FLUX 3 Image Klein 对比 Nano Banana 2 Lite：3.8 倍价差与一个公开评分

两款图像模型都宣称每张图片约需四秒，但价格相差 3.8 倍。FLUX 3 Image Klein 是 Black Forest Labs 于 2026 年 10 月 15 日发布的 56 亿参数开放权重模型，价格为每 1000 张图像 0.009 美元。Nano Banana 2 Lite——正式名称为 Gemini 3.1 Flash Lite Image——是 Go​ogle 的低成本端点，自 2026 年 6 月 30 日起上线，价格为每 1000 张图像 0.034 美元。其中一个可以下载并在自己的显卡上运行。另一个则除了通过 Go​ogle 之外，在哪里都无法运行。

决定大多数真实选择的不对称之处并不在于价格，而在于这两者中只有一个拥有来自其制造商之外任何人的评分。Nano Banana 2 Lite 在公开排行榜上停留的时间足够长，已累积近一万五千票。Klein 在撰写本文时仅问世八天，尚无任何评分。因此，这一比较可以对一方做到精确，而对另一方必须谨慎——而事实证明，谨慎的部分比价格差异更重要。

每一个实际上是什么

它们的构造方式并不相同，而这些差异会显现在价格表无法反映的地方。

• 参数——Klein 是一款 5.6B 图像生成器，文本编码器单独计算；Nano Banana 2 Lite 是一款源自 Gemini 3.1 Flash-Lite 的多模态 Transformer，其规模 Go​ogle 并未公布

• 权重可用性 — Klein 提供 BF16、FP8、INT8 和 NVFP4 构建版本供下载；Nano Banana 2 Lite 仅以 API 形式提供，不提供其他形式

• 分辨率——Klein 原生以 4K 生成；Nano Banana 2 Lite 是 1K 模型，按每张 1K 图像计价

• 参考 — Klein 最多接受 10 张参考图；Nano Banana 2 Lite 通过 Gemini 图像管线处理图像输入和编辑

• 许可证 — FLUX Kommunity License，商业自托管设有 500 万美元收入门槛；专有 Go​ogle API 条款

• 水印 — Nano Banana 2 Lite 会对每一项输出应用 SynthID；Klein 的开放权重不附带任何等效的强制性标记

• 输入与输出 — Klein 返回图像；Nano Banana 2 Lite 属于多模态系列，也可返回文本

4K 那一行并不是规格表上的细枝末节。它决定了一个模型是能直接用于印刷交付物，还是之后还得做放大处理；而这也是唯一一处，更便宜的型号在一个硬性、可核验的维度上同时也是更强的那一个。

唯一一份公开的评分卡上就有其中一个。

Artificial Analysis 依据两两人类偏好投票得出的 Elo 对图像模型进行排名，其文生图榜单是该领域最接近中立裁判的存在。数据采集于 2026 年 10 月 16 日，Nano Banana 2 Lite 在 14,779 个样本中位列第十五，Elo 为 1106，榜单标价为每千张图像 33.6 美元。在图像编辑榜单上，它在 7,803 个样本中位列第二十七，Elo 为 1053。

这两个数字值得放在一起对照着看。Nano Banana 2 Lite 作为生成器比作为编辑器更出色，在相同投票群体中的 Elo 高出约 53 分。在这个前二十名模型首尾仅相差约一百分的领域里，这可不是一个小差距。它告诉了你这款平价模型的妥协落在了哪里。

Klein 在两个榜单上均未上榜。排名第十三、1114 Elo、每千张图像 48 美元的 FLUX 3 Image 条目，是更大的仅提供 API 的兄弟型号，而不是 Klein。因此，对于这个开放权重模型，唯一的对比证据是 BFL 自己的评估；该评估报告称，它在文生图、多参考和编辑方面在开放权重模型中排名第一，并且在文生图上领先 FLUX.2 [klein] 9B 91 Elo，在编辑上领先 70 Elo。这些是厂商数据，且署有具名作者。

