FLUX 3 Image Klein 對上 Nano Banana 2 Lite：3.8× 價差與一項公開評分

兩個圖像模型都標榜每張圖片約需四秒，但價格相差 3.8 倍。FLUX 3 Image Klein 是 Black Forest Labs 於 2026 年 10 月 15 日發佈的 5.6B 開放權重模型，每 1K 張圖片收費 $0.009。Nano Banana 2 Lite，正式名稱為 Gemini 3.1 Flash Lite Image，是 Google 的平價端點，自 2026 年 6 月 30 日起上線，每 1K 張圖片收費 $0.034。前者可以下載並在自己的顯示卡上執行；後者則除了透過 Google 之外，無處可執行。

決定大多數真實選擇的不對稱性，並不是價格。而是這兩者之中，只有一個擁有來自其製造者以外任何人的評分。Nano Banana 2 Lite 登上公開排行榜的時間已足夠長，累積了近一萬五千票。Klein 在撰寫本文時才推出八天，則一票也沒有。因此，這項比較可以對其中一方精確，對另一方則必須謹慎——而事實證明，謹慎的那部分比價格差異更重要。

每一個實際上是什麼

它們的建構方式並不相同，而這些差異會在定價表未能呈現的地方顯現出來。

• 參數 — Klein 是 5.6B 的影像生成器，文字編碼器分開計算；Nano Banana 2 Lite 是衍生自 Gemini 3.1 Flash-Lite 的多模態 Transformer，Go​ogle 並未公布其規模

• 權重可用性 — Klein 提供 BF16、FP8、INT8 與 NVFP4 版本供下載；Nano Banana 2 Lite 僅以 API 形式提供，別無其他。

• 解析度 — Klein 原生以 4K 生成；Nano Banana 2 Lite 是 1K 模型，按每張 1K 圖像計價

• 參考資料 — Klein 最多接受 10 張參考圖像；Nano Banana 2 Lite 則透過 Gemini 圖像管線處理圖像輸入與編輯

• 授權 — FLUX Kommunity License，商業自助託管設有 500 萬美元營收門檻；專有 Google API 條款

• 浮水印 — Nano Banana 2 Lite 對每項輸出套用 SynthID；Klein 的開放權重則不帶有同等強制標記

• 輸入與輸出 — Klein 回傳影像；Nano Banana 2 Lite 屬於多模態系列，同樣能回傳文字

4K 那一列不是規格表上的細節。它決定了一個模型能不能直接用在要交付印刷的成品上，還是得事後再放大處理；而這也正是便宜的那個模型，在一項明確、可查核的硬指標上反而更勝一籌的唯一地方。

唯一公開的評分卡上，就有其中一個。

Artificial Analysis 根據人類成對偏好投票得出的 Elo 分數，為圖像模型排名；其文生圖排行榜可說是這個領域最接近中立裁判的存在。資料擷取於 2026 年 10 月 16 日，Nano Banana 2 Lite 以 1106 Elo 在 14,779 個樣本中排名第十五，排行榜列出的價格為每千張圖像 33.6 美元。在圖像編輯排行榜上，它則以 1053 在 7,803 個樣本中排名第二十七。

這兩個數字值得放在一起看。Nano Banana 2 Lite 作為生成器，表現比作為編輯器更好，在同一批投票群體上大約高出 53 Elo。在一個前二十名模型從頭到尾只相差約一百分的領域裡，這可不是小差距。這說明了這款平價模型的取捨落在哪裡。

Klein 在兩個排行榜上都沒有紀錄。排名第十三、1114 Elo、每千張圖片 48 美元的 FLUX 3 Image 項目，是規模較大、僅提供 API 的同系列型號，並非 Klein。因此，對這個開放權重模型而言，唯一的比較證據是 BFL 自家的評估；該評估顯示它在開放權重模型中於文生圖、多參考與編輯方面排名第一，且在文生圖上領先 FLUX.2 [klein] 9B 91 Elo，在編輯上領先 70 Elo。這些是廠商公布的數字，且附有具名作者。

