FLUX 3 Image Klein 對決 Qwen-Image 2.1 Turbo：授權條款在基準測試之前就先決定了勝負

FLUX 3 Image Klein，由 Black Forest Labs 於 2026 年 10 月 15 日推出，以及Qwen-Image 2.1 Turbo，由阿里巴巴早一週、於 2026 年 10 月 9 日推出，看起來就像是兩家公司做出的同一款產品：小型的開放權重圖像生成器，以一組權重處理文字轉圖像、編輯與多參考構圖，兩者都接受最多十張參考圖像，也都隨附加速推論路徑。把規格表並排放在一起，Qwen-Image 2.1 Turbo 在大多數項目上都勝出——更多參數、更少去噪步驟、透明度、遮罩。接著讀這兩份授權條款，那個較小、表面上較慢、評估起來更費思量的模型，結果竟是兩者中唯一能讓你無須簽署任何東西就能建立事業的模型。

那個反轉就是整個比較的核心。其他一切——參數量、價格、渲染時間——都只是你跨過它之後才去權衡的細節。

每個模型實際上是什麼

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 是 Qwen-Image 2.1 的加速檢查點，維持相同的 7B 視覺生成架構——32 層單流 DiT——並透過預存的取樣排程與前綴 KV 快取，將推論降至 8 個去噪步驟。它是一款統一的生成與編輯模型，具備 Klein 無法比擬的功能清單：原生透明度，可直接生成與編輯 RGBA 影像；以及透過手繪圓圈、塗抹標註或獨立遮罩（而非邊界框）進行局部編輯。權重採用 Qwen Research License Agreement 授權，託管版本透過阿里雲 Model Studio 與 QwenCloud 提供，每張影像定價 $0.016。

兩者都是真正嘅開放權重釋出，就對下載者而言真正要緊嘅意義來講：你可以取得檔案、喺本機執行，並對佢哋進行微調。至於你之後可以攞輸出做咩，就係另一個問題，而呢個正正係兩間廠商畀出唔同答案嘅問題。

授權條款正是他們分道揚鑣之處。

Qwen 研究授權協議在一開頭就明確寫道：授權是「僅限非商業用途」，而第 2(b) 條規定你「不得將本素材用於任何商業目的，除非向我們取得另行授權的商業授權」。該協議對非商業所用的措辭是「研究或評估目的」。這表示 Qwen-Image 2.1 Turbo 權重若未與杭州通義實驗室協商取得授權，便不得投入產品。透過阿里巴巴的託管 API 購買該模型屬於商業服務，並受其自身條款約束——限制在於自行託管該檢查點，而這正是團隊選擇開放權重模型的目的所在。

FLUX 3 Image Klein 走的是相反路線。在 FLUX Kommunity License v1.0 之下，權重可免費供非商業用途使用，而且針對「Qualifying Users」設有商業輸出例外——亦即年化總營收低於 500 萬美元的個人與公司。在這條線以下，你可以將 Klein 的產出用於商業用途，除了自身的運算資源外無需額外付費。超過這條線，你就需要向 BFL 取得自架授權，否則就得使用 API。

所以分野並不是「一個是開放、一個是封閉」。兩者都可下載。一個可下載供研究之用，另一個則可供營收未達門檻的企業下載。對獨立開發者或小型工作室而言，光是這一條款就直接決定了這場較量的勝負。

在你做出任何決定之前，還有兩項條款值得了解。Klein 的授權條款禁止使用該模型、其衍生作品或其輸出，來改進另一個執行類似功能的 AI 模型——為訓練競爭對手的圖像模型而生成合成資料，正是這項條款所涵蓋的情況。而 Qwen 的協議要求再散布的副本必須附上其姓名標示聲明，任何經修改的檔案也必須標明已變更，這雖然是常見的開源例行作業，但如果你打算發布微調後的模型，這便是一項實實在在的義務。

規格，逐行

• 圖像生成器 — FLUX 3 Image Klein 5.6B 參數 vs Qwen-Image 2.1 Turbo 7B（32 個單流 DiT 層），各自依其發布者的計算方式計數，兩者皆不計入文字編碼器。

• 去噪步數——Klein 蒸餾版為 16 步，基礎版為 50 步，對比 Qwen Turbo 的 8 步，其取樣排程已儲存在檢查點內。

• 最大輸出 — Klein 最高可達 4096px 級原生 4K，而 Qwen Turbo 公佈的預設值最高為 2752×1536（約 4.2 MP），最大正方形則為 2048×2048。

