FLUX 3 Image Klein vs Qwen-Image 2.1 Turbo: Giấy phép quyết định trận này trước cả khi các bài benchmark lên tiếng

FLUX 3 Image Klein, từ Black Forest Labs vào ngày 15 tháng 10 năm 2026, và Qwen-Image 2.1 Turbo, từ Alibaba một tuần trước đó vào ngày 9 tháng 10 năm 2026, trông giống như cùng một sản phẩm đến từ hai công ty: những mô hình tạo ảnh trọng số mở nhỏ gọn, xử lý chuyển văn bản thành ảnh, chỉnh sửa và tổng hợp đa tham chiếu trong một bộ trọng số, cả hai đều nhận tối đa mười ảnh tham chiếu, cả hai đều đi kèm với các đường suy luận tăng tốc. Đặt các bảng thông số kỹ thuật cạnh nhau và Qwen-Image 2.1 Turbo thắng ở hầu hết các dòng — nhiều tham số hơn, ít bước khử nhiễu hơn, độ trong suốt, mặt nạ. Rồi đọc hai giấy phép, và mô hình nhỏ hơn, trông có vẻ chậm hơn, tốn kém hơn để lý giải hóa ra lại là mô hình duy nhất trong hai mà bạn có thể xây dựng một doanh nghiệp dựa trên đó mà không cần ký bất cứ thứ gì.

Sự đảo ngược đó chính là toàn bộ phép so sánh. Mọi thứ khác — số lượng tham số, giá cả, thời gian render — chỉ là chi tiết bạn cân nhắc sau khi đã vượt qua được nó.

Mỗi mô hình thực sự là gì

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 là một checkpoint tăng tốc của Qwen-Image 2.1, giữ nguyên kiến trúc tạo sinh hình ảnh 7B — 32 lớp DiT single-stream — và giảm suy luận xuống 8 bước khử nhiễu với lịch lấy mẫu được lưu sẵn và bộ đệm KV tiền tố. Đây là một mô hình tạo và chỉnh sửa hợp nhất với danh sách tính năng mà Klein không sánh bằng: độ trong suốt gốc, nên nó tạo và chỉnh sửa ảnh RGBA trực tiếp; và chỉnh sửa cục bộ thông qua các vòng tròn được vẽ, chú thích được tô hoặc mặt nạ riêng biệt thay vì hộp giới hạn. Trọng số thuộc Thỏa thuận Cấp phép Nghiên cứu Qwen, và phiên bản hosted có giá $0.016 mỗi ảnh thông qua Alibaba Cloud Model Studio và QwenCloud.

Cả hai đều là những bản phát hành open-weights thực sự theo đúng nghĩa quan trọng đối với người tải xuống: bạn có thể lấy các tệp, chạy chúng cục bộ và tinh chỉnh chúng. Việc bạn sau đó có thể làm gì với đầu ra là một câu hỏi khác, và đó chính là câu hỏi mà hai nhà cung cấp trả lời theo cách khác nhau.

Giấy phép là điểm họ chia tay nhau.

Thỏa thuận Cấp phép Nghiên cứu Qwen rõ ràng ngay từ đầu: quyền cấp phép là "CHỈ DÀNH CHO MỤC ĐÍCH PHI THƯƠNG MẠI", và mục 2(b) nêu rằng bạn "không được sử dụng Tài liệu cho bất kỳ mục đích thương mại nào mà không có được giấy phép thương mại riêng từ chúng tôi". Từ mà thỏa thuận dùng để chỉ Phi Thương Mại là "mục đích nghiên cứu hoặc đánh giá". Điều đó có nghĩa làtrọng số không thể được đưa vào một sản phẩm nếu không có giấy phép được đàm phán từ Hangzhou Tongyi Laboratory. Việc mua mô hình thông qua API được lưu trữ của Alibaba là một dịch vụ thương mại và đi kèm với các điều khoản riêng — hạn chế nằm ở việc tự lưu trữ (self-host) checkpoint, và đó chính xác là điều mà một nhóm chọn mô hình trọng số mở để làm.

FLUX 3 Image Klein đi theo hướng ngược lại. Theo FLUX Kommunity License v1.0, các trọng số được miễn phí cho mục đích phi thương mại, và có một ngoại lệ về đầu ra thương mại dành cho “Người dùng đủ điều kiện” — các cá nhân và công ty có tổng doanh thu gộp quy đổi theo năm dưới 5 triệu USD. Dưới ngưỡng đó, bạn có thể phát hành đầu ra của Klein cho mục đích thương mại mà không tốn thêm chi phí nào ngoài chi phí tính toán của chính bạn. Trên ngưỡng đó, bạn cần giấy phép tự triển khai từ BFL hoặc sử dụng API.

