FLUX 3 Image Klein vs Qwen-Image 2.1 Turbo: De licentie beslist dit al voordat de benchmarks dat doen

FLUX 3 Image Klein, van Black Forest Labs op 15 oktober 2026, en Qwen-Image 2.1 Turbo, van Alibaba een week eerder, op 9 oktober 2026, lijken hetzelfde product van twee bedrijven: kleine open-weights-beeldgeneratoren die tekst-naar-afbeelding, bewerken en compositie met meerdere referenties in één set gewichten afhandelen, beide accepteren ze tot tien referentieafbeeldingen, beide worden ze geleverd met versnelde inferentiepaden. Leg de specificatiebladen naast elkaar en Qwen-Image 2.1 Turbo wint op de meeste rijen — meer parameters, minder denoiseringsstappen, transparantie, maskers. Lees dan de twee licenties, en het kleinere, ogenschijnlijk tragere model dat moeilijker te doorgronden is, blijkt van de twee de enige te zijn waarop je een bedrijf kunt bouwen zonder iets te ondertekenen.

Die omkering is de hele vergelijking. Al het andere — de parameteraantallen, de prijzen, de rendertijden — is een detail dat je afweegt zodra je die achter je hebt gelaten.

Wat elk model daadwerkelijk is

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 is een versneld checkpoint van Qwen-Image 2.1 dat dezelfde 7B-architectuur voor visuele generatie behoudt — 32 single-stream DiT-lagen — en inferentie terugbrengt tot 8 denoising-stappen met een opgeslagen sampling-schema en prefix-KV-caching. Het is een uniform generatie- en bewerkingsmodel met een functielijst die Klein niet evenaart: native transparantie, zodat het rechtstreeks RGBA-afbeeldingen genereert en bewerkt; en lokale bewerkingen via getekende cirkels, geschilderde annotaties of afzonderlijke maskers in plaats van bounding boxes. De gewichten vallen onder de Qwen Research License Agreement, en de gehoste versie is geprijsd op $0.016 per afbeelding via Alibaba Cloud Model Studio en QwenCloud.

Beide zijn echte open-weights-releases in de zin die ertoe doet voor een downloader: je kunt de bestanden krijgen, ze lokaal draaien en fine-tunen. Wat je vervolgens met de output mag doen, is een andere vraag, en het is de vraag die de twee leveranciers verschillend beantwoorden.

De licentie is het punt waarop ze uiteengaan.

De Qwen Research License Agreement is bovenaan ondubbelzinnig: de verlening luidt "ALLEEN VOOR NIET-COMMERCIËLE DOELEINDEN", en artikel 2(b) zegt dat u "de Materialen niet voor enig commercieel doel mag gebruiken zonder een aparte commerciële licentie van ons te verkrijgen". Het woord dat de overeenkomst voor niet-commercieel gebruikt, is "onderzoeks- of evaluatiedoeleinden". Dat betekent dat de Qwen-Image 2.1 Turbo-gewichten niet in een product kunnen worden verwerkt zonder een onderhandelde licentie van Hangzhou Tongyi Laboratory. Het kopen van het model via de gehoste API van Alibaba is een commerciële dienst en kent zijn eigen voorwaarden — de beperking geldt voor het zelf hosten van de checkpoint, en dat is precies waarvoor een team een open-gewichtenmodel kiest.

FLUX 3 Image Klein doet het tegenovergestelde. Onder de FLUX Kommunity License v1.0 zijn de gewichten gratis voor niet-commercieel gebruik, en er is een uitzondering voor commerciële output voor "Qualifying Users" — individuen en bedrijven met een bruto geannualiseerde omzet van minder dan US$5M. Onder die grens kunt u de output van Klein commercieel uitbrengen zonder andere kosten dan uw eigen rekenkracht. Daarboven hebt u een self-hosted licentie van BFL nodig, of u gebruikt de API.

