FLUX 3 Image Klein vs Qwen-Image 2.1 Turbo: 라이선스가 벤치마크보다 먼저 이걸 결정한다

FLUX 3 Image Klein2026년 10월 15일 Black Forest Labs에서, Qwen-Image 2.1 Turbo는 2026년 10월 9일 일주일 앞서 Alibaba에서 나왔는데, 두 회사가 내놓은 같은 제품처럼 보인다: 텍스트-투-이미지, 편집, 다중 참조 구성을 하나의 가중치 세트로 처리하는 소형 오픈 웨이트 이미지 생성기이며, 둘 다 최대 10개의 참조 이미지를 받아들이고, 둘 다 가속 추론 경로를 함께 제공한다. 스펙 시트를 나란히 놓고 보면 Qwen-Image 2.1 Turbo가 대부분의 항목에서 우세하다 — 더 많은 파라미터, 더 적은 노이즈 제거 단계, 투명도, 마스크. 그런 다음 두 라이선스를 읽어보면, 더 작고 더 느려 보이며 따져보기엔 더 까다로운 모델이, 아무것도 서명하지 않고도 사업을 구축할 수 있는 둘 중 유일한 모델이라는 사실이 드러난다.

그 역전이 비교의 전부입니다. 파라미터 수, 가격, 렌더링 시간 같은 나머지 모든 것은 그것을 통과하고 나서야 저울질하게 되는 세부 사항일 뿐입니다.

각 모델이 실제로 무엇인지

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 Turbo는 Qwen-Image 2.1의 가속화된 체크포인트로, 동일한 7B 비주얼 생성 아키텍처 — 32개의 단일 스트림 DiT 레이어 — 를 유지하며, 저장된 샘플링 스케줄과 프리픽스 KV 캐싱을 통해 추론을 8개의 디노이징 단계로 줄였습니다. 이는 통합 생성 및 편집 모델로, Klein이 따라잡을 수 없는 기능 목록을 갖추고 있습니다: 네이티브 투명도로 RGBA 이미지를 직접 생성하고 편집할 수 있으며, 바운딩 박스가 아닌 그린 원, 그린 주석 또는 별도 마스크를 통한 로컬 편집이 가능합니다. 가중치는 Qwen Research License Agreement에 따라 제공되며, 호스팅 버전은 Alibaba Cloud Model Studio와 QwenCloud를 통해 이미지당 $0.016로 책정되어 있습니다.

둘 다 다운로드하는 사람에게 중요한 의미에서는 진정한 오픈 웨이트 공개입니다. 파일을 받아 로컬에서 실행하고 파인튜닝할 수 있습니다. 그 결과물로 무엇을 할 수 있는지는 별개의 문제이며, 두 공급업체가 서로 다르게 답하는 것이 바로 그 문제입니다.

라이선스가 바로 그들이 갈라서는 지점이다.

Qwen 연구 라이선스 계약은 첫 부분에서 명확합니다: 부여되는 권리는 "비상업적 목적으로만"이며, 섹션 2(b)에서는 "당사로부터 별도의 상업용 라이선스를 취득하지 않고는 상업적 목적으로 자료를 사용해서는 안 됩니다"라고 명시합니다. 계약에서 비상업적(Non-Commercial)에 대해 사용하는 표현은 "연구 또는 평가 목적"입니다. 즉, Qwen-Image 2.1 Turbo 가중치는 항저우 통이 연구소(Hangzhou Tongyi Laboratory)와 협상된 라이선스 없이는 제품에 들어갈 수 없습니다. Alibaba의 호스팅 API를 통해 모델을 구매하는 것은 상업적 서비스이며 자체 약관이 적용됩니다 — 제한은 체크포인트를 자체 호스팅하는 것에 관한 것이며, 이는 바로 팀이 오픈 웨이트 모델을 선택하는 이유입니다.

FLUX 3 Image Klein은 정반대 방향으로 갑니다. FLUX Kommunity License v1.0에 따라 가중치는 비상업적 사용에는 무료로 제공되며, "자격 사용자"—연환산 총매출이 미화 500만 달러 미만인 개인 및 기업—를 위한 상업적 출력 예외가 있습니다. 그 기준선 아래에서는 자체 컴퓨팅 비용 외에 추가 비용 없이 Klein의 출력물을 상업적으로 배포할 수 있습니다. 그 위에서는 BFL의 자체 호스팅 라이선스가 필요하거나 API를 사용해야 합니다.

