Qwen-Image-2.1 vs Bernini-Diffusers-v2: สัญญาอนุญาตคือประเด็นทั้งหมด

ระบบสร้างภาพแบบเปิดน้ำหนักสองตัวเปิดตัวห่างกันหกสัปดาห์ในปี 2026 โดยแทบไม่มีเสียงฮือฮา และทั้งสองเห็นต่างกันในสิ่งเดียวที่ชี้ขาดว่าคุณจะสร้างธุรกิจบนมันได้หรือไม่ Qwen-Image-2.1 ซึ่งเผยแพร่เมื่อวันที่ 20 กันยายน 2026 เปิดให้ใช้ภายใต้สัญญาอนุญาตสำหรับงานวิจัย — ใช้เพื่อการไม่เชิงพาณิชย์เท่านั้น หากต้องการใช้เชิงพาณิชย์ต้องตกลงแยกต่างหาก Bernini-Diffusers-v2 ซึ่งเผยแพร่โดย ByteDance เมื่อวันที่ 13 สิงหาคม 2026 เปิดให้ใช้ภายใต้ Apache 2.0 นั่นหมายความว่าคุณนำไปปล่อยใช้งานได้เลย ตัวที่ดูเหมือนมีความสามารถมากกว่ากลับเป็นตัวที่คุณขายไม่ได้ ส่วนตัวที่อนุญาตผ่อนปรนกว่ากลับเป็นตัวที่ส่วนใหญ่เน้นสร้างวิดีโอ ความกลับตาลปัตรนี้เองคือสิ่งที่นำมาเปรียบเทียบกัน

การกลับด้านของใบอนุญาต

เริ่มจากงานเอกสารก่อน เพราะมันสำคัญยิ่งกว่าสิ่งอื่นใดในหน้านี้ ไม่ว่าช่องว่างด้านคุณภาพจะมากแค่ไหนก็ไม่อาจปิดปัญหาด้านใบอนุญาตได้ และไม่มีคะแนน benchmark ใดช่วยกู้ผลิตภัณฑ์ที่ต้องถูกถอดออกได้

• สัญญาอนุญาต — Qwen-Image-2.1 อยู่ภายใต้ Qwen Research License Agreement ลงวันที่ 20 กันยายน 2026 ซึ่งระบุว่า "FOR NON-COMMERCIAL PURPOSES ONLY" โดยสิทธิ์เชิงพาณิชย์มีให้เฉพาะเมื่อร้องขอเท่านั้น ส่วน Bernini-Diffusers-v2 ใช้ Apache 2.0
• ผลในทางปฏิบัติ — เวิร์กโฟลว์ Qwen-Image-2.1 ถือเป็นทรัพย์สินสำหรับการประเมินหรือสำหรับใช้ส่วนตัว ส่วนเวิร์กโฟลว์ Bernini-Diffusers-v2 สามารถนำออกใช้ได้ทันที โดยมีข้อกำหนดการระบุที่มาแบบ Apache ตามปกติ และไม่จำเป็นต้องหารือกับผู้จำหน่าย
• ทิศทางที่มุ่งไป — สายผลิตภัณฑ์ภาพรุ่นก่อนของ Qwen เผยแพร่ภายใต้ Apache 2.0 ดังนั้นการเปิดตัวครั้งนี้จึงเป็นการเข้มงวดขึ้น ขณะที่ ByteDance ยังคงรักษา Bernini ให้เป็นแบบผ่อนปรนทั้งสองเจเนอเรชัน

ถ้าคุณจะอ่านบทความนี้แค่ส่วนเดียว ขอให้เป็นส่วนนี้ ทุกอย่างที่อยู่ด้านล่างเป็นเพียงตัวตัดสินชี้ขาดระหว่างสองสิ่งที่แท้จริงแล้วไม่ได้เสมอกันในแกนนี้

แต่ละระบบแท้จริงแล้วคืออะไร

โมเดลทั้งสองไม่ใช่สิ่งชนิดเดียวกัน และความแตกต่างจะปรากฏขึ้นทันทีที่คุณดูว่ามีอะไรจัดส่งมาพร้อมไฟล์ดาวน์โหลด