Vậy nên sự phân chia không phải là “một cái mở và một cái đóng”. Cả hai đều có thể tải xuống. Một cái có thể tải xuống để nghiên cứu, cái kia có thể tải xuống cho doanh nghiệp có doanh thu tối đa tới một ngưỡng nhất định. Với một nhà phát triển độc lập hoặc một studio nhỏ, chỉ riêng điều khoản đó là quyết định thẳng cục diện đối đầu.

Có hai điều khoản nữa đáng để biết trước khi bạn quyết định theo hướng nào. Giấy phép của Klein cấm dùng mô hình, các sản phẩm phái sinh hoặc đầu ra của nó để cải thiện một mô hình AI khác đang thực hiện chức năng tương tự — việc tạo dữ liệu tổng hợp để huấn luyện một mô hình hình ảnh đối thủ chính là trường hợp mà điều khoản đó bao trùm. Và thỏa thuận của Qwen yêu cầu các bản sao được phân phối lại phải mang thông báo ghi công của nó và mọi tệp đã chỉnh sửa phải được đánh dấu là đã thay đổi, đó là thủ tục sổ sách mã nguồn mở thông thường nhưng vẫn là một nghĩa vụ thực sự nếu bạn định công bố một bản tinh chỉnh.

Thông số kỹ thuật, từng hàng một

• Trình tạo hình ảnh — FLUX 3 Image Klein 5,6B tham số so với Qwen-Image 2.1 Turbo 7B (32 lớp DiT đơn luồng), mỗi mô hình được đếm theo cách nhà phát hành của nó đếm, không tính bộ mã hóa văn bản cho cả hai.

• Số bước khử nhiễu — Klein chưng cất ở 16 bước, bản gốc ở 50 so với Qwen Turbo ở 8, với lịch lấy mẫu được lưu bên trong checkpoint.

• Đầu ra tối đa — Klein lên tới 4K native chuẩn 4096px, so với các preset được công bố của Qwen Turbo chỉ đạt tối đa 2752×1536 (khoảng 4,2 MP), với 2048×2048 là kích thước hình vuông lớn nhất.

• Ảnh tham chiếu — mỗi bên mười ảnh.

• Điều khiển vùng — hộp giới hạn trên lưới 0–1000 dành cho Klein (vị trí và tỷ lệ, rõ ràng không phải mặt nạ điểm ảnh cứng) so với hình tròn được vẽ, chú thích tô vẽ hoặc mặt nạ riêng cho Qwen-Image 2.1.

• Độ trong suốt — Qwen-Image 2.1 tạo và chỉnh sửa RGBA gốc; FLUX 3 Image Klein không đưa ra bất kỳ tuyên bố nào về độ trong suốt trên cả thẻ mô hình lẫn trang sản phẩm của nó.

• Xử lý prompt — Klein yêu cầu phải có một bộ nâng cấp prompt đặt trước nó, và thẻ mô hình của nó nói thẳng rằng đừng chạy nó mà không có bộ đó; Qwen Turbo nhận prompt đúng như đã viết, với tính năng mở rộng prompt có sẵn dưới dạng tham số API.

• Giấy phép — FLUX Kommunity License, miễn phí cho đầu ra thương mại với doanh thu dưới 5 triệu USD, so với Qwen Research License, chỉ dành cho mục đích phi thương mại, cần giấy phép riêng để sử dụng trọng số cho mục đích thương mại.

• Giá API nhà cung cấp — $0.009 mỗi 1K ảnh, tăng lên $0.036 ở 4K so với mức cố định $0.016 mỗi ảnh ở mọi preset.

Hai bảng giá thực sự có tác dụng gì khi khối lượng lớn

Biểu phí của Klein thay đổi theo độ phân giải; còn của Qwen Turbo thì không. Điều đó tạo ra một điểm giao nhau dễ bị bỏ sót khi bạn so sánh những con số được nêu bật.

• 10.000 hình ảnh ở 1K — Klein $90 so với Qwen-Image 2.1 Turbo $160. Klein rẻ hơn 44%.

• 10.000 hình ảnh ở 2K — Klein $140 so với Qwen-Image 2.1 Turbo $160. Klein vẫn rẻ hơn, 12,5%.

• 10.000 hình ảnh ở 4K — Klein $360. Qwen-Image 2.1 Turbo không có preset 4K để so giá; kích thước lớn nhất của nó là 2752×1536 với cùng mức $160.