有一種方法可以取得粗略的方位。FLUX.2 [klein] 9B 在公開排行榜上，文字生圖為 1026、編輯為 1015，所以套用 BFL 的差值，會讓 Klein 落在接近 1117 和 1085 的位置。那是對廠商說法做的算術，不是實測——Elo 差值不會在不同評測框架之間轉移——但這已足以說明，這兩個模型大致上處於同一區間，Klein 在生成方面或許略勝一籌，在編輯方面則明顯領先。前提是那些差值成立。而這正是整個問題所在。

大量採購下的價差

以定價計算，這筆帳很簡單，而且會複利式累積。

• 每月 10,000 張圖片 — Klein $90 對比 Nano Banana 2 Lite $340

• 每月 100,000 張圖片 — Klein $900 對比 Nano Banana 2 Lite $3,400

• 每月 1,000,000 張圖片 — Klein $9,000 對比 Nano Banana 2 Lite $34,000

• 在 4K 下——Klein 較高階方案的價格高於其 1K 價格，因此差距縮小；BFL 將 4K 方案列為每張圖片 $0.036

在每月一百萬張影像的規模下，差額是 25,000 美元，大約等於 GPU 的成本。到了這個程度，自行託管就不再是理念上的偏好，而是一項資本決策。若每月低於數十萬張影像，省下的錢未必明顯足以抵付一名工程師的時間，更不用說硬體成本——這正是為什麼許多團隊下載權重、把模型跑個兩次，然後又回頭使用 API。

這個比較有個陷阱，而這正是本網站其他地方有更深入探討的那一點：Klein 的預設管線需要在它前面再接一個模型。提示詞放大器是另外一個 9B 的下載項目，大小為 18.8 GB，而 BFL 表示這個影像模型不該在沒有它的情況下運作。因此，真正誠實的自行託管比較，並不是拿一個 5.6B 模型去比一次 API 呼叫，而是把生成器、輔助器，以及同時容納兩者的記憶體，拿來對比一個包含 Google 在伺服器端所做各項處理的每張影像價格。

解析度才是真正的分界線

如果輸出最終是要顯示在螢幕上，1K 通常就夠了，解析度差異也不再重要。如果輸出最終是要用於印刷、包裝、大型零售輸出，或需要大量裁切的版面配置，那麼在價格被納入考量之前，解析度就先決定了選擇。Nano Banana 2 Lite 是 1K 模型。Klein 原生以 4K 生成，而其更高解析度層級的定價也相應反映這一點，並不是把 1K 渲染結果放大而來。

升頻器可以彌補其中一部分差距，而且確實有團隊這麼做。但升頻器無法做到的，是找回模型從未生成過的細節——精細的文字、細薄的重複結構，以及特定材質的質感。將 1K 渲染圖放大到海報尺寸時，這個差異在觀看距離下就看得出來。若是社群素材，根本不會有人知道。

編輯才是較便宜模型可能不再便宜的地方

Nano Banana 2 Lite 的編輯分數是它較弱的一項，而編輯正是 Klein 最佔優勢的環節。Go​ogle 自家文件對這項取捨說得異常直白：模型選擇頁面將 Nano Banana 2 Lite 描述為專為速度與規模而打造、以速度與成本為主要限制條件的模型，並補充它「並非針對多重參考輸入或多輪循序編輯而最佳化」。這是廠商親口告訴你這個平價模型的短板在哪裡，而這也與排行榜上的落差相符——生成 1106 分，編輯則是 1053 分。

Klein 是為相反的情境打造的。我們自己在廠商 API 上進行的測試——沒有固定提示詞集，也沒有評分標準，因此算是一項觀察而非基準測試——發現它在精確、局部的編輯上最有說服力：改變一個物件、把某個元素移入限定區域，其餘畫面維持不動。這正是 BFL 的邊界框控制所要展現的能力，而且這類工作若失敗，代價是一輪審核，而不只是一張圖片。Klein 在單次呼叫中也最多接受 10 張參考圖；相較之下，Google 表示某個模型完全未針對多重參考進行最佳化。

