebagai parameter API.

• Lisensi — FLUX Kommunity License, output komersial gratis untuk pendapatan di bawah $5M vs Qwen Research License, hanya non-komersial, lisensi terpisah diperlukan untuk menggunakan bobotnya secara komersial.

• Harga API vendor — $0.009 per 1.000 gambar, naik menjadi $0.036 pada 4K vs tarif tetap $0.016 per gambar di setiap preset.

Apa yang sebenarnya dilakukan kedua daftar harga itu dalam volume besar

Daftar tarif Klein berskala sesuai resolusi; milik Qwen Turbo tidak. Hal ini menghasilkan titik persilangan yang mudah terlewatkan saat Anda membandingkan angka-angka utamanya.

• 10.000 gambar pada 1K — Klein $90 vs Qwen-Image 2.1 Turbo $160. Klein 44% lebih murah.

• 10.000 gambar pada 2K — Klein $140 vs Qwen-Image 2.1 Turbo $160. Klein masih lebih murah, sebesar 12,5%.

• 10.000 gambar pada 4K — Klein $360. Qwen-Image 2.1 Turbo tidak memiliki preset 4K untuk dijadikan pembanding harga; ukuran terbesarnya adalah 2752×1536 dengan $160 yang sama.

Itu adalah aritmetika pada dua kartu tarif yang dipublikasikan, bukan penawaran harga. Titik persilangannya berada di antara 2K dan 4K, dan itu ada karena kedua vendor menetapkan harga dalam satuan yang berbeda: BFL menagih per gambar berdasarkan rentang resolusi, Alibaba menagih per gambar dengan tarif flat. Jika beban kerja Anda berada di 1K atau 2K, Klein adalah pilihan yang lebih murah di kedua API, yang merupakan kebalikan dari apa yang akan Anda harapkan dari "model Qwen yang murah". Jika beban kerja Anda benar-benar berada di 4K, Qwen-Image 2.1 Turbo tidak dapat melayaninya sama sekali melalui preset yang dipublikasikan, jadi pertanyaannya bukan harga.

Perbandingannya menjadi satu tingkat lebih rumit saat Anda melakukan hosting sendiri alih-alih memanggil API. Pada perangkat keras Anda sendiri, tidak ada tarif per gambar sama sekali — ada biaya tetap untuk GPU dan biaya per gambar dalam satuan detik — dan kedua model tersebut tidak berdekatan dalam hal kebutuhan untuk menjalankannya.

Menjalankannya sendiri

Jumlahkan daftar file yang dipublikasikan dan kesenjangannya sangat mencolok. Tiga komponen BF16 FLUX 3 Image Klein — transformer 11,1 GB, text encoder 8,9 GB, dan autoencoder 0,34 GB — totalnya sekitar 20,3 GB, dan build INT8-nya berjalan di RTX dengan VRAM sesedikit 8 GB, dengan dokumentasi BFL menetapkan batas minimalnya pada RTX 3090. Unduhan BF16 Qwen-Image 2.1 Turbo didominasi oleh text encoder 17,53 GB, dengan transformer terbagi ke dalam shard 9,97 GB dan 4,26 GB serta VAE 0,68 GB — totalnya sekitar 32,4 GB, jadi text encoder-nya saja lebih besar daripada gabungan semua yang dibutuhkan Klein. Kedua angka tersebut adalah hasil penjumlahan kami atas daftar file milik vendor sendiri, bukan total yang dipublikasikan vendor.

Soal kecepatan, jumlah langkah menyesatkan. Checkpoint terdistilasi Klein menjalankan dua kali lebih banyak langkah daripada delapan langkah Qwen Turbo, tetapi angka terukur BFL — yang diambil oleh NVIDIA, di ComfyUI, pada build terdistilasi INT8 — menempatkan gambar 1 MP pada sekitar 4 detik di RTX 5090 dan di bawah 9 detik di RTX 4070, turun menjadi di bawah 0,6 detik pada GB300 dalam NVFP4. Alibaba tidak menerbitkan angka per-GPU yang sebanding untuk Turbo, jadi posisi yang jujur adalah bahwa delapan langkah Turbo secara arsitektural merupakan jalur yang lebih pendek dan tidak ada pihak di luar Alibaba yang telah menerbitkan angka detik untuknya pada perangkat keras konsumen.

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.

Tidak ada model yang memiliki skor kualitas independen

Ini adalah baris yang dibiarkan kosong oleh kedua lembar spesifikasi, dan ada baiknya kita tepat dalam menjelaskan seberapa kosongnya. Per 16 Oktober 2026, Artificial Analysis menjalankan papan teks-ke-gambar dan pengeditan gambar yang terpisah, dan tidak satu pun memuat entri untuk FLUX 3 Image Klein atau Qwen-Image 2.1 Turbo. Yang justru dimuat oleh papan-papan tersebut adalah generasi sebelumnya dari masing-masing keluarga, yang merupakan hal terdekat dengan pembacaan independen yang tersedia:

• Teks ke gambar — Qwen-Image 2.1 (checkpoint dasar, bukan Turbo) menempati peringkat ke-20 dengan 1.041 Elo dari 5.356 perbandingan, dirilis September 2026. FLUX 3 Image, saudara yang lebih besar yang menaungi Klein, menempati peringkat ke-13 dengan 1.114 Elo dari 5.769 perbandingan.

