FLUX 3 Image vs Bernini-Diffusers-v2: เอนด์พอยต์แบบมีค่าใช้จ่าย เทียบกับรีโปที่ดาวน์โหลดได้

FLUX 3 ImageและBernini-Diffusers-v2 ต่างก็เป็นโมเดลรูปภาพที่คุณสามารถเข้าถึงได้เต็มรูปแบบในวันนี้ และไม่มีอันใดเลยที่เป็นผลิตภัณฑ์ที่คุณสามารถเช่าได้ FLUX 3 Image เปิดตัวเมื่อวันที่ 1 ตุลาคม 2026 ที่ api.bfl.ai/v1/flux-3-image พร้อมกับตารางราคาที่เผยแพร่แล้ว แต่ไม่มีคะแนนที่เผยแพร่ Bernini-Diffusers-v2 เปิดตัวบน Hugging Face เมื่อวันที่ 13 สิงหาคม 2026 ภายใต้ Apache-2.0 พร้อมคะแนนที่เผยแพร่แล้ว และไม่มีวิธีเรียกใช้งานนอกจากใช้ GPU ของคุณเอง อันหนึ่งมาพร้อมกับใบแจ้งหนี้ อีกอันมาพร้อมกับการปักหมุดเวอร์ชัน Python

การแยกนั้นคือการเปรียบเทียบทั้งหมด และคุ้มค่าที่จะพูดให้แม่นยำ เพราะกรอบแบบ "โฮสต์กับโอเพนเวตส์" ที่มักใช้กันไม่เข้ากับกรณีนี้ Bernini ไม่ใช่โมเดลโอเพนเวตส์ที่คุณหยิบไปใส่ในสแต็กการอนุมานที่มีอยู่ได้ มันเป็นระบบสองขั้นตอน — ตัววางแผน Qwen2.5-VL-7B ที่อยู่หน้า Wan2.2-T2V-A14B ซึ่งเป็นตัวถอดรหัสแบบดิฟฟิวชัน — และการเปิดตัว v2 ของมันเป็นการแก้ตารางการฝึก ไม่ใช่ระดับความสามารถใหม่ FLUX 3 Image เป็นเอนด์พอยต์เดียวที่มีพื้นผิวการควบคุมติดตั้งมาด้วยในปริมาณที่ผิดปกติ: การยึดโยงเชิงพื้นที่, กริดพิกัด 0–1000 และการแก้ไขแบบจำกัดขอบเขตด้วยกล่องซึ่งคุณระบุได้ว่าพื้นที่ใดจะคงอยู่ เป็นของที่ต่างรูปทรงกัน

แต่ละอย่างจริงๆ แล้วคืออะไร

• FLUX 3 Image — Black Forest Labs' image tier of its unified FLUX 3 family, released October 1, 2026. One HTTP POST to https://api.bfl.ai/v1/flux-3-image with an x-key header; only prompt is required. The call returns a polling URL, and a finished 4K render can take several minutes. Generated samples are downloadable for one hour.

• Bernini-Diffusers-v2 — สแต็ก planner-plus-renderer ของ ByteDance ที่ถูกผลักขึ้น Hugging Face เมื่อวันที่ 13 สิงหาคม 2026 โดยไม่มีประกาศใด ๆ ประกอบ คลังนี้ถูกติดแท็ก image-text-to-video และขึ้นตรงกับ diffusers งานที่ระบุไว้: text-to-image, image-to-image, text-to-video, video-to-video, reference-to-video และ reference-to-image ไม่มี hosted inference และไม่มีรายการราคา — เส้นทางการเริ่มต้นคือ hf download และแอป Gradio

• ช่องว่างของการกระจาย — FLUX 3 Image เป็นบริการแบบคิดค่าตามการใช้งานที่คุณเรียกใช้ ส่วน Bernini เป็นรีโพซิทอรีที่คุณนำไปดีพลอย ก่อนที่คำถามเรื่องคุณภาพใด ๆ จะคุ้มค่าที่จะถาม หนึ่งในนี้ต้องใช้ GPU ระดับ Hopper และอีกอันต้องใช้บัตรเครดิต