Qwen-Image-2.1 เป็นโมเดลแบบรวมเป็นหนึ่งเดียว ทรานส์ฟอร์เมอร์แบบแพร่กระจาย (diffusion transformer) แบบ single-stream ขนาด 7B จำนวน 32 เลเยอร์เพียงตัวเดียวจัดการทั้งการสร้างและการแก้ไขด้วยน้ำหนักชุดเดียวกัน โดยมีเงื่อนไขมาจากตัวเข้ารหัสข้อความ Qwen3-VL 8B พร้อมด้วย VAE แบบ RGBA 64 แชนเนลที่การบีบอัดเชิงพื้นที่ 16× ซึ่งรับหน้าที่หลักในการจัดการความโปร่งใส รวมทั้งหมดประมาณ 33 GB โดยตัว DiT เองอยู่ที่ประมาณ 14 GB และตัวเข้ารหัสข้อความกินพื้นที่ส่วนที่เหลือ นอกจากนี้ยังมาพร้อมเช็กพอยต์สำหรับเขียนพรอมป์ต์ใหม่แบบเลือกได้สองตัว ได้แก่ PE-T2I และ PE-I2I ซึ่งแต่ละตัวเป็น Qwen3.5-VL 9B ที่ปรับแต่งละเอียดแล้วขนาดประมาณ 18.8 GB โดยจะเขียนคำสั่งของคุณใหม่ให้เป็นสิ่งที่แม่นยำก่อนที่โมเดลการแพร่กระจายจะเห็นคำสั่งนั้น

Bernini-Diffusers-v2 เป็นไปป์ไลน์ ไม่ใช่โมเดลเดียว ตัววางแผนเชิงความหมาย Qwen2.5-VL ทำการให้เหตุผลและเขียนแผนเชิงความหมายแฝง จากนั้นตัวเรนเดอร์แบบดิฟฟิวชัน Wan2.2 จะดำเนินการตามแผนนั้น การเปลี่ยนแปลงที่โดดเด่นของสูตร v2 เมื่อเทียบกับเวอร์ชัน Bernini แรกคือ มันวอร์มอัพคอนเนกเตอร์เป็นเวลาหลายพันสเต็ปก่อนการฝึกโคเทรน ซึ่งสิ่งนี้เองที่ปรับปรุงการตัดต่อวิดีโอแบบอ้างอิงนำทางและพฤติกรรม OpenS2V การแบ่งเป็นสองขั้นตอนนี้คือการเดิมพันเชิงสถาปัตยกรรม: วางแผนก่อน เรนเดอร์ทีหลัง และคุณสามารถแก้ไขวิดีโอได้โดยการแก้ไขแผน

• สถาปัตยกรรม — Qwen-Image-2.1 เป็น DiT แบบรวมหนึ่งเดียวสำหรับการสร้างและการแก้ไข; Bernini-Diffusers-v2 เป็นตัววางแผน Qwen2.5-VL ที่ขับเคลื่อนตัวเรนเดอร์ Wan2.2
• โมดัลลิตี้ — Qwen-Image-2.1 เป็นรูปภาพเท่านั้น; Bernini-Diffusers-v2 ครอบคลุม t2i, i2i, t2v, v2v, การแก้ไขวิดีโอโดยใช้ภาพอ้างอิง และ r2v ดังนั้นรูปภาพจึงเป็นเพียงห้องข้าง ไม่ใช่ตัวบ้าน
• ความโปร่งใส — Qwen-Image-2.1 สร้างอัลฟ่าจากแซมเพลอร์ผ่าน RGBA VAE ของมัน; เอาต์พุตที่ระบุไว้ในเอกสารของ Bernini-Diffusers-v2 คือวิดีโอ RGB และเฟรมภาพ โดยไม่มีคำอธิบายเส้นทางอัลฟ่าแบบเนทีฟที่เทียบเท่า
• การจัดการพรอมต์ — Qwen-Image-2.1 มาพร้อมเช็คพอยต์ rewriter ขนาด 9B แยกต่างหากที่คุณสามารถอ่าน diff และ override ได้; ตัววางแผนของ Bernini-Diffusers-v2 เป็นส่วนหนึ่งของไปป์ไลน์ และ prompt enhancer ของมันเป็นการเรียกไปยัง endpoint ที่เข้ากันได้กับ OpenAI แบบเลือกได้ มากกว่าเช็คพอยต์ที่จัดส่งมาพร้อม
• ฮาร์ดแวร์ — Qwen-Image-2.1 ทำงานได้บน GPU สำหรับผู้บริโภคหนึ่งตัว โดยแนะนำให้ใช้ CPU offload บนการ์ดที่มีข้อจำกัด; สภาพแวดล้อมที่ระบุในเอกสารของ Bernini-Diffusers-v2 คือระดับ Hopper, H100/H800/H200 พร้อมการประมวลผลแบบขนานตามลำดับแบบหลาย GPU สำหรับการกำหนดค่าที่ใหญ่กว่า

