FLUX 3 Image Klein vs Qwen-Image 2.1 Turbo: สัญญาอนุญาตเป็นตัวตัดสินเรื่องนี้ก่อนที่ผลการทดสอบจะได้ตัดสิน

FLUX 3 Image Klein จาก Black Forest Labs เมื่อวันที่ 15 ตุลาคม 2026 และ Qwen-Image 2.1 Turbo จาก Alibaba เมื่อสัปดาห์ก่อนหน้า คือวันที่ 9 ตุลาคม 2026 ดูเหมือนเป็นผลิตภัณฑ์เดียวกันจากสองบริษัท นั่นคือเครื่องสร้างภาพแบบเปิดน้ำหนัก (open-weights) ขนาดเล็กที่จัดการทั้งการสร้างภาพจากข้อความ การแก้ไขภาพ และการประกอบภาพจากภาพอ้างอิงหลายภาพได้ในชุดน้ำหนักเดียว ทั้งคู่รับภาพอ้างอิงได้ถึงสิบภาพ และมาพร้อมเส้นทางการอนุมานแบบเร่งความเร็ว ลองวางเอกสารสเปกของทั้งสองไว้ข้างกัน แล้ว Qwen-Image 2.1 Turbo จะชนะในเกือบทุกบรรทัด — พารามิเตอร์มากกว่า ขั้นตอนการลดสัญญาณรบกวนน้อยกว่า มีความโปร่งใส มีมาสก์ จากนั้นลองอ่านสัญญาอนุญาตของทั้งสองฉบับ แล้วโมเดลที่เล็กกว่า ดูช้ากว่า และคิดวิเคราะห์เรื่องค่าใช้จ่ายได้ยากกว่าจะกลายเป็นตัวเดียวในสองตัวนี้ที่คุณสร้างธุรกิจบนนั้นได้โดยไม่ต้องเซ็นอะไรเลย

การกลับด้านนั้นคือการเปรียบเทียบทั้งหมด ส่วนอื่น ๆ ไม่ว่าจะเป็นจำนวนพารามิเตอร์ ราคา หรือเวลาในการเรนเดอร์ ล้วนเป็นรายละเอียดที่คุณพิจารณาหลังจากที่คุณผ่านพ้นมันไปแล้ว

แต่ละโมเดลจริงๆ แล้วคืออะไร

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 เป็นเช็กพอยต์ที่เร่งความเร็วของ Qwen-Image 2.1 โดยคงสถาปัตยกรรมการสร้างภาพขนาด 7B แบบเดิมไว้ — เลเยอร์ DiT แบบสตรีมเดียว จำนวน 32 เลเยอร์ — และลดการอนุมานเหลือ 8 ขั้นตอนการดีนอยซ์ พร้อมตารางการสุ่มตัวอย่างที่บันทึกไว้และการแคช KV แบบ prefix เป็นโมเดลแบบรวมสำหรับการสร้างและการแก้ไข พร้อมรายการคุณสมบัติที่ Klein ไม่สามารถเทียบได้: ความโปร่งใสแบบเนทีฟ จึงสร้างและแก้ไขภาพ RGBA ได้โดยตรง; และการแก้ไขเฉพาะจุดผ่านวงกลมที่วาด คำอธิบายประกอบที่ระบายสี หรือมาสก์แยก แทนที่จะเป็นกล่องขอบเขต ค่าน้ำหนักอยู่ภายใต้ข้อตกลงสิทธิ์การใช้งาน Qwen Research License Agreement และเวอร์ชันโฮสต์มีราคา $0.016 ต่อภาพผ่าน Alibaba Cloud Model Studio และ QwenCloud

ทั้งสองเป็นการเปิดตัวแบบ open weights จริงในความหมายที่สำคัญสำหรับผู้ดาวน์โหลด: คุณสามารถรับไฟล์ได้ รันในเครื่อง และไฟน์จูนได้ สิ่งที่คุณอาจทำกับผลลัพธ์หลังจากนั้นเป็นอีกคำถามหนึ่ง และเป็นคำถามที่ผู้จำหน่ายทั้งสองรายตอบต่างกัน