• 參考圖片 — 兩者各十張。

• 區域控制 — 針對 Klein 使用 0–1000 網格上的邊界框（定位與縮放，明確並非硬性像素遮罩），對比 Qwen-Image 2.1 的繪製圓形、塗繪標註或獨立遮罩。

• 透明度 — Qwen-Image 2.1 可生成並編輯原生 RGBA；FLUX 3 Image Klein 在其模型卡與產品頁面上均未宣稱支援透明度。

• 提示詞處理 — Klein 需要在前端搭配提示詞上採樣器（prompt upsampler），而它的模型卡明確表示不要在沒有上採樣器的情況下運行它；Qwen Turbo 則直接採用照原樣輸入的提示詞，並可透過 API 參數使用提示詞擴展功能。

• 授權 — FLUX Kommunity License：營收未達 500 萬美元時可免費使用商業輸出；相較之下，Qwen Research License 僅限非商業用途，若要以商業用途使用其權重，須另行取得授權。

• 供應商 API 價格 — 每 1K 張圖片 $0.009，在 4K 時升至 $0.036，而所有預設皆為每張固定 $0.016。

兩份價目表在大量採購時實際上能發揮什麼作用

Klein 的費率表會隨解析度調整；Qwen Turbo 的則不會。這會產生一個交叉點，當你比較那些顯眼數字時很容易錯過。

• 1K 畫質的 10,000 張圖片 — Klein $90 對比 Qwen-Image 2.1 Turbo $160。Klein 便宜 44%。

• 10,000 張 2K 圖片 — Klein $140 對比 Qwen-Image 2.1 Turbo $160。Klein 仍然更便宜，便宜了 12.5%。

• 10,000 張 4K 影像 — Klein $360。Qwen-Image 2.1 Turbo 沒有 4K 預設可供比價；其最大尺寸為 2752×1536，同樣要價 $160。

那些是對兩份公開價目表所做的算術，而非報價。交叉點落在 2K 與 4K 之間，而它之所以存在，是因為兩家供應商以不同單位計價：BFL 依解析度區間按每張圖片收費，Alibaba 則按每張圖片均一價收費。如果你的工作負載落在 1K 或 2K，Klein 在兩個 API 上都是較便宜的選擇，這與「便宜的 Qwen 模型」會讓你預期的結果正好相反。如果落在真正的 4K，Qwen-Image 2.1 Turbo 透過公開預設集根本無法提供服務，所以問題不在價格。

當你改為自行架設，而不是呼叫 API 時，這個比較又會多出一層波折。在自己的硬體上，根本沒有每張圖片的費率——GPU 是固定成本，而每張圖片的成本則以秒數計算——而且這兩個模型在運行所需資源上差距並不小。

自行執行它們

把已公布的文件清單加總起來，落差一目了然。FLUX 3 Image Klein 的三個 BF16 元件——11.1 GB 的 Transformer、8.9 GB 的文字編碼器，以及 0.34 GB 的自編碼器——合計約 20.3 GB，而 INT8 版本可在 VRAM 低至 8 GB 的 RTX 上執行，BFL 的文件則把最低門檻訂在 RTX 3090。Qwen-Image 2.1 Turbo 的 BF16 下載檔以 17.53 GB 的文字編碼器為主，Transformer 則拆分為 9.97 GB 與 4.26 GB 的分片，加上 0.68 GB 的 VAE——總計約 32.4 GB，因此光是它的文字編碼器就比 Klein 所需的一切加起來還大。這兩個數字都是我們根據各家廠商自己的檔案清單加總而來，並非廠商公布的總計數字。

速度正是步數容易誤導人的地方。Klein 的蒸餾檢查點執行步數是 Qwen Turbo 八步的兩倍，但 BFL 的實測數據——由 NVIDIA 在 ComfyUI 中、以 INT8 蒸餾版本取得——顯示 1 MP 影像在 RTX 5090 上約 4 秒、在 RTX 4070 上不到 9 秒，而在 GB300 上以 NVFP4 執行時更降至不到 0.6 秒。阿里巴巴並未公布 Turbo 可相比的每 GPU 數據，因此誠實的立場是：Turbo 的八步在架構上是較短的路徑，而除了阿里巴巴以外，沒有人公布過它在消費級硬體上的秒數。

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.

