FLUX 3 Image Klein vs Qwen-Image 2.1 Turbo: la licenza lo decide prima ancora dei benchmark

FLUX 3 Image Klein, di Black Forest Labs, il 15 ottobre 2026, e Qwen-Image 2.1 Turbo, di Alibaba, una settimana prima, il 9 ottobre 2026, sembrano lo stesso prodotto realizzato da due aziende: piccoli generatori di immagini con pesi aperti che gestiscono text-to-image, editing e composizione multi-riferimento in un unico set di pesi, entrambi in grado di accettare fino a dieci immagini di riferimento, entrambi forniti con percorsi di inferenza accelerata. Metti le schede tecniche una accanto all'altra e Qwen-Image 2.1 Turbo vince sulla maggior parte delle righe — più parametri, meno passaggi di denoising, trasparenza, maschere. Poi leggi le due licenze, e il modello più piccolo, apparentemente più lento e più oneroso da analizzare, si rivela essere l'unico dei due su cui puoi costruire un business senza firmare nulla.

Quell'inversione è l'intero confronto. Tutto il resto — il numero di parametri, i prezzi, i tempi di rendering — è un dettaglio che valuti una volta superato quel punto.

Cosa è realmente ciascun modello

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 è un checkpoint accelerato di Qwen-Image 2.1, che mantiene la stessa architettura di generazione visiva da 7B — 32 livelli DiT a flusso singolo — e riduce l'inferenza a 8 passaggi di denoising con una pianificazione di campionamento salvata e caching KV del prefisso. È un modello unificato di generazione e modifica con un elenco di funzionalità che Klein non eguaglia: trasparenza nativa, quindi genera e modifica direttamente immagini RGBA; e modifiche locali tramite cerchi disegnati, annotazioni dipinte o maschere separate anziché bounding box. I pesi sono soggetti al Qwen Research License Agreement, e la versione ospitata ha un prezzo di $0,016 per immagine tramite Alibaba Cloud Model Studio e QwenCloud.

Entrambe sono vere release open-weights nel senso che conta per chi scarica: puoi ottenere i file, eseguirli localmente e fare fine-tuning. Cosa puoi poi fare con l'output è una questione diversa, ed è quella a cui i due fornitori rispondono in modo diverso.

La licenza è il punto in cui si separano

Il Qwen Research License Agreement è inequivocabile fin dall'inizio: la concessione è «FOR NON-COMMERCIAL PURPOSES ONLY» e la sezione 2(b) stabilisce che «non potrai usare i Materiali per alcuno scopo commerciale senza aver ottenuto da noi una licenza commerciale separata». La dicitura che l'accordo usa per Non-Commercial è «scopi di ricerca o valutazione». Ciò significa che il modello Qwen-Image 2.1 Turbo e i suoi pesi non possono essere integrati in un prodotto senza una licenza negoziata da Hangzhou Tongyi Laboratory. Acquistare il modello tramite l'API ospitata di Alibaba è un servizio commerciale e comporta condizioni proprie: la restrizione riguarda l'auto-hosting del checkpoint, che è esattamente ciò per cui un team sceglie un modello open-weights.

FLUX 3 Image Klein va nella direzione opposta. Secondo la FLUX Kommunity License v1.0, i pesi sono gratuiti per uso non commerciale, ed esiste un'eccezione per l'output commerciale per i "Qualifying Users" — individui e aziende con ricavi annualizzati lordi inferiori a 5 milioni di USD. Sotto quella soglia puoi distribuire commercialmente l'output di Klein senza altri costi oltre alle tue risorse di calcolo. Sopra quella soglia, ti serve una licenza self-hosted da BFL oppure usi l'API.

Quindi la distinzione non è "uno è aperto e l'altro è chiuso". Entrambi sono scaricabili. Uno è scaricabile per la ricerca, l'altro è scaricabile per un'azienda fino a una soglia di fatturato. Per uno sviluppatore indipendente o un piccolo studio, quella singola clausola decide il confronto in modo netto.

Ci sono due ulteriori termini che vale la pena conoscere prima di decidere in un senso o nell'altro. La licenza di Klein vieta di usare il modello, i suoi derivati o i suoi output per migliorare un altro modello di IA che svolge una funzione simile — la generazione di dati sintetici per addestrare un modello di immagini concorrente è il caso coperto da quella clausola. E l'accordo di Qwen richiede che le copie ridistribuite rechino la sua nota di attribuzione e che eventuali file modificati siano contrassegnati come modificati, cosa che rientra nella normale gestione open source ma è un obbligo concreto se hai intenzione di pubblicare un fine-tune.

Specifiche, riga per riga

• Generatore di immagini — FLUX 3 Image Klein 5,6 miliardi di parametri vs Qwen-Image 2.1 Turbo 7B (32 strati DiT single-stream), ciascuno conteggiato secondo il metodo del rispettivo publisher, con i text encoder esclusi da entrambi.

• Passaggi di denoising — Klein distillato a 16 passaggi, base a 50 contro Qwen Turbo a 8, con il suo schema di campionamento salvato all'interno del checkpoint.