สัญญาอนุญาตคือจุดที่พวกเขาแยกทางกัน

ข้อตกลงใบอนุญาต Qwen Research License Agreement ระบุไว้อย่างชัดเจนตั้งแต่ต้นว่า การอนุญาตให้ใช้นั้นมีไว้ "FOR NON-COMMERCIAL PURPOSES ONLY" (เพื่อจุดประสงค์ที่ไม่ใช่เชิงพาณิชย์เท่านั้น) และข้อ 2(b) ระบุว่าคุณ "shall not use the Materials for any commercial purpose without obtaining a separate commercial license from us" (ต้องไม่นำ Materials ไปใช้เพื่อจุดประสงค์เชิงพาณิชย์ใด ๆ โดยไม่ได้รับใบอนุญาตเชิงพาณิชย์แยกต่างหากจากเรา) คำที่ข้อตกลงนี้ใช้แทนคำว่า Non-Commercial คือ "เพื่อวัตถุประสงค์ด้านการวิจัยหรือการประเมินผล" นั่นหมายความว่า Qwen-Image 2.1 Turbo น้ำหนักไม่สามารถนำไปใช้ในผลิตภัณฑ์ได้ หากไม่มีใบอนุญาตที่ได้มาจากการเจรจากับ Hangzhou Tongyi Laboratory การซื้อโมเดลผ่าน API ที่ Alibaba ให้บริการโฮสต์นั้นถือเป็นบริการเชิงพาณิชย์และมีข้อกำหนดเป็นของตัวเอง — ข้อจำกัดอยู่ที่การโฮสต์เช็กพอยต์ด้วยตนเอง ซึ่งเป็นสิ่งที่ทีมเลือกใช้โมเดลแบบเปิดน้ำหนักเพื่อทำเป็น punkt właśnie

FLUX 3 Image Klein ไปในทางตรงกันข้าม ภายใต้ FLUX Kommunity License v1.0 น้ำหนักโมเดลนั้นใช้ฟรีสำหรับการใช้งานที่ไม่ใช่เชิงพาณิชย์ และมีข้อยกเว้นสำหรับผลลัพธ์เชิงพาณิชย์สำหรับ "Qualifying Users" — บุคคลและบริษัทที่มีรายได้รวมต่อปีแบบ annualized ต่ำกว่า 5 ล้านดอลลาร์สหรัฐ ต่ำกว่าเกณฑ์นั้น คุณสามารถนำผลลัพธ์ของ Klein ไปใช้เชิงพาณิชย์ได้โดยไม่มีค่าใช้จ่ายใด ๆ นอกเหนือจากค่าคอมพิวต์ของคุณเอง หากสูงกว่าเกณฑ์นั้น คุณต้องมีใบอนุญาตแบบ self-hosted จาก BFL หรือใช้ API

ดังนั้นการแบ่งแยกจึงไม่ใช่ "อันหนึ่งเปิดและอีกอันปิด" ทั้งคู่สามารถดาวน์โหลดได้ อันหนึ่งดาวน์โหลดได้เพื่อการวิจัย อีกอันดาวน์โหลดได้สำหรับธุรกิจจนถึงเกณฑ์รายได้ที่กำหนด สำหรับนักพัฒนาอินดี้หรือสตูดิโอเล็ก ๆ ข้อกำหนดเพียงข้อเดียวนั้นตัดสินผลการเปรียบเทียบกันได้อย่างเด็ดขาด

ข้อกำหนดเพิ่มเติมอีกสองข้อที่ควรทราบก่อนคุณจะตัดสินใจเลือกทางใดทางหนึ่ง ใบอนุญาตของ Klein ห้ามใช้โมเดล อนุพันธ์ของโมเดล หรือผลลัพธ์ของโมเดล ในการปรับปรุงโมเดล AI อื่นที่ทำหน้าที่คล้ายคลึงกัน — การสร้างข้อมูลสังเคราะห์เพื่อฝึกโมเดลภาพของคู่แข่งคือกรณีที่ข้อกำหนดนั้นครอบคลุมไว้ และข้อตกลงของ Qwen กำหนดให้สำเนาที่แจกจ่ายต่อต้องมีประกาศแสดงที่มาของตน และไฟล์ใด ๆ ที่แก้ไขต้องถูกทำเครื่องหมายว่ามีการเปลี่ยนแปลง ซึ่งเป็นงานเอกสารปกติในโอเพนซอร์ส แต่เป็นภาระผูกพันจริงหากคุณวางแผนจะเผยแพร่โมเดลที่ปรับจูนแล้ว

สเปก ทีละแถว

• เครื่องมือสร้างรูปภาพ — FLUX 3 Image Klein 5.6B พารามิเตอร์ เทียบกับ Qwen-Image 2.1 Turbo 7B (32 เลเยอร์ DiT แบบ single-stream) โดยนับตามวิธีที่ผู้เผยแพร่แต่ละรายนับ ทั้งสองแบบไม่นับรวม text encoder