De tweedeling is dus niet "de ene is open en de andere is gesloten". Beide zijn te downloaden. De ene is te downloaden voor onderzoek, de andere is te downloaden voor bedrijven tot een omzetdrempel. Voor een indieontwikkelaar of een kleine studio beslist die ene clausule de vergelijking meteen.

Nog twee voorwaarden zijn het kennen waard voordat je een keuze maakt. Kleins licentie verbiedt het gebruik van het model, de afgeleiden ervan of de outputs ervan om een ander AI-model dat een vergelijkbare functie vervult te verbeteren — het genereren van synthetische data voor het trainen van een concurrerend beeldmodel is het geval dat die clausule dekt. En de overeenkomst van Qwen vereist dat herverdeelde kopieën de attributievermelding bevatten en dat gewijzigde bestanden als gewijzigd worden gemarkeerd, wat gewone open-sourceboekhouding is, maar een echte verplichting vormt als je van plan bent een fine-tune te publiceren.

Specificaties, rij voor rij

• Beeldgenerator — FLUX 3 Image Klein 5,6B parameters vs. Qwen-Image 2.1 Turbo 7B (32 single-stream DiT-lagen), elk geteld zoals de uitgever ze telt, tekstencoders bij beide niet meegerekend.

• Denoising-stappen — Klein gedistilleerd op 16 stappen, base op 50 tegenover Qwen Turbo op 8, met het sampling-schema opgeslagen in het checkpoint.

• Maximale output — Klein tot 4096px-klasse native 4K versus de gepubliceerde presets van Qwen Turbo, die maximaal 2752×1536 halen (ongeveer 4,2 MP), met 2048×2048 als het grootste vierkant.

• Referentieafbeeldingen — tien aan beide zijden.

• Regiobesturing — begrenzingsvakken op een raster van 0–1000 voor Klein (plaatsing en schaal, expliciet geen hard pixelmasker) versus getekende cirkels, geschilderde annotaties of een apart masker voor Qwen-Image 2.1.

• Transparantie — Qwen-Image 2.1 genereert en bewerkt native RGBA; FLUX 3 Image Klein doet op zowel de modelkaart als de productpagina geen enkele bewering over transparantie.

• Promptverwerking — Klein vereist een prompt-upsampler ervoor, en op de bijbehorende modelkaart staat ronduit dat je het niet zonder een dergelijke moet draaien; Qwen Turbo neemt de prompt over zoals deze is geschreven, met promptextensie beschikbaar als API-parameter.

• Licentie — FLUX Kommunity License, commerciële output gratis onder $5M omzet tegenover Qwen Research License, alleen niet-commercieel, aparte licentie vereist om de gewichten commercieel te gebruiken.

• Prijs van leveranciers-API — $0,009 per 1K afbeelding, stijgend naar $0,036 bij 4K tegenover een vast tarief van $0,016 per afbeelding bij elke preset.

Wat de twee prijslijsten daadwerkelijk doen bij volume

Kleins tariefkaart schaalt met de resolutie; die van Qwen Turbo niet. Dat zorgt voor een kantelpunt dat je gemakkelijk mist wanneer je de hoofdcijfers vergelijkt.

• 10.000 afbeeldingen op 1K — Klein $90 vs Qwen-Image 2.1 Turbo $160. Klein is 44% goedkoper.

• 10.000 afbeeldingen in 2K — Klein $140 vs Qwen-Image 2.1 Turbo $160. Klein is nog steeds goedkoper, met 12,5%.

• 10.000 afbeeldingen in 4K — Klein $360. Qwen-Image 2.1 Turbo heeft geen 4K-preset om tegen af te prijzen; de grootste is 2752×1536 voor dezelfde $160.

Dat zijn berekeningen op twee gepubliceerde tariefkaarten, geen offertes. Het omslagpunt ligt tussen 2K en 4K, en het bestaat omdat de twee leveranciers in verschillende eenheden rekenden: BFL rekent per afbeelding per resolutieband, Alibaba rekent een vast tarief per afbeelding. Als je workload op 1K of 2K draait, is Klein de goedkopere keuze bij beide API's, wat het tegenovergestelde is van wat "het goedkope Qwen-model" je zou doen verwachten. Als die op echte 4K draait, kan Qwen-Image 2.1 Turbo die via de gepubliceerde presets helemaal niet bedienen, dus dan is het geen prijskwestie.