• Uscita massima — Klein fino a 4K nativo di classe 4096px rispetto ai preset pubblicati di Qwen Turbo che si fermano a 2752×1536 (circa 4,2 MP), con 2048×2048 come quadrato più grande.

• Immagini di riferimento — dieci su entrambi.

• Controllo della regione — bounding box su una griglia da 0 a 1000 per Klein (posizionamento e scala, esplicitamente non una maschera rigida a livello di pixel) vs cerchi disegnati, annotazioni dipinte o una maschera separata per Qwen-Image 2.1.

• Trasparenza — Qwen-Image 2.1 genera e modifica RGBA nativo; FLUX 3 Image Klein non dichiara alcuna funzionalità di trasparenza né sulla propria model card né sulla pagina di prodotto.

• Gestione dei prompt — Klein richiede un upsampler di prompt a monte e la sua model card afferma esplicitamente di non eseguirlo senza; Qwen Turbo accetta il prompt così come scritto, con l'estensione del prompt disponibile come parametro API.

• Licenza — Licenza FLUX Kommunity, output commerciale gratuito sotto i 5 milioni di dollari di fatturato vs Licenza Qwen Research, solo per uso non commerciale, licenza separata necessaria per utilizzare i pesi commercialmente.

• Prezzo API del fornitore — 0,009 $ per 1K immagini, che sale a 0,036 $ a 4K rispetto a 0,016 $ fissi per immagine a ogni preset.

Che cosa fanno realmente i due listini prezzi ad alto volume

La tariffa di Klein scala con la risoluzione; quella di Qwen Turbo no. Questo produce un incrocio che è facile lasciarsi sfuggire quando si confrontano i numeri di punta.

• 10.000 immagini a 1K — Klein $90 contro Qwen-Image 2.1 Turbo $160. Klein costa il 44% in meno.

• 10.000 immagini a 2K — Klein 140 $ vs Qwen-Image 2.1 Turbo 160 $. Klein costa ancora meno, del 12,5%.

• 10.000 immagini in 4K — Klein 360 $. Qwen-Image 2.1 Turbo non ha un preset 4K con cui confrontare il prezzo; il suo formato più grande è 2752×1536 allo stesso prezzo di 160 $.

Quella è aritmetica su due listini pubblicati, non preventivi. Il punto di incrocio si colloca tra 2K e 4K, ed esiste perché i due fornitori hanno prezzato in unità diverse: BFL addebita per immagine in base alla fascia di risoluzione, Alibaba addebita un prezzo fisso per immagine. Se il tuo carico di lavoro si colloca a 1K o 2K, Klein è l'opzione più economica su entrambe le API, il che è l'opposto di ciò che "il modello Qwen economico" ti porterebbe ad aspettarti. Se si colloca a vero 4K, Qwen-Image 2.1 Turbo non può servirlo affatto tramite i preset pubblicati, quindi la questione non è il prezzo.

Il confronto acquista un'ulteriore sfumatura quando fai self-hosting invece di chiamare un'API. Sul tuo hardware non esiste affatto una tariffa per immagine — c'è un costo fisso per la GPU e un costo per immagine misurato in secondi — e i due modelli non sono affatto simili in quanto a ciò che richiedono per funzionare.

Eseguirli tu stesso

Somma gli elenchi dei file pubblicati e il divario è netto. I tre componenti BF16 di FLUX 3 Image Klein — un transformer da 11,1 GB, un text encoder da 8,9 GB e un autoencoder da 0,34 GB — arrivano a circa 20,3 GB, e la build INT8 gira su una RTX con appena 8 GB di VRAM, con la documentazione di BFL che fissa il minimo a una RTX 3090. Il download BF16 di Qwen-Image 2.1 Turbo è dominato da un text encoder da 17,53 GB, con il transformer suddiviso tra uno shard da 9,97 GB e uno da 4,26 GB e un VAE da 0,68 GB — circa 32,4 GB in totale, quindi il suo text encoder da solo è più grande di tutto ciò che Klein richiede messo insieme. Entrambe le cifre sono state ottenute sommando gli elenchi dei file dei fornitori stessi, non sono totali pubblicati dai fornitori.

La velocità è il punto in cui il conteggio degli step trae in inganno. Il checkpoint distillato di Klein esegue il doppio degli step rispetto agli otto di Qwen Turbo, ma i numeri misurati di BFL — rilevati da NVIDIA, in ComfyUI, sulla build distillata INT8 — collocano un'immagine da 1 MP a circa 4 secondi su una RTX 5090 e a meno di 9 secondi su una RTX 4070, scendendo sotto 0,6 secondi su una GB300 in NVFP4. Alibaba non pubblica un dato per GPU comparabile per Turbo, quindi la posizione onesta è che gli otto step di Turbo siano architetturalmente il percorso più breve e che nessuno al di fuori di Alibaba abbia pubblicato i secondi per esso su hardware consumer.

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.