• ขั้นตอนการลดสัญญาณรบกวน — Klein แบบกลั่นที่ 16 ขั้นตอน, base ที่ 50 เทียบกับ Qwen Turbo ที่ 8 โดยมีตารางการสุ่มตัวอย่างถูกบันทึกไว้ภายในเช็กพอยต์

• เอาต์พุตสูงสุด — Klein รองรับได้ถึงระดับ 4096px ซึ่งเป็น native 4K เทียบกับพรีเซ็ตที่เผยแพร่ของ Qwen Turbo ซึ่งสูงสุดที่ 2752×1536 (ประมาณ 4.2 MP) โดย 2048×2048 เป็นขนาดสี่เหลี่ยมจัตุรัสที่ใหญ่ที่สุด

• ภาพอ้างอิง — ฝั่งละสิบภาพ

• การควบคุมขอบเขตพื้นที่ — กรอบขอบเขต (bounding boxes) บนตาราง 0–1000 สำหรับ Klein (การวางตำแหน่งและขนาด โดยระบุชัดเจนว่าไม่ใช่มาสก์พิกเซลแบบตายตัว) เทียบกับวงกลมที่วาดขึ้น คำอธิบายประกอบแบบลงสี หรือมาสก์แยกต่างหากสำหรับ Qwen-Image 2.1

• ความโปร่งใส — Qwen-Image 2.1 สร้างและแก้ไข RGBA แบบเนทีฟ ส่วน FLUX 3 Image Klein ไม่ได้ระบุถึงความสามารถด้านความโปร่งใสไว้ทั้งในโมเดลการ์ดและหน้าผลิตภัณฑ์ของตน

• การจัดการพรอมป์ต์ — Klein จำเป็นต้องมีพรอมป์ต์อัปแซมเพลอร์อยู่ด้านหน้า และโมเดลการ์ดของ它也ระบุตรง ๆ ว่าไม่ให้รันโดยไม่มีตัวนั้น ส่วน Qwen Turbo จะใช้พรอมป์ต์ตามที่เขียนไว้ โดยมีฟีเจอร์ขยายพรอมป์ต์ให้ใช้ได้ในรูปแบบพารามิเตอร์ API

• สัญญาอนุญาต — FLUX Kommunity License อนุญาตให้ใช้ผลลัพธ์เชิงพาณิชย์ได้ฟรีเมื่อมีรายได้ต่ำกว่า 5 ล้านดอลลาร์ เทียบกับ Qwen Research License ที่อนุญาตเฉพาะการใช้งานที่ไม่ใช่เชิงพาณิชย์เท่านั้น หากต้องการใช้เวตส์ในเชิงพาณิชย์จำเป็นต้องมีสัญญาอนุญาตแยกต่างหาก

• ราคา API ของผู้ขาย — $0.009 ต่อ 1,000 ภาพ เพิ่มเป็น $0.036 ที่ 4K เทียบกับราคาคงที่ $0.016 ต่อภาพในทุกพรีเซ็ต

สิ่งที่รายการราคาทั้งสองทำได้จริงเมื่อใช้ในปริมาณมาก

เรตการ์ดของ Klein ปรับตามความละเอียด แต่ของ Qwen Turbo ไม่ปรับ สิ่งนี้ก่อให้เกิดจุดตัดที่สังเกตได้ยากเมื่อคุณเปรียบเทียบตัวเลขที่เห็นเด่นชัด

• 10,000 ภาพที่ 1K — Klein $90 เทียบกับ Qwen-Image 2.1 Turbo $160 Klein ถูกกว่า 44%

• รูปภาพ 10,000 รูปที่ความละเอียด 2K — Klein $140 เทียบกับ Qwen-Image 2.1 Turbo $160 Klein ยังคงถูกกว่าอยู่ 12.5%

• 10,000 ภาพที่ความละเอียด 4K — Klein $360. Qwen-Image 2.1 Turbo ไม่มีพรีเซ็ต 4K ให้เทียบราคา; ขนาดใหญ่ที่สุดของมันคือ 2752×1536 ที่ราคา $160 เท่ากัน