這正是逐張圖片比價會造成誤導的地方。如果便宜模型要試三次、再手動微調，才能完成一處小幅編修，而另一個模型一次就到位，那麼每個可用素材的有效成本就會反轉。這並不是說 Klein 勝出——它的編輯品質是廠商自行回報，其他人並未實測——而是說，對編輯工作而言，牌價是錯誤的分母。要衡量每個獲採用素材的成本，而不是每次呼叫的成本。

浮水印、授權，以及圖片放置位置

三個實務上的差異，鮮少出現在基準測試圖表中：

• 來源溯源 — Nano Banana 2 Lite 會為每項輸出加上 SynthID 標記，並可透過 Gemini 應用程式、Chrome 中的 Gemini 或 Google 搜尋進行驗證；Klein 的可下載權重則會產生未加上標記的影像

• 授權上限 — Klein 在年營收低於 500 萬美元時可免費供商業自架，超過此門檻則需付費授權；Go​ogle 端點沒有營收門檻，但它是你租用的服務，而不是你擁有的模型

• 資料路徑——自託管的 Klein 會將提示詞與影像保留在你的硬體上；API 則不會，而對某些受監管的工作流程而言，光是這一項事實就足以定案，無論品質如何

SynthID 這一點有兩面性。對想要機器可讀溯源資訊的出版者而言，浮水印是一項功能。對需要乾淨素材的工作室而言，則是一道必須設法繞過的限制——而這是本地執行的開放權重模型根本不會強加的限制。

誰應該選哪個

如果你正在打造一條高產量、以螢幕為最終輸出目標的管線，而且希望每張圖片的帳單金額可預測、不必自建基礎設施，那就選 Nano Banana 2 Lite。它速度快，是 Google 最便宜的圖像端點，有公開的評分可供你據以判斷，而如果你的產品本來就活在 Gemini 生態裡，它也能直接嵌進這些介面。它的 1K 上限和較弱的編輯分數，則是你在設計時必須設法因應的兩件事。

如果你需要 4K、需要精準的局部編輯、需要在單次呼叫中使用最多 10 張參考圖片，或圖片不能離開你的基礎設施，就選 FLUX 3 Image Klein。但相對要接受：其品質聲稱是實驗室自家的說法；預設管線比標題上的 VRAM 數字所暗示的更吃重；而且你現在要負責授權條款那一行。

如果你不確定，決勝負的方法一個下午就能測出來：拿你自己二十個提示詞，先跑過 Go​ogle 端點，再用 Klein 分別在開啟與關閉其升採樣器的情況下跑一遍，然後計算獲接受的資產數量，而不是平均分數。

保持決策可逆

這個選擇之所以讓人覺得昂貴，是因為切換通常意味著第二套整合、第二個金鑰，以及第二段計費關係。而這正是路由層存在要解決的問題。OrcaRouter 透過一個與 OpenAI 相容的 API 提供 200+ 個模型，且零加成——供應商的牌價直接透傳，因此廠商降價當天就會生效，而不是等到下一次對帳——並在端點效能下降時自動故障轉移。當你正因為價格而在兩個模型之間避險時，這尤其值得擁有，因為避險不再讓你多付出一套整合的成本。

不過，它並不會讓你取得這兩款模型中的任何一款。FLUX 3 Image Klein 和 Nano Banana 2 Lite 目前都不在我們 210 款模型的目錄中；Klein 可透過 BFL 自家的 API 或下載的權重取得，而 Nano Banana 2 Lite 則可透過 Go​ogle 的 API 取得。這樣說比暗示相反情況更有用。

什麼會改變這個比較？

Klein 以獨立條目出現在公開排行榜上，與 FLUX 3 Image 分開，並獲得足夠票數以撐過新奇效應。光是這一項新增，就能讓本文最重要的那一欄從供應商的主張變成實測數據——也能一次定論：3.8 倍的價差究竟是划算，還是對未經證實的模型慣有的折價。在那之前，最安全的解讀就是證據所支持的那一種：Nano Banana 2 Lite 是已知的量，Klein 則是上限更高、未知更多的選擇，而往往在還未談到品質之前，決定兩者取捨的正是解析度需求。