有一种办法可以大致判断方位。FLUX.2 [klein] 9B 在公开榜单上的文生图成绩是 1026，编辑成绩是 1015，因此套用 BFL 的差值，Klein 大约会落在 1117 和 1085。这只是对厂商说法的算术推算，并非实测——Elo 差值无法在不同测试框架之间迁移——但足以说明这两个模型很可能处在同一水平区间，Klein 在生成上或许略占优势，在编辑上则明显领先。前提是这些差值成立。而这正是全部问题所在。

成交量下的价格差距

按标价计算，算术很简单，而且会不断累积放大。

每月 10,000 张图像 — Klein 90 美元，而 Nano Banana 2 Lite 为 340 美元

• 每月 100,000 张图像——Klein 900 美元，对比 Nano Banana 2 Lite 3,400 美元

• 每月 1,000,000 张图像 — Klein 9,000 美元，而 Nano Banana 2 Lite 为 34,000 美元

• 在 4K 下——Klein 的更高档位价格高于其 1K 价格，因此差距缩小；BFL 将 4K 档位标价为每张图像 0.036 美元

每月处理一百万张图像时，差额是25,000美元，大致相当于GPU的成本。到了这个节点，自托管就不再是一种意识形态偏好，而成为一项资本决策。低于每月几十万张图像时，节省的费用显然不足以覆盖一名工程师的时间，更不用说硬件成本了——这就是为什么许多团队下载权重、把模型跑上两遍，然后又回到API。

这个对比里有一个陷阱，而且正是本网站其他位置更深入讨论过的那个：Klein 的默认管线需要在它前面再加一个模型。提示词上采样器是一个单独的 9B 下载项，大小为 18.8 GB，BFL 表示该图像模型并非设计为在没有它的情况下运行。因此，诚实的自托管对比并不是一个 5.6B 模型对一次 API 调用，而是生成器加辅助模型、再加同时容纳两者的内存，去对比一个包含 Google 在服务端所做一切的单张图片价格。

分辨率才是真正的分水岭

如果你的输出面向屏幕，1K 通常就够了，分辨率差异也不再重要。如果输出面向印刷、包装、大型零售展示或需要大量裁剪的版式，那么在价格被纳入考虑之前，它就已经决定了选择。Nano Banana 2 Lite 是一款 1K 模型。Klein 原生以 4K 生成，其更高分辨率档位也相应定价，而不是对 1K 渲染结果进行放大。

超分工具（upscaler）能弥补其中一部分差距，团队也确实在这么做。但超分工具做不到的，是还原模型从未生成过的细节——细小的文字、纤细的重复结构、某种材质独有的纹理。对于一张放大到海报尺寸的 1K 渲染图，这种差异在正常观看距离下肉眼可见。而对于社交媒体素材，根本没人会察觉。

编辑环节才是更便宜的模型可能不再保持便宜的地方。

Nano Banana 2 Lite 的编辑分数是它较弱的一项，而编辑恰恰是 Klein 最强的地方。Go​ogle 自己的文档对这项取舍异常直白：模型选择页面将 Nano Banana 2 Lite 描述为专为速度和规模而设计，其中速度和成本是主要限制条件，并补充说它“并未针对多参考输入或多轮连续编辑进行优化”。这是厂商在告诉你这款预算模型的边界在哪里，而且这与排行榜上的差距相符——生成得分 1106，编辑得分 1053。

Klein 是为相反的情况打造的。我们在供应商 API 上自行测试——没有固定的提示集，也没有评分标准，因此这更像是一次观察，而非基准测试——发现它在精确、局部的编辑上最有说服力：更改一个对象、将某个元素移入限定区域、保持画面其余部分不变。这种能力正是 BFL 的边界框控件旨在展现的，而且在这类工作中，一次失败的尝试代价是一个评审周期，而不只是一张图片。Klein 还能在单次调用中接受最多 10 张参考图像，而 Go​ogle 表示某款模型根本没有针对多参考图进行优化。