นั่นคือการคำนวณเลขบนตารางราคาที่เผยแพร่สองใบ ไม่ใช่ใบเสนอราคา จุดตัดอยู่ระหว่าง 2K กับ 4K และมันเกิดขึ้นเพราะผู้ขายสองรายคิดราคาคนละหน่วย: BFL คิดราคาต่อภาพตามช่วงความละเอียด ส่วน Alibaba คิดราคาต่อภาพแบบเหมาจ่าย หากภาระงานของคุณอยู่ที่ 1K หรือ 2K Klein คือทางเลือกที่ถูกกว่าบน API ทั้งสอง ซึ่งตรงข้ามกับสิ่งที่ "โมเดล Qwen ราคาถูก" จะทำให้คุณคาดหวัง หากภาระงานอยู่ที่ 4K แท้ Qwen-Image 2.1 Turbo ไม่สามารถให้บริการได้เลยผ่านพรีเซ็ตที่เผยแพร่ ดังนั้นคำถามจึงไม่ใช่เรื่องราคา

การเปรียบเทียบจะยิ่งมีจุดซับซ้อนเพิ่มขึ้นอีกหนึ่งอย่างเมื่อคุณโฮสต์เองแทนการเรียก API บนฮาร์ดแวร์ของคุณเองไม่มีอัตราคิดค่าต่อภาพเลย — มีต้นทุนคงที่สำหรับ GPU และต้นทุนต่อภาพในหน่วยวินาที — และโมเดลทั้งสองไม่ใกล้เคียงกันเลยในสิ่งที่จำเป็นต่อการรัน

เรียกใช้พวกมันด้วยตัวเอง

เมื่อรวมรายการไฟล์ที่เผยแพร่แล้ว ช่องว่างนั้นชัดเจนมาก องค์ประกอบ BF16 สามส่วนของ FLUX 3 Image Klein — transformer 11.1 GB, text encoder 8.9 GB และ autoencoder 0.34 GB — รวมกันได้ประมาณ 20.3 GB และบิลด์ INT8 ทำงานบน RTX ที่มี VRAM เพียง 8 GB โดยเอกสารของ BFL กำหนดขั้นต่ำไว้ที่ RTX 3090 การดาวน์โหลด BF16 ของ Qwen-Image 2.1 Turbo ถูกครอบงำด้วย text encoder ขนาด 17.53 GB โดย transformer ถูกแบ่งเป็น shard ขนาด 9.97 GB และ 4.26 GB และ VAE ขนาด 0.68 GB — รวมทั้งหมดประมาณ 32.4 GB ดังนั้น text encoder เพียงอย่างเดียวของมันจึงใหญ่กว่าทุกสิ่งที่ Klein ต้องใช้รวมกัน ตัวเลขทั้งสองนี้เป็นการรวมของเราจากรายการไฟล์ของผู้จำหน่ายเอง ไม่ใช่ยอดรวมที่ผู้จำหน่ายเผยแพร่

ความเร็วคือจุดที่จำนวนสเต็ปทำให้เข้าใจผิด เช็กพอยต์แบบ distilled ของ Klein ใช้จำนวนสเต็ปมากเป็นสองเท่าของแปดสเต็ปของ Qwen Turbo แต่ตัวเลขที่วัดได้ของ BFL — ซึ่งวัดโดย NVIDIA ใน ComfyUI บนบิลด์ distilled INT8 — ระบุว่าภาพขนาด 1 MP ใช้เวลาประมาณ 4 วินาทีบน RTX 5090 และต่ำกว่า 9 วินาทีบน RTX 4070 โดยลดลงต่ำกว่า 0.6 วินาทีบน GB300 ใน NVFP4 Alibaba ไม่ได้เผยแพร่ตัวเลขต่อ GPU ที่เทียบเคียงได้สำหรับ Turbo ดังนั้นจุดยืนที่ตรงไปตรงมาคือ แปดสเต็ปของ Turbo เป็นเส้นทางที่สั้นกว่าในเชิงสถาปัตยกรรม และไม่มีใครนอก Alibaba ที่เผยแพร่ตัวเลขวินาทีสำหรับมันบนฮาร์ดแวร์ผู้บริโภค

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.