การให้สิทธิ์คือจุดที่สองสิ่งนี้แตกต่างกันมากที่สุด

Bernini-Diffusers-v2 เป็น Apache-2.0 ในระดับรีโพซิทอรี สำหรับไปป์ไลน์ที่โฮสต์เอง สิ่งนี้สำคัญอย่างมาก: ไม่มีการคิดค่าตามจำนวนภาพ ไม่มีข้อตกลงทางการค้าที่ต้องเจรจา ไม่มีการรายงานการใช้งาน คุณจ่ายเพียงค่าไฟฟ้าและเวลาของตัวจัดตาราง และต้นทุนส่วนเพิ่มของภาพที่หนึ่งหมื่นก็เท่ากับภาพแรก

FLUX 3 Image ไม่ใช่เวทแบบเปิด และ Black Forest Labs ก็ระบุชัดเจนว่านี่เป็นเพียงชั่วคราว เวทเชิงพาณิชย์มีให้ใช้แล้ววันนี้ภายใต้สัญญาอนุญาต BFL ที่เจรจากัน และการเปิดตัวเวทแบบเปิดต่อสาธารณะมีคำอธิบายว่าจะมาในอีกไม่กี่สัปดาห์ข้างหน้า นั่นคือคำสัญญาที่มีโครงแต่ไม่มีกำหนดวันที่ และเป็นสิ่งสำคัญที่สุดเพียงสิ่งเดียวบนหน้านี้ที่ควรกลับไปตรวจสอบซ้ำ แทนที่จะสันนิษฐานเอาเอง หากคุณกำลังเลือกสแต็กสำหรับงานภาพสำหรับสองปีข้างหน้า คำถามเรื่องสัญญาอนุญาตน่าจะมีน้ำหนักมากกว่าคำถามเรื่อง Elo — แต่เฉพาะในกรณีที่คุณพร้อมจะดูแลสแต็กดิฟฟิวชันแบบวิดีโอเนทีฟสองขั้นตอนด้วยตัวเอง

พื้นผิวควบคุม: กล่องขอบเขตเทียบกับการเสริมพรอมป์ต์

นี่คือส่วนของแมตช์อัปที่น่าสนใจอย่างแท้จริง เพราะโมเดลทั้งสองแก้ปัญหาเรื่อง "ทำให้มันไปตรงจุดนั้นเป๊ะ ๆ" ด้วยวิธีที่แตกต่างกันโดยสิ้นเชิง

FLUX 3 Image รับอาร์เรย์ JSON ที่ต่อท้ายพร้อมต์ พิกัดทำงานบนกริด 0–1000 ทั้งสองแกน และแต่ละกล่องเขียนเป็น [top, left, bottom, right]คุณส่งตารางขององค์ประกอบ โดยแต่ละรายการมี id, bbox และ desc พร้อมกับแคปชันส่วนกลางที่อ้างถึง id เหล่านั้นตามชื่อ ในตัวอย่างของ BFL เอง id จะอ่านเป็น animal_1 และ silhouette_1; แคปชันอ้างถึง id เหล่านั้นโดยตรง เหนือการเรียกสร้างขึ้นไปมี grounding ซึ่งเปิดใช้เป็นค่าเริ่มต้น และจะรันการค้นหาเว็บและรูปภาพก่อนสร้าง