그러니까 구분은 "하나는 오픈이고 하나는 클로즈드"가 아닙니다. 둘 다 다운로드할 수 있습니다. 하나는 연구용으로 다운로드할 수 있고, 다른 하나는 매출 기준액까지의 비즈니스용으로 다운로드할 수 있습니다. 인디 개발자나 소규모 스튜디오에게는 바로 그 한 조항이 맞대결의 승패를 단번에 결정합니다.

어느 쪽으로든 결정을 내리기 전에 알아 둘 만한 두 가지 추가 조건이 있습니다. Klein의 라이선스는 해당 모델, 그 파생물 또는 그 출력을 유사한 기능을 수행하는 다른 AI 모델을 개선하는 데 사용하는 것을 금지합니다. 경쟁 이미지 모델을 훈련하기 위한 합성 데이터 생성이 바로 그 조항이 포괄하는 사례입니다. 그리고 Qwen의 계약은 재배포되는 사본에 저작자 표시 고지를 포함하고 수정된 파일은 변경되었음을 표시할 것을 요구합니다. 이는 일반적인 오픈소스 관리 절차이지만, 파인튜닝 결과를 공개할 계획이라면 실제 의무입니다.

사양, 행별로

• 이미지 생성기 — FLUX 3 Image Klein 5.6B 파라미터 대 Qwen-Image 2.1 Turbo 7B(단일 스트림 DiT 레이어 32개), 각각 해당 배포자가 집계한 방식 기준이며, 둘 다 텍스트 인코더는 제외.

• 디노이징 단계 — Klein 증류 모델은 16단계, 베이스는 50단계, Qwen Turbo는 8단계이며, 샘플링 스케줄은 체크포인트 내부에 저장되어 있습니다.

• 최대 출력 — Klein은 최대 4096px급 네이티브 4K를 지원하는 반면, Qwen Turbo의 공개된 프리셋은 최대 2752×1536(약 4.2 MP)이며, 가장 큰 정사각형은 2048×2048입니다.

• 참조 이미지 — 양쪽 모두 열 장.

• 영역 제어 — Klein의 경우 0–1000 그리드상의 바운딩 박스(배치와 스케일, 명시적으로 하드 픽셀 마스크가 아님) vs Qwen-Image 2.1의 경우 그려진 원, 페인트된 주석 또는 별도의 마스크.

• 투명도 — Qwen-Image 2.1은 네이티브 RGBA를 생성하고 편집합니다. FLUX 3 Image Klein은 모델 카드와 제품 페이지 어디에도 투명도 관련 주장을 내세우지 않습니다.

• 프롬프트 처리 — Klein은 앞단에 프롬프트 업샘플러가 필요하며, 모델 카드에는 업샘플러 없이 실행하지 말라고 명시되어 있습니다. Qwen Turbo는 프롬프트를 작성된 그대로 받아들이며, 프롬프트 확장은 API 매개변수로 사용할 수 있습니다.

• 라이선스 — FLUX Kommunity License는 매출 500만 달러 미만일 때 상업적 결과물이 무료인 반면, Qwen Research License는 비상업적 용도로만 허용되며, 가중치를 상업적으로 사용하려면 별도 라이선스가 필요합니다.

• 벤더 API 가격 — 1K 이미지당 $0.009이며, 4K에서는 $0.036까지 오르는 반면, 모든 프리셋에서 이미지당 $0.016으로 고정입니다.

두 가격표가 대량 구매 시 실제로 하는 일

Klein의 요금표는 해상도에 따라 달라지지만 Qwen Turbo의 요금표는 그렇지 않습니다. 이로 인해 대표 수치를 비교할 때 놓치기 쉬운 교차점이 발생합니다.

• 1K 해상도 이미지 10,000장 — Klein $90 대 Qwen-Image 2.1 Turbo $160. Klein이 44% 더 저렴합니다.

• 2K 해상도 10,000장 — Klein $140 대 Qwen-Image 2.1 Turbo $160. Klein이 여전히 12.5% 더 저렴합니다.

• 4K로 10,000장 — Klein $360. Qwen-Image 2.1 Turbo에는 가격을 비교할 4K 프리셋이 없으며, 가장 큰 해상도는 2752×1536이고 가격은 동일하게 $160입니다.

