Images 2.6 vs FLUX 3: Redigeringstrohet mot upplösningskontroll

Jämförelsen mellan Images 2.6 och FLUX 3 brukar ramas in som en kvalitetstävling. Det är den inte. OpenAI:s Images 2.6, som släpptes den 4 november 2026 som API-paret GPT-Image-2.6 Flare och GPT-Image-2.6 Sunburst, säljer iteration: snabba omgångar, ett motiv som klarar en kedja av redigeringar och nu även rörelse och vektorutdata. Black Forest Labs FLUX 3 Image, tillgänglig sedan den 1 oktober, säljer determinism: tio referensbilder, layoutinstruktioner med bounding boxar, fasta upplösningsnivåer upp till 4K och ett pris per bild som du kan lägga in i ett kalkylblad utan att modellera tokenantal. Den ena är en bättre produkt för ett designteam som behöver samma layout varje gång. Den andra är en bättre produkt för ett team som behöver prova tolv varianter före lunch.

Det här är den praktiska versionen av det valet — vad varje kontrollsyta faktiskt låter dig göra, vad en bild kostar på var och en, och vad den enda granskade resultattavlan säger om generationen före den här.

Vad varje modell faktiskt är

Images 2.6 är OpenAI:s tredje bildgenereringsmodell på sju månader. Images 2.0 kom i april som den första resonerande bildmodellen, Images 2.5 delade i september upp serien i en snabbhetsnivå och en kvalitetsnivå, och 2.6 behåller den uppdelningen: Flare för latens, Sunburst för detaljer och konsekvens vid flera redigeringar. Båda är värdbaserade, båda debiteras per token och båda nås via standardändpunkterna för images. Det finns inga vikter.

FLUX 3 Image är Black Forest Labs flaggskepp, som släpptes en månad tidigare. Det hanterar text-till-bild och redigering med upp till tio referensbilder, accepterar layoutinstruktioner i form av bounding boxes och renderar i fasta nivåer från 768×768 till 4K med valbara bildförhållanden. Två veckor efter flaggskeppet publicerade BFL FLUX 3 Image Klein – en destillerad syskonmodell på 5,6B med nedladdningsbara vikter och en licens som är gratis för kommersiell användning under 5 miljoner dollar i årlig omsättning. Den där nödutgången med öppna vikter har ingen motsvarighet någonstans i släppet av Images 2.6.

Kontrollpanelen: där FLUX 3 fortfarande vinner stort

Fyra saker som FLUX 3 gör som Images 2.6 inte gör, eller inte dokumenterar.

• Layout som du anger i stället för att beskriva. Avgränsningsrutor låter dig placera element efter koordinater. Images 2.6:s markupstyrda redigering är kraftfull men av ett annat slag: du visar modellen var något ska ändras på en befintlig bild, du ger den inte ett layoutrutnät för en ny.

• Upplösning vald i förväg. FLUX 3 publicerar sina nivåer – 768, 1K, 1,5K, 2K, 4K – och prissätter var och en. Dokumentationen för Images 2.6, i den version som publicerades den 5 november, beskriver inställningar för kvalitet och komplexitet samt utdataformat men publicerar ingen upplösningstabell. Om din pipeline har en hård 4K-leverabel kan den asymmetrin ensam avgöra frågan.

• Tio referenser. FLUX 3:s redigering med flera referenser är den mest konkreta specifikationen i den här jämförelsen. OpenAIs lansering talar om återanvändbara referensbilder i ChatGPT och bildinmatning i API:et, utan att publicera någon övre gräns per begäran.

• En självhostad väg.Kleins vikter går att ladda ner. Inget i Images-serien gör det.

Redigering: gapet som Sunburst finns för att överbrygga

{{1}}OpenAI:s säljargument för Sunburst är inte maximal skönhet. Det är att den tionde redigeringen fortfarande ser ut som den första – ansiktet, logotypen, produktdetaljen håller. Det har varit det verkliga felläget för hostade bildmodeller i två år: varje redigering är en ny generering som betingas på den föregående, och små avvikelser förstärks.{{/1}}

Två av API-funktionerna i 2.6 pekar direkt på det problemet. Komplexitetsparametern låter dig ge modellen mer planeringsutrymme när en scen har flera element som alla måste finnas kvar; markupstyrda redigeringar tar bort tvetydigheten i "ändra saken till vänster" genom att rita på bilden i stället. FLUX 3:s svar på samma problem är strukturellt – mata det med fler referenser och berätta var saker ska placeras.

Vilken metod som fungerar bättre är ännu inte en fråga som någon kan besvara med data. Sunburst har ingen oberoende redigeringspoäng. FLUX 3 Image har det: 1 123 Elo på Artificial Analysis redigeringslista, vilket placerar den bland de femton bästa men med god marginal efter den tidigare OpenAI-generationen.

Vad en bild kostar på varje

Faktureringsmodellerna är tillräckligt olika för att en naiv jämförelse per bild ska vara missvisande åt båda hållen.

FLUX 3 Image, per bild — $0,041 vid 768², $0,048 vid 1K, $0,07 vid 1,5K, $0,10 vid 2K, $0,607 vid 4K.

• FLUX 3 Image Klein, per bild – 0,008 $ vid 768², 0,009 $ vid 1K, 0,011 $ vid 1,5K, 0,014 $ vid 2K, 0,036 $ vid 4K.