FLUX 3 Image จากนั้นขยายระบบพิกัดเดียวกันเข้าสู่การแก้ไข แทนที่จะส่งมาสก์ คุณส่งชุดการดำเนินการที่จำกัดขอบเขตด้วยกล่อง: คงไว้ (กล่องต้นทางไปยังกล่องเดียวกัน โดยดึงมาจาก ref_image_0), ย้าย (กล่องต้นทางไปยังกล่องเป้าหมายใหม่), ใหม่ (ไม่มีต้นทาง กล่องเป้าหมายถูกสร้างจากคำอธิบาย — เพิ่ม แทนที่ หรือเปลี่ยนสี) และ ลบ (กล่องต้นทางไปยังเป้าหมายที่เป็นค่าว่าง) การดำเนินการหลายรายการอยู่ในคำขอเดียว

ข้อแม้นี้สำคัญ เอกสารของ BFL ระบุว่าพิกเซลที่อยู่นอกกรอบที่แก้ไข "มักจะเหมือนเดิม" มักจะ นี่คือการอ้างเรื่องการคงสภาพไว้โดยมีข้อหลบเลี่ยงแฝงอยู่ในถ้อยคำ ซึ่งเป็นวิธีที่ซื่อตรงในการส่งมอบสิ่งนั้น และยังเป็นเหตุผลที่คุณควรทดสอบกับเฟรมของคุณเองแทนที่จะเชื่อเดโม

Bernini ไม่มีภาษาพิกัดสำหรับผู้ใช้ที่เทียบเท่ากัน การแก้ไขแบบอ้างอิงของมันดีขึ้นใน v2 เนื่องจากความเปลี่ยนแปลงในการเทรน — โมดูล connector ถูก warm up หลายพันสเต็ปก่อนเริ่ม co-training — และ ByteDance รายงานว่าการเปลี่ยนแปลงนั้นแสดงออกมาเป็นประสิทธิภาพการแก้ไขแบบอ้างอิงและ OpenS2V ที่ดีขึ้น มันเป็นการแก้ไขคุณภาพภายในสถาปัตยกรรมที่มีอยู่ ไม่ใช่อินเทอร์เฟซควบคุมใหม่ หากเวิร์กโฟลว์ของคุณพึ่งพาการบอกโมเดลว่าจะเว้นสี่เหลี่ยมผืนผ้าใดไว้ตามเดิม มีเพียงหนึ่งในสองคำตอบนี้เท่านั้นที่ตอบโจทย์

สิ่งที่ตัวเลขสนับสนุนและไม่สนับสนุน

หน้าเพจของ Bernini-Diffusers-v2 มีตาราง 7 เมตริกที่เปรียบเทียบ v2 กับ v1 และทุกตัวเลขบนตารางเป็นข้อมูลที่ผู้ขายรายงานเอง ทิศทางของผลลัพธ์ปนกัน ซึ่งเป็นสิ่งที่ควรพูดออกมาตรง ๆ ว่า:

• เพิ่มขึ้น — OpenS2V 63.83 (จาก 62.30), VBench 84.46 (จาก 84.37), Bernini-rv2v 3.55 (จาก 3.48)

• คงที่ — EditVerse 8.02 ไม่เปลี่ยนแปลง และ Bernini-v2v 3.49 ไม่เปลี่ยนแปลง

• ลง — OpenVE 3.96 จาก 4.03

หน้านี้ยังระบุว่า v2 อยู่ในระดับชั้นแนวหน้าของโมเดลเชิงพาณิชย์แบบปิดซอร์สชั้นนำ ในการเปรียบเทียบแบบคู่โดยมนุษย์แบบปกปิดภายใน ซึ่งไม่อาจตรวจสอบยืนยันได้จากภายนอก ByteDance และควรอ่านเป็นข้อกล่าวอ้างทางการตลาด ไม่ใช่ผลการวัด ความเคลื่อนไหวจริงทั้งสามรายการคือรายการที่ระบุไว้ข้างต้น และเป็นข้อมูลที่รายงานเองโดยเทียบกับ v1 ของห้องแล็บเดียวกัน