จุดที่การเปรียบเทียบไม่เกิดประโยชน์อีกต่อไป

เป็นเรื่องน่าล่อใจที่จะนำสองสิ่งนี้มาให้คะแนนแข่งกันในเรื่องคุณภาพของผลลัพธ์ แต่การเปรียบเทียบเช่นนั้นไม่มีอยู่จริง และการแสร้งทำเป็นว่าเป็นเช่นนั้นก็คงเป็นการกระทำที่ไม่ซื่อสัตย์

ตัวเลขที่เผยแพร่ของ Bernini-Diffusers-v2 เป็นตัวชี้วัดด้านวิดีโอและการตัดต่อที่ผู้ขายรายงานเอง — EditVerse 8.02, OpenVE 3.96, OpenS2V 63.83, VBench 84.46 — บวกกับคำกล่าวอ้างเรื่องสมรรถนะระดับชั้นนำในอารีนาเปรียบเทียบแบบจับคู่โดยมนุษย์แบบปกปิดภายในของ ByteDance สิ่งเหล่านี้เป็นตัวชี้วัดวิดีโอ ยังไม่มีการรัน benchmark ภาพอิสระใด ๆ ของ Bernini-Diffusers-v2 ไม่มี FID ไม่มีคะแนนการเรนเดอร์ข้อความ ไม่มีรายการบนลีดเดอร์บอร์ดภาพ ในทางกลับกัน ตัวเลขคุณภาพเพียงตัวเดียวของ Qwen-Image-2.1 คือแผนภูมิ Qwen-Image-Bench ของผู้ขายเอง ซึ่งอ่านค่าได้ 60.28 เทียบกับ Nano Banana 2.0 ที่ 59.82 และ GPT Image 1.5 ที่ 59.65 — เป็นเอกสารของผู้ขาย ยังไม่ถูกทำซ้ำ และโมเดลนี้ไม่อยู่ในลีดเดอร์บอร์ดภาพอิสระในเวลาที่เขียนสิ่งนี้ จุดข้อมูลที่เป็นอิสระจริง ๆ เพียงจุดเดียวคือการตรวจสอบเชิงหน้าที่จากงานผสานรวม SGLang: เอาต์พุต PNG โปร่งใสผ่าน อัลฟาถูกคงไว้ตลอดช่วง 0–255 เต็มรูปแบบ RGBA PSNR วัดได้ 60.69 dB ในตัวอย่างเดียว และการกำหนดค่า FP8 ผ่านการสร้าง PNG โปร่งใส ผู้เขียน SGLang ระบุชัดเจนว่านี่คือการตรวจสอบความถูกต้อง ไม่ใช่การรับประกันคุณภาพ

ดังนั้น: มีรุ่นที่เปิดตัวแบบเปิดสองรุ่น สกอร์การ์ดจากผู้ขายสองราย ไม่มีเบนช์มาร์กที่ใช้ร่วมกัน และไม่มีบุคคลที่สามที่ได้รันทั้งสองรุ่น ใครก็ตามที่บอกคุณว่ารุ่นหนึ่งเอาชนะอีกรุ่นได้ในด้านคุณภาพภาพ กำลังท่องตามคำโฆษณา

ปรัชญาการแก้ไข: เขียนพรอมต์ใหม่ หรือเขียนแผนใหม่

ทั้งสองโมเดลกำลังพยายามแก้ปัญหาเดียวกันที่มีอยู่เบื้องหลัง — คำสั่งของผู้ใช้คลุมเครือและโมเดลการแพร่กระจายตีความตามตัวอักษร — และพวกมันแก้ปัญหานั้นในจุดที่ตรงกันข้าม