Đó là phép tính trên hai bảng giá đã công bố, không phải báo giá. Điểm giao nhau nằm giữa 2K và 4K, và nó tồn tại vì hai nhà cung cấp định giá theo đơn vị khác nhau: BFL tính phí theo từng ảnh theo dải độ phân giải, Alibaba tính phí cố định theo từng ảnh. Nếu khối lượng công việc của bạn ở mức 1K hoặc 2K, Klein là lựa chọn rẻ hơn trên cả hai API, trái ngược với điều mà "mô hình Qwen giá rẻ" sẽ khiến bạn kỳ vọng. Nếu nó ở mức 4K thực sự, Qwen-Image 2.1 Turbo hoàn toàn không thể phục vụ nó thông qua các preset đã công bố, vậy nên vấn đề không phải là giá.

Việc so sánh có thêm một điểm phức tạp khi bạn tự vận hành thay vì gọi API. Trên phần cứng của riêng bạn, hoàn toàn không có mức giá trên mỗi ảnh — có một chi phí cố định cho GPU và một chi phí trên mỗi ảnh tính bằng giây — và hai mô hình không hề gần nhau về những gì chúng cần để chạy.

Tự bạn chạy chúng

Cộng các danh sách tệp đã công bố lại và khoảng cách hiện ra rõ rệt. Ba thành phần BF16 của FLUX 3 Image Klein — một transformer 11,1 GB, một text encoder 8,9 GB và một autoencoder 0,34 GB — cộng lại vào khoảng 20,3 GB, và bản INT8 chạy trên một RTX với chỉ 8 GB VRAM, với tài liệu của BFL đặt mức tối thiểu ở RTX 3090. Bản tải xuống BF16 của Qwen-Image 2.1 Turbo bị chi phối bởi một text encoder 17,53 GB, với transformer được chia thành hai shard 9,97 GB và 4,26 GB cùng một VAE 0,68 GB — tổng cộng khoảng 32,4 GB, nên chỉ riêng text encoder của nó đã lớn hơn tất cả những gì Klein cần cộng lại. Cả hai con số đều là tổng do chúng tôi tự cộng từ danh sách tệp của chính các nhà cung cấp, không phải tổng số do nhà cung cấp công bố.

Tốc độ là chỗ mà số bước gây hiểu nhầm. checkpoint chưng cất của Klein chạy gấp đôi số bước so với tám bước của Qwen Turbo, nhưng các con số đo được của BFL — do NVIDIA thực hiện, trong ComfyUI, trên bản dựng chưng cất INT8 — cho ra một ảnh 1 MP trong khoảng 4 giây trên RTX 5090 và dưới 9 giây trên RTX 4070, giảm xuống dưới 0,6 giây trên GB300 ở NVFP4. Alibaba không công bố con số tương đương theo từng GPU cho Turbo, nên cách đánh giá trung thực là tám bước của Turbo xét về mặt kiến trúc là con đường ngắn hơn, và chưa có ai ngoài Alibaba công bố số giây cho nó trên phần cứng tiêu dùng.

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.

Không mô hình nào có điểm chất lượng độc lập

Đây là dòng mà cả hai bảng thông số kỹ thuật đều để trống, và đáng để nói chính xác về việc trống đến mức nào. Tính đến ngày 16 tháng 10 năm 2026, Artificial Analysis vận hành các bảng riêng cho text-to-image và chỉnh sửa ảnh, và cả hai đều không có mục nào cho FLUX 3 Image Klein hay Qwen-Image 2.1 Turbo. Điều mà các bảng này thực sự có là thế hệ trước của mỗi dòng sản phẩm, tức là thứ gần nhất với một đánh giá độc lập hiện có:

• Văn bản thành hình ảnh — Qwen-Image 2.1 (bản checkpoint gốc, không phải Turbo) xếp thứ 20 với 1.041 Elo từ 5.356 lượt so sánh, phát hành vào tháng 9 năm 2026. FLUX 3 Image, người anh em lớn hơn mà Klein nằm dưới, xếp thứ 13 với 1.114 Elo từ 5.769 lượt so sánh.

• Chỉnh sửa ảnh — Qwen-Image 2.1 xếp thứ 19 với 1.081 Elo từ 6.138 lượt so sánh. FLUX 3 Image hoàn toàn không có mục nào trên bảng chỉnh sửa; mẫu FLUX gần nhất được liệt kê là FLUX.2 [Klein] 9B với 1.015 Elo từ 6.905 lượt so sánh.