FLUX 3 Image ยังไม่มีตัวเลขใด ๆ เลยในตอนนี้ ทั้งบอร์ด text-to-image และบอร์ด editing ของ Artificial Analysis ต่างถูกตรวจสอบเมื่อวันที่ 1 ตุลาคม และ 2026-10-02 และไม่มีแถวของ FLUX 3 Image อยู่เลย — รายการของ BFL บนบอร์ดเหล่านั้นหยุดอยู่ที่บรรทัด FLUX.2 โดยที่ FLUX.2 [max] อยู่ที่ 1021 Elo บนบอร์ด generation และ 996 บนบอร์ด editing ส่วน FLUX.2 [dev] ยึดทั้งสองบอร์ดไว้ที่ 1000 พอดี ดังนั้นข้อความที่ตรงไปตรงมาเกี่ยวกับคุณภาพของ FLUX 3 Image ในตอนนี้ก็คือ ยังไม่มีใครนอก Black Forest Labs เผยแพร่คะแนนสำหรับมัน และจุดอ้างอิงที่ใกล้ที่สุดที่มีอยู่คือเจเนอเรชันก่อนหน้ามัน

ความไม่สมมาตรนั้นคือกับดักในทางปฏิบัติของการเปรียบเทียบนี้ ตัวเลขของ Bernini นั้นผู้ขายเป็นผู้รันการทดสอบเอง แต่พวกมันมีอยู่จริงและบอกทิศทางได้ ส่วนของ FLUX 3 Image ไม่มี การไม่มีอยู่ไม่ใช่ความล้มเหลว — โมเดลเพิ่งมีอายุได้หนึ่งวัน — แต่มันหมายความว่าหลักฐานเดียวสำหรับคำกล่าวอ้างเรื่องการแก้ไขภาพของ FLUX 3 Image ในตอนนี้มาจากบริษัทที่ขายมัน

ด้านราคา ซึ่งไม่สมมาตรเลย

FLUX 3 Image คิดราคาต่อภาพตามระดับความละเอียด โดยตารางราคาของผู้จำหน่ายระบุไว้ห้าระดับดังนี้:

• 768sq — ราคาตามรายการ $0.041, $0.0205 ในช่วงเปิดตัว

• 1K (ค่าเริ่มต้น) — ราคาตามประกาศ $0.048, ราคาโปรโมชัน $0.024

• 1.5K — ราคาตั้ง $0.07 เหลือ $0.035 ในช่วงโปรโมชัน

• 2K — ราคาปกติ $0.10 ลดเหลือ $0.05

• 4K — ราคาปกติ $0.607 ราคาโปรโมชัน $0.3035

รูปภาพอ้างอิงและความยาวพรอมต์รวมอยู่แล้วโดยไม่มีค่าใช้จ่ายเพิ่มเติม และคำขอที่ถูกปฏิเสธ ล้มเหลว หรือถูกกลั่นกรองจะไม่ถูกเรียกเก็บเงิน — ซึ่งสำคัญกว่าปกติในกรณีนี้ เพราะการเรียกใช้ 4K นั้นช้า และความอยากที่จะยกเลิกคำขอก็เป็นเรื่องจริง ราคาเปิดตัวมีผลตั้งแต่ 15:00 UTC ของวันที่ 1 ตุลาคม ถึง 15:00 UTC ของวันที่ 8 ตุลาคม การกระโดดของราคาตามรายการจาก 2K เป็น 4K คิดเป็นตัวคูณ 6.07 ซึ่งสูงชันกว่าอัตราส่วนจำนวนพิกเซลมาก ดังนั้นระดับความละเอียดที่คุณเลือกจึงเป็นการตัดสินใจด้านต้นทุนหลักใน API ทั้งหมด

ระดับต่าง ๆ ติดตามงบพิกเซลแทนที่จะเป็นเฟรมคงที่ เอาต์พุตตัวอย่างของ BFL คือ 5456 × 3072 ซึ่งประมาณ 16.8 ล้านพิกเซล เมื่อเทียบกับ UHD 2160p ที่ 8.3 ล้านพิกเซล — ดังนั้น "4K" ในที่นี้จึงหมายถึงงบประมาณ และขนาดเอาต์พุตจะถูกปัดเศษให้เป็นจำนวนเท่าของ 16 โดยค่าจริงจะถูกส่งคืนเป็น output_mp.