De vergelijking krijgt nog een complicatie wanneer je zelf host in plaats van een API aan te roepen. Op je eigen hardware is er helemaal geen tarief per afbeelding — er is een vaste kost voor de GPU en een kost per afbeelding in seconden — en de twee modellen liggen ver uit elkaar in wat ze nodig hebben om te draaien.

Ze zelf uitvoeren

Tel je de gepubliceerde bestandslijsten op, dan is het verschil schrijnend. De drie BF16-componenten van FLUX 3 Image Klein — een transformer van 11,1 GB, een tekstencoder van 8,9 GB en een autoencoder van 0,34 GB — komen samen op ongeveer 20,3 GB, en de INT8-build draait op een RTX met slechts 8 GB VRAM, waarbij de documentatie van BFL de ondergrens op een RTX 3090 legt. De BF16-download van Qwen-Image 2.1 Turbo wordt gedomineerd door een tekstencoder van 17,53 GB, waarbij de transformer is opgesplitst over een shard van 9,97 GB en een van 4,26 GB, plus een VAE van 0,68 GB — ongeveer 32,4 GB in totaal, dus zijn tekstencoder alleen is al groter dan alles wat Klein bij elkaar nodig heeft. Beide cijfers zijn onze optellingen van de eigen bestandslijsten van de leveranciers, niet de door de leveranciers gepubliceerde totalen.

Snelheid is het punt waarop de stapaantallen misleiden. Het gedistilleerde checkpoint van Klein draait twee keer zoveel stappen als de acht van Qwen Turbo, maar de gemeten cijfers van BFL — gemeten door NVIDIA, in ComfyUI, op de INT8-gedistilleerde build — brengen een afbeelding van 1 MP op ongeveer 4 seconden op een RTX 5090 en onder de 9 seconden op een RTX 4070, en laten dat op een GB300 in NVFP4 onder de 0,6 seconden zakken. Alibaba publiceert geen vergelijkbaar cijfer per GPU voor Turbo, dus de eerlijke positie is dat de acht stappen van Turbo architectonisch de kortere route zijn en dat niemand buiten Alibaba seconden voor Turbo op consumentenhardware heeft gepubliceerd.

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.

Geen van beide modellen heeft een onafhankelijke kwaliteitsscore

Dit is de rij die beide specificatiebladen leeglaten, en het is de moeite waard om precies te zijn over hóe leeg. Sinds 16 oktober 2026 beheert Artificial Analysis afzonderlijke ranglijsten voor tekst-naar-afbeelding en beeldbewerking, en geen van beide bevat een vermelding voor FLUX 3 Image Klein of voor Qwen-Image 2.1 Turbo. Wat de ranglijsten wél bevatten, is de vorige generatie uit elke familie, en dat is het dichtst dat beschikbaar is bij een onafhankelijke beoordeling:

• Tekst-naar-afbeelding — Qwen-Image 2.1 (het basischeckpoint, niet Turbo) staat op de 20e plaats met 1.041 Elo op basis van 5.356 vergelijkingen, uitgebracht in september 2026. FLUX 3 Image, het grotere broertje waar Klein onder valt, staat op de 13e plaats met 1.114 Elo op basis van 5.769 vergelijkingen.

• Beeldbewerking — Qwen-Image 2.1 staat op de 19e plaats met 1.081 Elo uit 6.138 vergelijkingen. FLUX 3 Image staat helemaal niet op het bewerkingsbord; het dichtstbijzijnde vermelde FLUX-model is FLUX.2 [Klein] 9B met 1.015 Elo uit 6.905 vergelijkingen.