Hãy đọc những thông tin đó như bối cảnh, không phải như một dự đoán. Qwen-Image 2.1 bản cơ sở không phải là Turbo — một checkpoint chưng cất đánh đổi chất lượng để lấy số bước ít hơn, và mức đánh đổi chính xác là bao nhiêu lại chính là câu hỏi mà sự vắng mặt của Turbo trên bảng xếp hạng để ngỏ. FLUX 3 Image cũng không phải Klein, và bài đăng ra mắt của chính Black Forest Labs không hề so sánh hai mô hình, nghĩa là không có con số nào được công bố ở đâu cho biết Klein kém mô hình anh em lớn hơn của nó bao xa. Và trên bảng xếp hạng chỉnh sửa, mô hình mà BFL nói Klein đánh bại với cách biệt 70 Elo — FLUX.2 [klein] 9B — đang đứng ở 1.015, thấp hơn khoảng 66 Elo so với vị trí của Qwen-Image 2.1. Tuyên bố của BFL là Klein vượt qua khoảng cách đó và còn hơn thế nữa; bằng chứng duy nhất cho điều này hiện giờ là biểu đồ của chính BFL.

Chọn cái nào?

Chọn FLUX 3 Image Klein nếu đầu ra phải mang tính thương mại và doanh nghiệp nhỏ. Đây là mô hình duy nhất trong hai mô hình có trọng số đi kèm một lộ trình thương mại khả dụng mà không cần đàm phán, nó rẻ hơn trên mỗi ảnh ở cả hai API tại 1K và 2K, và đạt tới 4K. Hãy dự trù chi phí cho upsampler, và đọc các hạn chế trong giấy phép về huấn luyện đối thủ cạnh tranh và phân phối lại bản tinh chỉnh trước khi bạn xây dựng một pipeline dữ liệu quanh nó.

Hãy chọn Qwen-Image 2.1 Turbo nếu tính năng bạn thực sự cần là độ trong suốt hoặc chỉnh sửa cục bộ dựa trên mặt nạ — Klein không có cả hai — hoặc nếu bạn đang chạy nghiên cứu, đánh giá hay một nguyên mẫu nội bộ, nơi điều khoản phi thương mại không hề ràng buộc. Tám bước và kiến trúc 7B khiến nó trở thành một thứ hiệu quả để thử nghiệm cục bộ; dung lượng 32.4 GB ở BF16 chính là cái giá của thử nghiệm đó.

Nếu bạn cần cả hai, việc tách ra là hợp lý: Qwen-Image 2.1 Turbo cho giai đoạn khám phá và luồng minh bạch của nó, FLUX 3 Image Klein cho luồng phát hành. Đó là một quyết định về cấp phép không kém phần so với một quyết định kỹ thuật.

Nơi thực sự gọi họ

Cả hai mô hình đều có thể truy cập được thông qua API riêng của nhà cung cấp — BFL cho Klein, Alibaba Cloud Model Studio và QwenCloud cho Turbo — và thông qua một số nền tảng bên thứ ba. Hiện cả hai đều chưa có trong danh mục của OrcaRouter, và chúng tôi thà nói thẳng như vậy còn hơn ám chỉ một câu chuyện định tuyến mà chúng tôi không thể đảm bảo. Điều chúng tôi có thể nói là quy trình xung quanh phù hợp ở đâu: OrcaRouter hiện đã định tuyến một nhóm mô hình hình ảnh được lưu trữ (hosted) cùng với hơn 200 mô hình văn bản và đa phương thức phía sau một API key duy nhất, với mức chênh 0% so với giá niêm yết của nhà cung cấp và tự động chuyển đổi dự phòng giữa các nhà cung cấp. Các đội ngũ dùng một mô hình hình ảnh hosted cho luồng tương tác và giữ một checkpoint open-weights cho công việc theo lô đang vận hành đúng kiểu phân tách mà một endpoint duy nhất được sinh ra để phục vụ, và nếu một trong hai mô hình này có mặt trong danh mục, thì đó chính là nơi nó sẽ xuất hiện.

Điều cần để ý không phải là bảng thông số kỹ thuật tiếp theo. Mà là chỉ số Elo độc lập đầu tiên dành cho một trong hai mô hình, trên cùng bảng xếp hạng nơi các phiên bản tiền nhiệm của chúng đã có mặt. Cho đến khi điều đó thành hiện thực, hai tuyên bố đang được đưa ra — "chất lượng trọng số mở hàng đầu với ít tham số hơn" của BFL và "cân bằng nhất và hiệu quả chi phí nhất" của Alibaba — đều chỉ là quảng cáo, và những dòng duy nhất trong so sánh này mà bạn có thể dựa vào một cách chắc chắn là giấy phép, bảng giá và mức VRAM tối thiểu.

Khoảng cách giữa những gì một bảng điểm đo lường và những gì một triển khai thực tế đáp ứng chính là lý do hồ sơ này quan trọng: những thất bại AI và sự cố tác nhân đã được ghi nhận liên quan đến các mô hình thuộc nhóm này đều được tập hợp trong the OrcaRouter AI Incident Archive, nơi mỗi mục đều đi kèm nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ đánh dấu tranh chấp.