그것들은 공개된 두 요율표에 대한 계산이지, 견적이 아닙니다. 교차점은 2K와 4K 사이에 있으며, 이는 두 공급업체가 서로 다른 단위로 가격을 책정했기 때문에 존재합니다: BFL은 해상도 구간별로 이미지당 요금을 부과하고, Alibaba는 이미지당 정액 요금을 부과합니다. 워크로드가 1K나 2K에 있다면, Klein이 두 API 모두에서 더 저렴한 선택이며, 이는 "저렴한 Qwen 모델"이라는 말이 예상하게 하는 것과 정반대입니다. 워크로드가 실제 4K에 있다면, Qwen-Image 2.1 Turbo는 공개된 프리셋을 통해서는 이를 전혀 처리할 수 없으므로, 문제는 가격이 아닙니다.

API를 호출하는 대신 직접 호스팅하면 비교에 변수가 하나 더 생깁니다. 자체 하드웨어에서는 이미지당 요금이 전혀 없고, GPU에 대한 고정 비용과 초 단위의 이미지당 비용만 있으며, 두 모델은 실행에 필요한 요구 사항에서 서로 크게 다릅니다.

직접 실행하기

공개된 파일 목록을 모두 더해 보면 격차는 극명하다. FLUX 3 Image Klein의 세 가지 BF16 구성 요소인 11.1 GB 트랜스포머, 8.9 GB 텍스트 인코더, 0.34 GB 오토인코더를 합치면 약 20.3 GB이며, INT8 빌드는 VRAM이 8 GB에 불과한 RTX에서도 실행되는데, BFL 문서에서는 최소 사양을 RTX 3090으로 제시한다. Qwen-Image 2.1 Turbo의 BF16 다운로드는 17.53 GB 텍스트 인코더가 대부분을 차지하며, 트랜스포머는 9.97 GB와 4.26 GB 샤드로 나뉘고 VAE는 0.68 GB로, 총 약 32.4 GB에 이른다. 따라서 텍스트 인코더 하나만으로도 Klein에 필요한 모든 것을 합친 것보다 크다. 두 수치는 모두 벤더가 공개한 파일 목록을 우리가 직접 합산한 값이며, 벤더가 공표한 총계가 아니다.

속도는 스텝 수가 오히려 오해를 불러일으키는 지점이다. Klein의 증류 체크포인트는 Qwen Turbo의 8스텝보다 두 배 많은 스텝으로 실행되지만, BFL이 측정한 수치 — NVIDIA가 ComfyUI에서 INT8 증류 빌드로 측정한 — 는 1 MP 이미지를 RTX 5090에서 약 4초, RTX 4070에서 9초 미만으로, GB300에서는 NVFP4로 0.6초 미만까지 떨어뜨린다. Alibaba는 Turbo에 대해 이에 비교할 만한 GPU별 수치를 공개하지 않았으므로, 정직한 입장은 Turbo의 8스텝이 구조적으로 더 짧은 경로이며 Alibaba 외부의 누구도 소비자용 하드웨어에서 Turbo의 초 단위 수치를 공개한 적이 없다는 것이다.

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.

어느 모델에도 독립적인 품질 점수가 없습니다.

이것은 두 사양서 모두 비워 둔 행이며, 그 행이 얼마나 비어 있는지 정확히 따져볼 가치가 있습니다. 2026년 10월 16일 기준으로, Artificial Analysis는 텍스트-투-이미지와 이미지 편집 리더보드를 별도로 운영하고 있으며, 어느 쪽에도 FLUX 3 Image Klein이나 Qwen-Image 2.1 Turbo에 대한 항목은 없습니다. 두 리더보드가 실제로 싣고 있는 것은 각 제품군의 이전 세대이며, 이는 이용 가능한 독립적인 평가에 가장 가까운 것입니다:

• 텍스트-투-이미지 — Qwen-Image 2.1(기본 체크포인트, Turbo 아님)은 5,356회의 비교에서 Elo 1,041로 20위를 기록했으며, 2026년 9월에 출시되었습니다. Klein이 속한 더 큰 형제 모델인 FLUX 3 Image는 5,769회의 비교에서 Elo 1,114로 13위를 기록했습니다.

• 이미지 편집 — Qwen-Image 2.1은 6,138회의 비교에서 Elo 1,081로 19위를 기록했습니다. FLUX 3 Image는 편집 리더보드에 항목 자체가 없으며, 목록에 있는 가장 가까운 FLUX 모델은 FLUX.2 [Klein] 9B로 6,905회의 비교에서 Elo 1,015입니다.