Lees die als context, niet als een voorspelling. De basisversie van Qwen-Image 2.1 is geen Turbo — een gedistilleerd checkpoint ruilt kwaliteit voor stappen, en hoeveel dat precies is, is juist de vraag die Turbo's afwezigheid van de ranglijst openlaat. FLUX 3 Image is ook niet Klein, en de eigen lanceringspost van Black Forest Labs vergelijkt de twee nooit, wat betekent dat er nergens een gepubliceerd cijfer is dat aangeeft hoeveel Klein onderdoet voor zijn grotere broer. En op de ranglijst voor beeldbewerking staat het model waarvan BFL zegt dat Klein het met 70 Elo verslaat — FLUX.2 [klein] 9B — op 1.015, ongeveer 66 Elo onder waar Qwen-Image 2.1 uitkomt. De bewering van BFL is dat Klein die kloof overbrugt en meer; het enige bewijs daarvoor is op dit moment de eigen grafiek van BFL.

Welke moet je kiezen?

Kies FLUX 3 Image Klein als de output commercieel moet zijn en het bedrijf klein is. Het is de enige van de twee waarvan de gewichten een bruikbaar commercieel traject bieden zonder onderhandeling, het is goedkoper per afbeelding op beide API's bij 1K en 2K, en het bereikt 4K. Reken op de upsampler, en lees de beperkingen in de licentie over training op concurrenten en herdistributie van fine-tunes voordat je een datapijplijn rondom bouwt.

Kies Qwen-Image 2.1 Turbo als transparantie of op maskers gebaseerde lokale bewerking de functie is die je echt nodig hebt — Klein biedt geen van beide — of als je onderzoek, evaluatie of een intern prototype draait waarbij de niet-commerciële clausule nooit bindend is. Acht stappen en een 7B-architectuur maken het efficiënt om lokaal mee te experimenteren; de 32,4 GB BF16-voetafdruk is de prijs van dat experiment.

Als je beide nodig hebt, is de opsplitsing legitiem: Qwen-Image 2.1 Turbo voor de verkenningsfase en het transparantiepad, FLUX 3 Image Klein voor het productiepad. Dat is net zozeer een licentiebeslissing als een technische.

Waar je ze daadwerkelijk kunt bellen

Beide modellen zijn bereikbaar via de eigen API van de leverancier — BFL voor Klein, Alibaba Cloud Model Studio en QwenCloud voor Turbo — en via verschillende platforms van derden. Geen van beide staat vandaag in de catalogus van OrcaRouter, en dat zeggen we liever dan te zinspelen op een routingverhaal dat we niet kunnen onderbouwen. Wat we wel kunnen zeggen, is waar de omliggende workflow past: OrcaRouter routeert al een reeks gehoste beeldmodellen naast 200+ tekst- en multimodale modellen achter één API-sleutel, met 0% markup op de lijstprijs van de provider en automatische failover tussen providers. Teams die een gehost beeldmodel voor het interactieve pad gebruiken en een open-weights checkpoint voor batchwerk aanhouden, draaien precies de splitsing waarvoor één endpoint is gebouwd, en als een van deze twee in de catalogus belandt, is dat waar het zal verschijnen.

Het ding om in de gaten te houden is niet het volgende specificatieblad. Het is de eerste onafhankelijke Elo voor een van beide modellen, op dezelfde ranglijst waarop hun voorgangers al staan. Totdat die er is, zijn de twee claims die nu spelen — BFL's "toonaangevende kwaliteit van open weights met minder parameters" en Alibaba's "meest gebalanceerde en kosteneffectieve" — beide reclame, en de enige rijen in deze vergelijking waarop je met vertrouwen kunt afgaan, zijn de licentie, de prijslijst en de VRAM-ondergrens.

Die kloof tussen wat een scorebord meet en wat een deployment in de praktijk tegenkomt, is de reden dat het register ertoe doet: de gedocumenteerde AI-fouten en agentincidenten rond modellen in deze klasse zijn verzameld in het OrcaRouter AI Incident Archive, waar elke vermelding zijn eigen bronnen, ernst, betrouwbaarheidsgraad en betwist-markering bevat.