ราคาของ Bernini เป็นศูนย์ต่อภาพ และไม่เป็นศูนย์ต่อชั่วโมง GPU แปดตัวสำหรับการอนุมานแบบ sequence-parallel แนะนำให้ใช้ซิลิคอนระดับ Hopper ใช้ Python 3.11.2 กับ PyTorch 2.7.1 และ CUDA 12.6 จุดคุ้มทุนเมื่อเทียบกับ $0.048 ต่อภาพที่ 1K จะอยู่ที่ราวหลักพันภาพต่อเดือน โดยขึ้นอยู่กับว่าคุณจ่ายค่าประมวลผลเท่าไรทั้งหมด — และนี่เป็นตัวเลขจริง ไม่ใช่แค่สำนวนโวหาร ถ้าคุณมีโครงสร้างพื้นฐานสำหรับการอนุมานอยู่แล้ว ต้นทุนส่วนเพิ่มต่อภาพของ Bernini ก็แทบจะฟรี ถ้าคุณไม่มี เอนด์พอยต์ FLUX 3 Image ก็ถูกกว่าการตั้งสแต็ก diffusion แบบสองขั้นตอนอย่างมาก

การกำหนดเส้นทาง: ไม่มีรายการใดในสองรายการนี้อยู่ในแคตตาล็อกของเรา

ควรพูดให้ตรง ๆ ไว้เลย เพราะนี่เป็นข้อกล่าวอ้างประเภทที่ล้าสมัยได้เร็ว OrcaRouter ไม่ได้ route ไปยัง FLUX 3 Image และไม่ได้ route ไปยัง Bernini-Diffusers-v2 การเรียกใช้ FLUX 3 Image หมายถึงการเรียก Black Forest Labs โดยตรงที่ endpoint ของพวกเขาเอง ส่วนการเรียก Bernini หมายถึงการ deploy มันด้วยตัวคุณเอง

สิ่งที่เราเตอร์ที่เข้ากันได้กับ OpenAI มีไว้จริง ๆ ในไปป์ไลน์แบบนี้ คือทุกสิ่งทั้งสองข้างของการเรียกสร้างภาพ ขั้นตอนการสร้างคำบรรยายหรือการเขียนพรอมป์ต์ใหม่ โมเดลวิชันที่ตรวจสอบภาพที่เรนเดอร์เทียบกับบรีฟ โมเดลวิดีโอที่ทำแอนิเมชันจากภาพนิ่งที่อนุมัติแล้ว โมเดลข้อความขนาดเล็กที่จำแนกเอาต์พุต — นั่นคือขั้นตอนที่ความสามารถในการสลับผู้ให้บริการด้วยสตริงเดียว บนคีย์เดียว และทำให้คำขอสลับไปยังตัวสำรองโดยอัตโนมัติเมื่อมีตัวหนึ่งทำงานเสื่อมประสิทธิภาพ ช่วยลดภาระการบำรุงรักษาได้จริง OrcaRouter ส่งผ่านราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม ดังนั้นเมื่อผู้ขายลดราคา การเปลี่ยนแปลงจะมีผลในวันเดียวกัน แทนที่จะต้องรอตัวแทนจำหน่ายมาตั้งราคาใหม่ และ DSL สำหรับการกำหนดเส้นทางช่วยให้คุณปักหมุดโมเดลที่เจาะจงหรือกำหนดลำดับสำรองได้โดยไม่ต้องแตะโค้ดแอปพลิเคชัน ทั้งหมดนั้นไม่ได้ทำให้ FLUX 3 Image กำหนดเส้นทางได้ มันแค่หมายความว่าส่วนที่เหลือของไปป์ไลน์ไม่จำเป็นต้องสนใจว่าโมเดลใดสร้างภาพนิ่งนั้น