Nessuno dei due modelli ha un punteggio di qualità indipendente

Questa è la riga che entrambe le schede tecniche lasciano in bianco, e vale la pena essere precisi su quanto sia in bianco. Al 16 ottobre 2026, Artificial Analysis gestisce classifiche separate per text-to-image e image-editing, e nessuna delle due contiene una voce per FLUX 3 Image Klein né per Qwen-Image 2.1 Turbo. Ciò che le classifiche contengono è la generazione precedente di ciascuna famiglia, che è la cosa più vicina a una lettura indipendente disponibile:

• Da testo a immagine — Qwen-Image 2.1 (il checkpoint base, non Turbo) si classifica al 20º posto con 1.041 Elo su 5.356 confronti, rilasciato a settembre 2026. FLUX 3 Image, il modello affine più grande sotto cui si colloca Klein, si classifica al 13º posto con 1.114 Elo su 5.769 confronti.

• Modifica delle immagini — Qwen-Image 2.1 si classifica al 19º posto con 1.081 Elo su 6.138 confronti. FLUX 3 Image non compare affatto nella classifica di editing; il modello FLUX più vicino in elenco è FLUX.2 [Klein] 9B con 1.015 Elo su 6.905 confronti.

Leggili come contesto, non come una previsione. Il modello base Qwen-Image 2.1 non è Turbo — un checkpoint distillato baratta qualità in cambio di passi, e quanto esattamente lo sia è proprio la domanda che l'assenza di Turbo dalla classifica lascia aperta. FLUX 3 Image non è nemmeno Klein, e il post di lancio di Black Forest Labs non confronta mai i due, il che significa che non esiste da nessuna parte una cifra pubblicata che indichi quanto Klein sia inferiore al suo fratello maggiore. E nella classifica di editing, il modello che BFL dice che Klein batte di 70 Elo — FLUX.2 [klein] 9B — si trova a 1.015, circa 66 Elo sotto il punto in cui si colloca Qwen-Image 2.1. L'affermazione di BFL è che Klein colma quel divario e anche di più; l'unica prova al momento è il grafico di BFL stesso.

Quale scegliere?

Scegli FLUX 3 Image Klein se l'output deve essere commerciale e l'azienda è piccola. È l'unico dei due i cui pesi vengono forniti con un percorso commerciale utilizzabile, senza bisogno di negoziazioni: costa meno per immagine su entrambe le API a 1K e 2K, e arriva a 4K. Metti in budget l'upsampler e leggi le restrizioni della licenza sull'addestramento dei concorrenti e sulla ridistribuzione dei fine-tune prima di costruirci sopra una pipeline di dati.

Scegli Qwen-Image 2.1 Turbo se la trasparenza o la modifica locale basata su maschere è la funzionalità di cui hai davvero bisogno — Klein non offre nessuna delle due — oppure se stai svolgendo ricerca, valutazione o un prototipo interno in cui la clausola di non commercialità non vincola mai. Otto passaggi e un'architettura da 7B lo rendono uno strumento efficiente con cui sperimentare in locale; l'occupazione di 32,4 GB in BF16 è il costo di questo esperimento.

Se ti servono entrambi, la suddivisione è legittima: Qwen-Image 2.1 Turbo per la fase di esplorazione e il suo percorso di trasparenza, FLUX 3 Image Klein per il percorso di produzione. È una decisione di licenza tanto quanto una decisione tecnica.

Dove chiamarli davvero

Entrambi i modelli sono raggiungibili tramite l'API proprietaria del fornitore — BFL per Klein, Alibaba Cloud Model Studio e QwenCloud per Turbo — e attraverso diverse piattaforme di terze parti. Nessuno dei due è oggi nel catalogo di OrcaRouter, e preferiamo dirlo piuttosto che alludere a una storia di routing che non possiamo sostenere. Quello che possiamo dire è dove si inserisce il flusso di lavoro circostante: OrcaRouter instrada già una serie di modelli di immagini ospitati insieme a oltre 200 modelli testuali e multimodali dietro un'unica chiave API, con markup dello 0% sul prezzo di listino del fornitore e failover automatico tra fornitori. I team che usano un modello di immagini ospitato per il percorso interattivo e mantengono un checkpoint open-weights per il lavoro in batch stanno adottando esattamente la suddivisione per cui è pensato un singolo endpoint, e se uno di questi due finisse nel catalogo, è lì che apparirà.

La cosa da tenere d'occhio non è la prossima scheda tecnica. È il primo Elo indipendente per l'uno o per l'altro modello, sulla stessa classifica dove già figurano i loro predecessori. Finché non arriva, le due affermazioni in gioco — «qualità di punta nei pesi aperti con meno parametri» di BFL e «il più equilibrato e conveniente» di Alibaba — sono entrambe pubblicità, e le uniche righe di questo confronto su cui puoi agire con sicurezza sono la licenza, il listino prezzi e la soglia minima di VRAM.

Quel divario tra ciò che un tabellone dei punteggi misura e ciò che un deployment incontra nella pratica è il motivo per cui il registro conta: i fallimenti documentati dell'IA e gli incidenti degli agenti relativi ai modelli di questa classe sono raccolti in the OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.