Qwen-Image-2.1 แก้ปัญหานี้ด้วยภาษา เช็กพอยต์ PE-I2I รับคำสั่งแก้ไขของคุณพร้อมกับภาพอินพุตหนึ่งภาพหรือมากกว่า แล้วเขียนใหม่ให้เป็นคำสั่งที่แม่นยำก่อนการสร้าง เนื่องจากเป็นเช็กพอยต์ที่เผยแพร่แล้วซึ่งมาพร้อมกับไฟล์system_prompt.txtที่เผยแพร่แล้ว คุณจึงสามารถอ่านได้อย่างชัดเจนว่ามันถูกสั่งให้ทำอะไร — รวมถึงกฎที่ว่าข้อความที่เรนเดอร์ในเอาต์พุตควรตรงกับภาษาหลักของข้อความที่มีอยู่ในภาพอินพุตอยู่แล้ว แทนที่จะถูกบังคับให้เป็นภาษาอังกฤษ นั่นคือพฤติกรรมที่ตรวจสอบได้ คุณสามารถเขียนทับมันได้

Bernini-Diffusers-v2 แก้ปัญหานี้ในเชิงโครงสร้าง ตัววางแผนสร้างแผนเชิงความหมายที่ตัวเรนเดอร์นำไปปฏิบัติตาม และคุณสมบัติที่น่าสนใจของการจัดวางแบบนี้ก็คือ แผนเป็นสิ่งที่คุณแก้ไขได้ สำหรับงานวิดีโอ — ซึ่งจุดสำคัญมักอยู่ที่การเปลี่ยนองค์ประกอบหนึ่งชิ้นตลอดทั้งลำดับโดยไม่ต้องรีโรลช็อต — การวางแผนแยกจากการเรนเดอร์เป็นรูปแบบที่ถูกต้อง สำหรับภาพนิ่งเพียงภาพเดียว มันเป็นชิ้นส่วนที่เพิ่มขึ้นมา

• ระดับความละเอียดของการแก้ไข — Qwen-Image-2.1 รองรับการแก้ไขแบบเฉพาะจุดด้วยการวงกลม การวาดคำอธิบายประกอบ หรือมาสก์แยกต่างหาก รวมถึงการแก้ไขด้วยเลเยอร์โปร่งใสและการแยกวัตถุออกจากภาพถ่าย RGB ส่วนจุดแข็งด้านการแก้ไขที่ระบุไว้ในเอกสารของ Bernini-Diffusers-v2 คือการแก้ไขวิดีโอโดยใช้ภาพอ้างอิงและการสร้างวิดีโอจากวัตถุ ไม่ใช่การซ่อมแซมภาพนิ่งแบบเฉพาะจุด
• อินพุตอ้างอิง — Qwen-Image-2.1 รองรับภาพอ้างอิงได้สูงสุด 10 ภาพ แม้ว่าผู้ตรวจสอบในโปรแกรมเข้าถึงก่อนกำหนดจะรายงานว่าความสอดคล้องของการอ้างอิงหลายภาพเริ่มลดลงตั้งแต่ประมาณสามภาพขึ้นไป ส่วนการจัดการภาพอ้างอิงของ Bernini-Diffusers-v2 นั้นระบุไว้ในบริบทของลำดับวิดีโอ
• ความสามารถในการตรวจสอบ — ตรรกะการเขียนพรอมป์ใหม่ของ Qwen-Image-2.1 เป็นพรอมป์ระบบที่อ่านได้ในที่เก็บโค้ด ส่วนขั้นตอนการวางแผนของ Bernini-Diffusers-v2 เป็นน้ำหนักโมเดล

สิ่งที่ควรทำจริง ๆ กับสิ่งนี้

กฎการตัดสินใจเกิดจากใบอนุญาตมากกว่าที่จะมาจากเอกสารข้อมูลจำเพาะ

ถ้าผลลัพธ์จะถูกนำไปใช้ในสิ่งที่คุณขาย — งานลูกค้า ผลิตภัณฑ์ หรือไปป์ไลน์ที่จ่ายเงิน — Bernini-Diffusers-v2 เป็นเพียงหนึ่งในสองตัวนี้ที่คุณใช้ได้โดยไม่ต้องมีการหารือ และคุณควรเผื่องบประมาณสำหรับฮาร์ดแวร์ระดับ Hopper เพื่อรันมันตามที่เอกสารระบุ ถ้าคุณทำงานวิจัย ประเมินผล หรือทำงานส่วนตัว Qwen-Image-2.1 จะให้ระบบที่ตรวจสอบได้มากกว่าและเป็นตัวที่มี native alpha ในราคาของสัญญาอนุญาตที่คุณจะต้องเจรจาใหม่หรือเดินจากไปในที่สุด