兩個模型都沒有獨立的品質分數

這是兩份規格表都留空的那一列，而值得精確說明它究竟有多空白。截至 2026 年 10 月 16 日，Artificial Analysis 分別設有文字轉圖像與圖像編輯排行榜，而兩者都沒有收錄 FLUX 3 Image Klein 或 Qwen-Image 2.1 Turbo 的項目。這些排行榜確實收錄的，是各系列的前一代，而那是目前最接近獨立評讀的依據：

• 文字轉圖像 — Qwen-Image 2.1（基礎檢查點，而非 Turbo）在 5,356 次比較中獲得 1,041 Elo，排名第 20，於 2026 年 9 月發布。FLUX 3 Image 是 Klein 所屬的較大型同系列模型，在 5,769 次比較中獲得 1,114 Elo，排名第 13。

• 影像編輯 — Qwen-Image 2.1 以 1,081 Elo 排名第 19，來自 6,138 次比較。FLUX 3 Image 在編輯排行榜上完全沒有上榜；清單中最接近的 FLUX 模型是 FLUX.2 [Klein] 9B，以 1,015 Elo，來自 6,905 次比較。

請把這些當作背景脈絡來讀，而非預測。基礎版 Qwen-Image 2.1 並不是 Turbo——蒸餾過的檢查點是以品質換取步數，而究竟換掉多少，正是 Turbo 未出現在榜上所留下的懸而未決之處。FLUX 3 Image 也不是 Klein，而 Black Forest Labs 自家的發布文從未將兩者相比，這意味著沒有任何公開數據指出 Klein 比它更大的兄弟版本低了多少。而在編輯能力榜上，BFL 聲稱 Klein 以 70 Elo 勝過的那個模型——FLUX.2 [klein] 9B——目前落在 1,015，比 Qwen-Image 2.1 的位置低約 66 Elo。BFL 的說法是 Klein 不只補上那道差距，還超出更多；但目前唯一的證據，就是 BFL 自家的圖表。

該選哪一個

如果產出必須用於商業用途，而且企業規模不大，就選擇 FLUX 3 Image Klein。在這兩者之中，它是唯一一個權重本身附帶可用商業化途徑、無須另行協商的模型；在 1K 和 2K 下，它在兩個 API 上的每張圖片成本都更低，而且還能達到 4K。記得為升頻器編列預算，並在圍繞它建置資料管線之前，先讀清楚授權條款中關於競爭對手訓練與微調再散布的限制。

如果透明背景或基於遮罩的局部編輯才是你真正需要的功能，就選擇 Qwen-Image 2.1 Turbo——Klein 兩者都不提供——或者，如果你正在進行研究、評估或內部原型開發，而其中非商業條款永遠不會產生約束。八個步驟加上 7B 架構，讓它成為一項適合在本機實驗的高效率選擇；而 32.4 GB 的 BF16 佔用空間，就是這項實驗的代價。

如果你兩者都需要，這個拆分是合理的：Qwen-Image 2.1 Turbo 用於探索階段及其透明路徑，FLUX 3 Image Klein 用於出貨路徑。這既是技術決策，也是授權決策。

實際上要到哪裡打電話給他們

這兩款模型都可透過供應商自家的 API 取得——Klein 可透過 BFL，Turbo 則可透過阿里雲百鍊（Alibaba Cloud Model Studio）與 QwenCloud——也可透過數個第三方平台取得。目前兩者都尚未收錄於 OrcaRouter 的目錄中，而我們寧願據實以告，也不願含糊暗示一套我們無法背書的路由方案。我們能說的是周邊工作流程適合放在哪裡：OrcaRouter 已經能在單一 API 金鑰背後，路由一組託管影像模型，以及 200 多個文字與多模態模型，對供應商定價零加成，並支援供應商之間的自動容錯移轉。團隊若在互動路徑上使用託管影像模型，並為批次作業保留開放權重檢查點，正是在運行單一端點所專為打造的那種分工；而如果這兩款之中有任何一款進入目錄，就會出現在那裡。

真正該留意的不是下一份規格表。而是這兩款模型中任一款的首個獨立 Elo，出現在其前代產品早已佔據的同一張榜單上。在它出現之前，目前檯面上的兩項說法——BFL 的「以更少參數引領開放權重品質」與 Alibaba 的「最均衡且最具成本效益」——都只是廣告宣傳，而這份比較中唯一能讓你放心據以行動的列，只有授權條款、價格表和 VRAM 下限。

計分板衡量的項目與部署實際遭遇的狀況之間的落差，正是這份紀錄之所以重要的原因：與此類模型相關的已記錄 AI 失效與代理事件，都收錄在 OrcaRouter AI 事件檔案庫，其中每一筆條目都附有自己的來源、嚴重程度、可信度等級與爭議旗標。