• Images 2.6, per token — $5 per miljon textinmatningstoken ($1,25 cachade), $8 per miljon bildinmatningstoken ($2 cachade), $30 per miljon bildutmatningstoken, identiskt på Flare och Sunburst.

Om man räknar igenom det hamnar tokenpriset i samma härad som FLUX 3 vid vanliga storlekar: ungefär en halv cent för en 1K-render i låg kvalitet, cirka fem cent för en 1K i hög kvalitet och runt tio cent vid 2K hög. Där de två skiljer sig kraftigt är vid extremerna. En 4K-bild med FLUX 3 kostar sextio cent eftersom du köpte en 4K-bild; en Images 2.6-render med låg insats kostar nästan ingenting eftersom du köpte väldigt få utdatatokens. Inget av priset är ett trick — de tar helt enkelt betalt för olika saker.

Det tal som aldrig förekommer på någon av prislistorna är kostnaden för en kasserad bild. Om Sunbursts redigeringskonsistens sparar dig en omgenerering av fem sjunker dess effektiva pris per användbar tillgång med 20 % och jämförelsen vänder. Tills det finns oberoende redigeringsdata är det ett antagande, inte en beräkning.

Benchmarks, med asteriskerna bifogade

Artificial Analysis text-till-bild-topplista den 5 november rankar GPT Image 2.5 Sunburst först med 1 224 Elo och GPT Image 2.5 Flare tvåa med 1 208. FLUX 3 Image ligger på 1 119, runt tolfte plats, till $48 per tusen bilder. Klein ligger på 1 043 för $9 per tusen.

Läs det där noggrant. Generationen som OpenAI släppte i september slår FLUX 3 med ungefär 105 Elo på en leaderboard med ett konfidensintervall på ±10 — en verklig skillnad, inte brus. Images 2.6 finns ännu inte alls på leaderboarden, så det rättvisa påståendet är att OpenAI:s tidigare modell får högre poäng än FLUX 3 när det gäller mänskliga preferenser, och att den nya inte har mätts. Det vore lätt att skriva "2.6 slår FLUX 3"; ingen har genomfört omröstningen.

Vid redigering får FLUX 3 Image 1 123 poäng och rankas i ett intervall på nio till sjutton. GPT Image 2.5 Sunburst toppar den listan med 1 199. Återigen: föregångaren, inte modellen i titeln.

Preferenslistorna mäter inte heller de saker som FLUX 3 faktiskt är bäst på. Ingen som röstar i en arena kontrollerar om avgränsningsrutan hamnade på rätt pixel eller om 4K-exporten verkligen är 4K. Betrakta Elo som en proxy för "vilken utdata som ser bättre ut för en utomstående", vilket är en verklig fråga och inte den enda.

Öppna vikter förändrar riskprofilen, inte kvaliteten

Klein är den mest underskattade delen av den här jämförelsen. Med 5,6B parametrar och nio dollar per tusen 1K-bilder enligt BFL:s egen prissättning är den billig nog att användas som en utkastnivå, och att dess vikter går att ladda ner innebär att pipelinen överlever en prisändring, en utfasning eller ett avbrott. Licensgränsen är intäktsbaserad: gratis kommersiell användning under 5 miljoner USD i årliga intäkter, separata villkor över det. Läs den klausulen innan du bygger på den.

Kvalitetsmässigt är Klein ingen ersättning för något av flaggskeppen — 1,043 Elo är ett märkbart steg ner från FLUX 3 Image:s 1,119 och långt ifrån OpenAIs siffror. Det ärliga användningsområdet är volymprevisualisering med en avslutande finputsning i flaggskeppet, inte en billigare ersättning.

Att välja mellan dem

Välj FLUX 3 när leveransen är specificerad innan genereringen startar: fasta bildförhållanden, en layout som måste upprepas, 4K-utdata, en compositing-pipeline som vill ha referensbilder snarare än prosa. Välj Images 2.6 när arbetet är iterativt och samtalsbaserat — samma tillgång redigerad tjugo gånger, en karaktär som måste hålla sig on-model, en förhandsvisningsloop där sex sekunder kontra tolv förändrar vad dina användare gör. Välj Klein när du behöver att modellen fortsätter fungera när någon annans API slutar att fungera.

Om du vill testa båda utan två avtal kan OrcaRouter inte göra det i dag: varken Images 2.6 eller FLUX 3 finns i vår katalog ännu. Det som finns: GPT-Image-2.5 Flare och Sunburst, Googles bildmodeller Gemini och Imagen samt Grok Imagine Image, bakom en enda nyckel med automatisk failover och leverantörens listpris vidarebefordrat med 0 % påslag. Det gör ett jämförelsetest billigt för de modeller vi faktiskt har, och det innebär att en prisändring från leverantören når dig samma dag i stället för vid nästa avtalsförnyelse.

Det man bör hålla ögonen på är det första oberoende {{1}}Images 2.6{{/1}}-resultatet. Om {{2}}Sunburst{{/2}} landar på eller över 1 224, krymper {{3}}FLUX 3{{/3}}s argument till kontroll och upplösning — vilka är verkliga fördelar, men snävare sådana än de ser ut i dag.