ยังมีทางเลือกที่สามที่ทั้งสองแบบนี้ไม่ได้ครอบคลุม และควรพูดให้ชัดเจนว่า: โมเดลรูปภาพแบบโฮสต์ ที่คุณไม่ต้องยุ่งกับไฟล์ใบอนุญาตหรือ GPU เลย OrcaRouter จัดเส้นทาง โมเดล 200+ ตัวผ่านปลายทางเดียวที่เข้ากันได้กับ OpenAI ในราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม, พร้อมระบบสำรองอัตโนมัติระหว่างผู้ให้บริการ, DSL สำหรับกำหนดเส้นทางสำหรับเชนสำรอง, และการรวมโมเดล ทั้ง Qwen-Image-2.1 และ Bernini-Diffusers-v2 ต่างก็ไม่มีอยู่ในแค็ตตาล็อกของเรา ณ เวลาที่เขียน — เราไม่ได้จัดเส้นทางโมเดล Qwen-Image เวอร์ชันใดเลย และไม่ได้จัดเส้นทางโมเดล Bernini — ดังนั้นนี่จึงไม่ใช่การเสนอขายสำหรับตัวใดตัวหนึ่ง ไลน์รูปภาพที่เราจัดเส้นทางให้คือตระกูล GPT-Image ของ OpenAI, ระดับต่างๆ ของ Imagen 4 จาก Google และภาพตัวอย่าง Gemini, และปลายทางรูปภาพ Grok Imagine ของ xAI; เนื่องจากราคาตามรายการถูกส่งผ่านโดยตรงโดยไม่บวกเพิ่ม หากผู้ขายลดราคาตัวใดในนี้ ราคาจะมีผลทันทีในวันเดียวกัน

ส่วนที่ไม่มีรีพอซิทอรีใดตอบ

ทั้งสองอย่างเป็นการเปิดตัวแบบเงียบ ๆ โดยไม่มีช่วงเกริ่นนำ และการเปิดตัวแบบเงียบ ๆ นั้นยากที่จะวางแผนรองรับ สัญญาณล่วงหน้าเพียงอย่างเดียวของ Qwen-Image-2.1 คือบันทึกการเข้าถึงก่อนกำหนดเมื่อวันที่ 17 กันยายน ซึ่งเสนอ 50 สล็อตบน ModelScope โดยขอให้นักทดสอบเผยแพร่ภายในวันที่ 29 กันยายน — สามวันก่อนที่น้ำหนักโมเดลจะเปิดสู่สาธารณะ Bernini-Diffusers-v2 ปรากฏขึ้นบน Hugging Face เมื่อวันที่ 13 สิงหาคม พร้อมกับมิเรอร์ Gitee อยู่เคียงข้าง

สิ่งที่ขาดหายไปจากทั้งสองกรณีคือเหตุผลที่ทำให้เชื่อได้ว่าข้อกำหนดเหล่านี้จะยังคงใช้ได้ Qwen ทำให้สัญญาอนุญาตของตนเข้มงวดขึ้นระหว่างรุ่นการสร้างภาพก่อนหน้ากับรุ่นนี้ ซึ่งเป็นข้อมูลที่บอกทิศทางหนึ่ง ByteDance รักษา Bernini Apache 2.0 ไว้ตลอดสองรุ่น ซึ่งเป็นข้อมูลที่บอกทิศทางตรงกันข้าม ไม่มีทางรู้จากตรงนี้ได้ว่าสิ่งใดสิ่งหนึ่งในนั้นจะยังคงอยู่สำหรับการเปิดตัวครั้งถัดไปหรือไม่ และนี่คือสิ่งที่ต้องตรวจสอบก่อนที่คุณจะตัดสินใจนำไปป์ไลน์ไปใช้จริง ไม่ใช่หลังจากนั้น