• Pengeditan gambar — Qwen-Image 2.1 berada di peringkat ke-19 dengan 1.081 Elo dari 6.138 perbandingan. FLUX 3 Image sama sekali tidak memiliki entri di papan pengeditan; model FLUX terdekat yang terdaftar adalah FLUX.2 [Klein] 9B dengan 1.015 Elo dari 6.905 perbandingan.

Baca itu sebagai konteks, bukan sebagai prediksi. Qwen-Image 2.1 dasar bukanlah Turbo — checkpoint yang didistilasi menukar kualitas dengan langkah, dan seberapa besar tepatnya adalah pertanyaan yang dibiarkan terbuka oleh absennya Turbo dari papan. FLUX 3 Image juga bukan Klein, dan postingan peluncuran Black Forest Labs sendiri tidak pernah membandingkan keduanya, yang berarti tidak ada angka terbit di mana pun yang menyatakan seberapa jauh Klein tertinggal di bawah saudara besarnya. Dan di papan penyuntingan, model yang menurut BFL dikalahkan Klein dengan 70 Elo — FLUX.2 [klein] 9B — berada di 1.015, sekitar 66 Elo di bawah posisi Qwen-Image 2.1. Klaim BFL adalah bahwa Klein melampaui selisih itu dan lebih dari itu; satu-satunya bukti untuk itu saat ini adalah bagan BFL sendiri.

Mana yang harus dipilih

Pilih FLUX 3 Image Klein jika outputnya harus komersial dan bisnisnya kecil. Ini satu-satunya dari keduanya yang bobotnya disertai jalur komersial yang dapat digunakan tanpa negosiasi, lebih murah per gambar di kedua API pada 1K dan 2K, dan mencapai 4K. Anggarkan untuk upsampler, dan baca pembatasan lisensi tentang pelatihan pesaing dan redistribusi fine-tune sebelum Anda membangun pipeline data di sekitarnya.

Pilih Qwen-Image 2.1 Turbo jika transparansi atau penyuntingan lokal berbasis mask adalah fitur yang benar-benar Anda butuhkan — Klein tidak menawarkan keduanya — atau jika Anda menjalankan riset, evaluasi, atau prototipe internal yang klausul non-komersialnya tidak pernah mengikat. Delapan langkah dan arsitektur 7B membuatnya efisien untuk dieksperimenkan secara lokal; jejak BF16 sebesar 32.4 GB adalah biaya dari eksperimen tersebut.

Jika Anda memerlukan keduanya, pembagian itu sah: Qwen-Image 2.1 Turbo untuk fase eksplorasi dan jalur transparansinya, FLUX 3 Image Klein untuk jalur pengiriman. Itu adalah keputusan lisensi sama seperti keputusan teknis.

Di mana sebenarnya harus menelepon mereka

Kedua model dapat diakses melalui API milik vendor masing-masing — BFL untuk Klein, Alibaba Cloud Model Studio dan QwenCloud untuk Turbo — serta melalui beberapa platform pihak ketiga. Keduanya belum ada dalam katalog OrcaRouter saat ini, dan kami lebih memilih untuk mengatakan hal itu daripada memberi isyarat tentang cerita perutean yang tidak dapat kami dukung. Yang dapat kami sampaikan adalah di mana alur kerja di sekitarnya cocok: OrcaRouter sudah merutekan serangkaian model gambar terkelola bersama 200+ model teks dan multimodal di balik satu kunci API, dengan markup 0% dari harga daftar penyedia dan failover otomatis antar penyedia. Tim yang menggunakan model gambar terkelola untuk jalur interaktif dan menyimpan checkpoint open-weights untuk pekerjaan batch menjalankan persis pemisahan yang menjadi tujuan dibangunnya satu endpoint, dan jika salah satu dari keduanya masuk ke katalog, di situlah model tersebut akan muncul.

Hal yang perlu diperhatikan bukanlah lembar spesifikasi berikutnya. Yang perlu diperhatikan adalah Elo independen pertama untuk salah satu dari kedua model, di papan yang sama tempat para pendahulunya sudah berada. Sampai itu muncul, dua klaim yang berlaku — "kualitas bobot terbuka terdepan dengan parameter lebih sedikit" dari BFL dan "paling seimbang dan hemat biaya" dari Alibaba — keduanya hanyalah iklan, dan satu-satunya baris dalam perbandingan ini yang dapat Anda tindaklanjuti dengan yakin adalah lisensi, daftar harga, dan batas bawah VRAM.

Kesenjangan antara apa yang diukur oleh papan skor dan apa yang dihadapi oleh suatu deployment adalah alasan catatan ini penting: kegagalan AI dan insiden agen yang terdokumentasi seputar model di kelas ini dikumpulkan dalam OrcaRouter AI Incident Archive, di mana setiap entri mencantumkan sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda disengketakan.