ทั้งสองโมเดลไม่มีคะแนนคุณภาพที่เป็นอิสระ

นี่คือแถวที่เอกสารสเปกทั้งสองฉบับเว้นว่างไว้ และควรระบุให้ชัดเจนว่าเว้นว่างไว้ขนาดไหน ณ วันที่ 16 ตุลาคม 2026 Artificial Analysis มีกระดานจัดอันดับแบบแยกสำหรับการสร้างภาพจากข้อความและการแก้ไขภาพ และไม่มีกระดานใดมีรายการสำหรับ FLUX 3 Image Klein หรือ Qwen-Image 2.1 Turbo สิ่งที่กระดานมีคือรุ่นก่อนหน้าจากแต่ละตระกูล ซึ่งเป็นสิ่งที่ใกล้เคียงที่สุดกับการประเมินที่เป็นอิสระเท่าที่มีให้ใช้:

• การสร้างภาพจากข้อความ — Qwen-Image 2.1 (เช็กพอยต์พื้นฐาน ไม่ใช่ Turbo) อยู่ในอันดับที่ 20 ด้วยคะแนน 1,041 Elo จากการเปรียบเทียบ 5,356 ครั้ง เปิดตัวเดือนกันยายน 2026 FLUX 3 Image ซึ่งเป็นรุ่นพี่ที่ใหญ่กว่าที่ Klein อยู่ภายใต้ อยู่ในอันดับที่ 13 ด้วยคะแนน 1,114 Elo จากการเปรียบเทียบ 5,769 ครั้ง

• การแก้ไขรูปภาพ— Qwen-Image 2.1 อยู่อันดับที่ 19 ด้วย 1,081 Elo จากการเปรียบเทียบ 6,138 ครั้ง FLUX 3 Image ไม่มีรายการบนกระดานการแก้ไขเลย; โมเดล FLUX ที่ใกล้เคียงที่สุดที่ระบุไว้คือ FLUX.2 [Klein] 9B ที่ 1,015 Elo จากการเปรียบเทียบ 6,905 ครั้ง

อ่านสิ่งเหล่านั้นเป็นบริบท ไม่ใช่เป็นคำทำนาย Qwen-Image 2.1 เวอร์ชันพื้นฐานไม่ใช่ Turbo — เช็กพอยต์แบบกลั่นแลกคุณภาพเพื่อแลกกับจำนวนสเต็ป และจะแลกไปมากแค่ไหนก็เป็นคำถามที่การที่ Turbo ไม่ปรากฏอยู่บนบอร์ดทิ้งไว้ให้เป็นปริศนา FLUX 3 Image ก็ไม่ใช่ Klein เช่นกัน และโพสต์เปิดตัวของ Black Forest Labs เองก็ไม่เคยเปรียบเทียบทั้งสองแบบ ซึ่งหมายความว่าไม่มีตัวเลขที่เผยแพร่ที่ไหนเลยที่ระบุว่า Klein ด้อยกว่าพี่ใหญ่ของมันอยู่เท่าไร และบนบอร์ดการแก้ไขภาพ โมเดลที่ BFL บอกว่า Klein เอาชนะได้ 70 Elo — FLUX.2 [klein] 9B — มีคะแนนอยู่ที่ 1,015 ต่ำกว่าจุดที่ Qwen-Image 2.1 ทำได้ราว 66 Elo ข้ออ้างของ BFL คือ Klein ปิดช่องว่างนั้นได้และมากกว่านั้นด้วย หลักฐานเดียวที่มีในตอนนี้คือแผนภูมิของ BFL เอง

เลือกอันไหนดี

เลือก FLUX 3 Image Klein หากผลลัพธ์ต้องใช้เชิงพาณิชย์และธุรกิจมีขนาดเล็ก เป็นตัวเดียวในสองตัวที่มีเวทมาพร้อมเส้นทางเชิงพาณิชย์ที่ใช้งานได้โดยไม่ต้องเจรจา มีราคาถูกกว่าต่อภาพบนทั้งสอง API ที่ 1K และ 2K และรองรับถึง 4K จัดงบประมาณสำหรับตัวอัปแซมเพลอร์ และอ่านข้อจำกัดของสัญญาอนุญาตเกี่ยวกับการฝึกฝนคู่แข่งและการเผยแพร่การปรับแต่งละเอียดก่อนที่คุณจะสร้างไปป์ไลน์ข้อมูลรอบๆ มัน

เลือก Qwen-Image 2.1 Turbo หากความโปร่งใสหรือการแก้ไขเฉพาะจุดโดยใช้มาสก์เป็นฟีเจอร์ที่คุณต้องการจริง ๆ — Klein ไม่มีทั้งสองอย่าง — หรือหากคุณกำลังทำวิจัย การประเมิน หรือต้นแบบภายในซึ่งข้อกำหนดห้ามใช้เชิงพาณิชย์ไม่มีผลผูกพัน การใช้แปดขั้นตอนและสถาปัตยกรรมขนาด 7B ทำให้มันเป็นสิ่งที่ทดลองในเครื่องได้อย่างมีประสิทธิภาพ ส่วนการใช้หน่วยความจำแบบ BF16 ที่ 32.4 GB คือต้นทุนของการทดลองนั้น