这正是按单张图片比较价格会产生误导的地方。如果便宜模型需要三次尝试并手动微调才能完成一处范围很窄的编辑，而另一个模型一次就能完成，那么每项可用素材的有效成本就会反过来。这并不是说 Klein 胜出——它的编辑质量由厂商自报，且未经任何其他方测量——只是说标价并不是衡量编辑工作的正确分母。要衡量每项被接受素材的成本，而不是每次调用的成本。

水印、许可证以及图片的去向

三个很少出现在基准图表中的实际差异：

• 溯源 — Nano Banana 2 Lite 会为每份输出都嵌入 SynthID 标记，可通过 Gemini 应用、Chrome 中的 Gemini 或 Google 搜索进行验证；Klein 的可下载权重则会生成不带标记的图像

• 许可上限——年收入低于 500 万美元时，Klein 可免费用于商业自托管；超过该门槛则需购买付费许可；Go​ogle 端点没有收入门槛，但它是你租用的服务，而不是你拥有的模型

• 数据路径——自托管的 Klein 将提示词和图像保留在你的硬件上；API 则不会，而对于某些受监管的工作流，无论质量如何，仅这一事实就足以定夺。

SynthID 这一点具有两面性。对于希望获得机器可读来源信息的发布方来说，水印是一项功能。对于需要干净素材的工作室来说，它是一种需要设法绕开的限制——而本地运行的开放权重模型根本不会施加这种限制。

谁应该选哪个

如果你正在构建一个高并发、面向屏幕输出的流水线，并且希望每张图片的费用可预测、无需自建基础设施，那就选 Nano Banana 2 Lite。它速度快，是 Go​ogle 最便宜的图像端点，有公开评分可供参考，而且如果你的产品已经在 Gemini 生态中，它也能无缝融入。它的 1K 上限和较弱的编辑评分是设计时需要重点考虑的两点。

选择 FLUX 3 Image Klein，如果你需要 4K、需要精确的局部编辑、需要单次调用最多 10 张参考图像，或者图像不能离开你的基础设施。作为交换，请接受：其质量声明是实验室自己的说法，默认流水线比宣传的 VRAM 数字所暗示的更重，而且你现在要为许可证条款负责。

如果你不确定，决胜办法在一个下午就能测出来：拿二十条你自己的提示词，先把它们跑过 Go​ogle 端点，再分别跑过带和不带其上采样器的 Klein，然后统计被接受的资产数量，而不是平均得分。

保持决策可逆

这个选择之所以让人觉得代价高昂，是因为切换通常意味着第二套集成、第二个密钥和第二个计费关系。而这正是路由层要解决的问题。OrcaRouter 通过一个兼容 OpenAI 的 API，以 0% 加价提供 200+ 个模型——按提供商的标价透传，因此供应商降价当天即可生效，而不是等到下一次对账——并且在端点性能下降时自动故障转移。当你正因价格而在两个模型之间对冲时，这恰恰值得拥有，因为这种对冲不再需要你付出一次集成的成本。

不过，它并不会把这两个模型中的任何一个提供给你。目前，FLUX 3 Image Klein 和 Nano Banana 2 Lite 都不在我们包含 210 个模型的目录中；Klein 可通过 BFL 自己的 API 或下载的权重获取，而 Nano Banana 2 Lite 则可通过 Google 的 API 获取。把这一点说清楚，比暗示并非如此更有用。

什么会改变这个比较？

Klein 作为独立条目出现在公共榜单上，与 FLUX 3 Image 分开，并拥有足够的票数来抵御新奇效应。仅此一项补充，就能让本文中最重要的那一列从厂商的宣称变成一项实测数据——它也将裁定，3.8 倍的价格差距究竟是一笔划算的买卖，还是为一个未经检验的模型支付的常规折扣。在那之前，最稳妥的解读就是证据所支持的那一种：Nano Banana 2 Lite 是已知量，Klein 则是上限更高、未知也更多的那一个，而分辨率要求往往在质量被讨论之前就已决定了二者之间的取舍。