ควรสร้างต่อจากอันไหน

คำถามสามข้อนี้แยกสิ่งเหล่านี้ได้อย่างชัดเจน และคำถามทั้งสามไม่มีคำตอบร่วมกัน

คุณจำเป็นต้องควบคุมว่าสิ่งต่างๆ จะไปอยู่ที่ไหนหรือไม่? FLUX 3 Image เป็นเพียงตัวเดียวในสองตัวที่มีภาษาพิกัด และการดำเนินการแก้ไขแบบจำกัดขอบเขตกล่องของมัน — คงไว้, ย้าย, เพิ่ม, ลบ — เป็นอินเทอร์เฟซที่แตกต่างอย่างแท้จริงจากการแก้ไขด้วยข้อความสั่งการ หากงานของคุณคือการคอมโพสิต เลย์เอาต์ หรือภาพผลิตภัณฑ์ที่บริเวณต้องคงอยู่ นั่นคือสิ่งชี้ขาด และถ้อยคำที่เลี่ยงการยืนยันใน "โดยปกติจะเหมือนเดิม" เป็นสิ่งที่คุณทดสอบมากกว่าที่จะสันนิษฐาน

คุณจำเป็นต้องรู้ว่ามันดีแค่ไหนก่อนตัดสินใจหรือไม่? Bernini มีตัวเลข ทั้งหมดเป็นตัวเลขที่ผู้ขายรายงานเอง และมีแนวโน้มไปคนละทิศคนละทาง FLUX 3 Image ไม่มีเลย หากคุณไม่สามารถประเมินด้วยตัวเองได้ คุณกำลังเลือกระหว่างโมเดลที่ถูกวัดผลแล้วกับโมเดลที่ยังไม่ถูกวัดผล และตัวที่ถูกวัดผลแล้วกลับเป็นสถาปัตยกรรมที่เก่ากว่า

คุณสามารถใช้งานสแต็ก diffusion แบบสองขั้นได้หรือไม่? นั่นคือด่านจริงบน Bernini. ตัววางแผน Qwen2.5-VL-7B ป้อนให้ตัวถอดรหัส Wan2.2-T2V-A14B บน GPU Hopper พร้อมฮุก prompt-enhancer ที่ชี้ไปยังเอนด์พอยต์ที่เข้ากันได้กับ OpenAI. สัญญาอนุญาตนั้นเปิดกว้าง แต่ค่าคอมพิวต์ไม่ใช่. ถ้าคุณทำไม่ได้ คำถามนี้ก็ไม่สำคัญ และ $0.048 ต่อภาพคือคำตอบ.

สิ่งเดียวที่จะทำให้หน้านี้เปลี่ยนแปลงเร็วที่สุดคือการที่ BFL เปิดเวตของ FLUX 3 Image ซึ่งบริษัทบอกว่าอีกไม่กี่สัปดาห์ข้างหน้า สิ่งนี้เปลี่ยนความไม่สมมาตรด้านสัญญาอนุญาตจากที่เป็นตัวชี้ขาดให้กลายเป็นเรื่องเล็กน้อย และทำให้ความแตกต่างด้านการควบคุมกลายเป็นสิ่งที่ต้องนำมาเปรียบเทียบกันจริง ๆ จนกว่าจะถึงตอนนั้น บทสรุปที่ถูกต้องคือทั้งสองเป็นโมเดลที่ดีแต่มีรูปแบบการเผยแพร่ที่ตรงกันข้ามกัน และการเลือกนั้นถูกตัดสินจากสัญญาอนุญาตและการควบคุมนานก่อนที่จะตัดสินจากคุณภาพ