ถ้าคุณจำเป็นต้องใช้ทั้งสองตัว การแยกแบบนี้ก็สมเหตุสมผล: Qwen-Image 2.1 Turbo สำหรับช่วงสำรวจและเส้นทางรองรับความโปร่งใสของมัน ส่วน FLUX 3 Image Klein สำหรับเส้นทางที่นำไปใช้งานจริง นั่นเป็นการตัดสินใจเรื่องลิขสิทธิ์พอ ๆ กับการตัดสินใจเชิงเทคนิค

จะโทรหาพวกเขาจริง ๆ ได้ที่ไหน

โมเดลทั้งสองเข้าถึงได้ผ่าน API ของผู้ให้บริการเอง — BFL สำหรับ Klein, Alibaba Cloud Model Studio และ QwenCloud สำหรับ Turbo — และผ่านแพลตฟอร์มของบุคคลที่สามหลายแห่ง ปัจจุบันไม่มีทั้งสองรายอยู่ในแค็ตตาล็อกของ OrcaRouter และเรายินดีที่จะบอกเช่นนั้น มากกว่าจะพูดถึงเรื่องราวการจัดเส้นทางที่เรายืนยันไม่ได้ สิ่งที่เราบอกได้คือเวิร์กโฟลว์โดยรอบลงตัวตรงไหน: OrcaRouter จัดเส้นทางโมเดลรูปภาพแบบโฮสต์อยู่แล้วชุดหนึ่ง ควบคู่กับโมเดลข้อความและมัลติโมดัลมากกว่า 200+ โมเดล ภายใต้คีย์ API เดียว โดยบวกเพิ่ม 0% จากราคาตามรายการของผู้ให้บริการ พร้อมการสลับสำรองอัตโนมัติระหว่างผู้ให้บริการ ทีมที่ใช้โมเดลรูปภาพแบบโฮสต์สำหรับเส้นทางแบบอินเทอร์แอ็กทีฟ และเก็บเช็กพอยต์แบบเปิดเวตไว้สำหรับงานแบบแบตช์ กำลังดำเนินการแยกส่วนในแบบที่เอนด์พอยต์เดียวถูกสร้างขึ้นมาเพื่อรองรับพอดี และหากหนึ่งในสองรายนี้เข้ามาอยู่ในแค็ตตาล็อก นั่นคือที่ที่มันจะปรากฏ

สิ่งที่ต้องจับตามองไม่ใช่สเปกชีตฉบับถัดไป แต่คือคะแนน Elo อิสระครั้งแรกของโมเดลใดก็ได้ในสองโมเดลนี้ บนลีดเดอร์บอร์ดเดียวกันกับที่รุ่นก่อนหน้าของพวกมันอยู่ในนั้นแล้ว จนกว่าสิ่งนั้นจะเกิดขึ้น คำกล่าวอ้างสองข้อที่กำลังเป็นประเด็นอยู่ในตอนนี้ — "คุณภาพ open weights ชั้นนำด้วยพารามิเตอร์ที่น้อยลง" ของ BFL และ "สมดุลและคุ้มค่าที่สุด" ของ Alibaba — ต่างก็เป็นโฆษณาทั้งคู่ และแถวต่าง ๆ ในตารางเปรียบเทียบนี้ที่คุณใช้ตัดสินใจได้อย่างมั่นใจก็มีเพียงสัญญาอนุญาต รายการราคา และขั้นต่ำของ VRAM เท่านั้น

ช่องว่างระหว่างสิ่งที่สกอร์บอร์ดวัดค่าได้กับสิ่งที่การนำไปใช้งานจริงต้องเผชิญ คือเหตุผลที่บันทึกนี้มีความสำคัญคลังเหตุการณ์ AI ของ OrcaRouter ซึ่งเป็นที่รวบรวมความล้มเหลวของ AI และเหตุการณ์ที่เกิดกับเอเจนต์ของโมเดลในระดับนี้ที่ได้รับการบันทึกไว้ โดยแต่ละรายการมีแหล่งอ้างอิงของตัวเอง มีระดับความรุนแรง เกรดความเชื่อมั่น และธงข้อโต้แย้งกำกับไว้