이것들은 예측이 아니라 맥락으로 읽어야 한다. 기본 Qwen-Image 2.1은 Turbo가 아니다. 증류된 체크포인트는 품질을 스텝 수와 맞바꾸는 법인데, 그 대가가 정확히 얼마나 큰지는 Turbo가 보드에 없다는 사실이 남겨둔 바로 그 물음이다. FLUX 3 Image도 Klein이 아니며, Black Forest Labs 자신의 출시 게시물에서도 두 모델을 비교한 적이 없다. 즉 Klein이 더 큰 형제 모델에 얼마나 못 미치는지 밝히는 공개된 수치가 어디에도 없다는 뜻이다. 그리고 편집 보드에서 BFL이 Klein이 70 Elo 차이로 앞선다고 주장하는 모델, 즉 FLUX.2 [klein] 9B는 1,015에 머물러 있는데, 이는 Qwen-Image 2.1이 기록한 점수보다 대략 66 Elo 낮은 수치다. BFL의 주장은 Klein이 그 격차를 넘어서고도 남는다는 것이지만, 현재로서는 BFL 자체 차트가 유일한 근거다.

어느 걸 고를까?

출력이 상업용이어야 하고 비즈니스 규모가 작다면 FLUX 3 Image Klein을 선택하세요. 둘 중 가중치에 협상 없이 사용 가능한 상업적 경로가 함께 제공되는 것은 이것뿐이며, 1K와 2K 모두에서 두 API 모두 이미지당 더 저렴하고, 4K까지 도달합니다. 업샘플러 비용을 예산에 넣고, 이를 기반으로 데이터 파이프라인을 구축하기 전에 경쟁사 학습 및 파인튜닝 재배포에 관한 라이선스 제한을 읽어 보세요.

투명도나 마스크 기반 국소 편집이 실제로 필요한 기능이라면 — Klein은 둘 다 제공하지 않습니다 — Qwen-Image 2.1 Turbo를 선택하세요. 또는 비상업적 조항이 전혀 구속하지 않는 연구, 평가, 내부 프로토타입을 진행 중인 경우에도 선택하세요. 8단계와 7B 아키텍처 덕분에 로컬에서 실험하기에 효율적이며, 32.4 GB BF16 풋프린트가 그 실험의 대가입니다.

둘 다 필요하다면, 분할은 정당합니다: 탐색 단계와 그 투명성 경로에는 Qwen-Image 2.1 Turbo를, 출시 경로에는 FLUX 3 Image Klein을 사용하는 것입니다. 이는 기술적 결정만큼이나 라이선스 결정이기도 합니다.

실제로 어디로 전화해야 하는지

두 모델 모두 공급업체 자체 API를 통해 접근할 수 있습니다 — Klein은 BFL, Turbo는 Alibaba Cloud Model Studio와 QwenCloud — 그리고 여러 서드파티 플랫폼을 통해서도 가능합니다. 현재 OrcaRouter의 카탈로그에는 둘 다 없으며, 뒷받침할 수 없는 라우팅 이야기를 얼버무리기보다는 그대로 말하는 편을 택하겠습니다. 말할 수 있는 것은 주변 워크플로가 어디에 맞는지입니다: OrcaRouter는 이미 하나의 API 키 뒤에서 200개 이상의 텍스트 및 멀티모달 모델과 함께 호스팅 이미지 모델 세트를 라우팅하며, 공급업체 정가에 0% 마크업, 공급업체 간 자동 장애 조치를 제공합니다. 대화형 경로에는 호스팅 이미지 모델을 사용하고 배치 작업에는 오픈 웨이트 체크포인트를 유지하는 팀은 단일 엔드포인트가 바로 위해 설계된 분할을 실행하고 있으며, 이 둘 중 하나라도 카탈로그에 들어오면 바로 그곳에 나타날 것입니다.

주목해야 할 것은 다음 스펙 시트가 아니다. 그것은 두 모델 중 어느 쪽이든, 그 전작들이 이미 자리 잡고 있는 바로 그 리더보드에서 나오는 첫 독립 Elo다. 그것이 나오기 전까지, 현재 거론되는 두 주장 — BFL의 "더 적은 파라미터로 앞서는 오픈 웨이트 품질"과 Alibaba의 "가장 균형 잡히고 비용 효율적" — 은 둘 다 광고일 뿐이며, 이 비교에서 확신을 갖고 행동에 옮길 수 있는 항목은 라이선스, 가격표, VRAM 하한뿐이다.

스코어보드가 측정하는 것과 배포가 실제로 마주하는 것 사이의 그 간극이 바로 이 기록이 중요한 이유입니다: 이 계열의 모델과 관련된 문서화된 AI 실패 및 에이전트 사고가 수집되는 곳은 OrcaRouter AI Incident Archive이며, 각 항목은 자체 출처, 심각도, 신뢰도 등급 및 이의 제기 플래그를 갖추고 있습니다.