同一张 320×213 的图，两条 AI 管线：我们的与 FLUX.2 [klein]（2026-11-02 实测）

对比文章写起来便宜，可信起来很贵。这篇故意写短：一张输入、一句提示词、两条路线，下面每个数字都来自 2026-11-02 真跑的一次任务。

输入

一张 320×213 的 JPEG，12,287 字节，SHA-256 前 12 位 `901bb72b4750`。这是我们自己站点上的一张低分辨率示例图：一摞书封，书脊小字被 JPEG 压得很花。

路线 A —— 我们自己的管线

模型 `flux-klein`，4 步推理，seed 42，输出 WebP，不强制宽高。提示词要求保持主体、构图、颜色和光照，重建纹理，不加物体。

结果：1024×1024 的 WebP，309,502 字节，SHA-256 前 12 位 `0fd398414935`。

看那些书脊。场景、色块、整摞书的形态都还在；中文和英文书名不在了。模型没有「读」那些字，它画的是一种看起来像文字的东西。这正是我们每个示例旁边都印着的那句保留意见，这里用一张图就能看见：增强是重建，不是还原。 如果图里有必须保住的信息——编号、价签、人脸——发出前请放大到 100% 逐一核对。

路线 B —— Workers AI 上的 FLUX.2 [klein] 4B

同一句提示词、同一张 320×213 输入，用 multipart 请求发给 `@cf/black-forest-labs/flux-2-klein-4b`，原始 JPEG 放在 `input_image` 里。接口大约两秒返回一张 1024×1024 的 JPEG，614,235 字节。

这不是那摞书。返回的是一张干净的影棚照，一个灰色圆柱形容器——这是「restore this compressed product photo…」这句提示词按文生图跑出来的东西，和输入的像素毫无关系。也就是说，我们这次调用没有按图生图执行。我们不会把它当作「FLUX klein 的效果」发布：它是那个接口对那次请求的回应，而其中真正有用的一半是教训。

先确认模型真的吃了你的输入。 发一张图，看输出；如果输出和输入无关，说明这次请求被当成了文生图，你接下来关于「编辑质量」的所有结论都会是错的。这不是对 FLUX.2 [klein] 编辑能力的判决，只是对一次调用的判决。

我们为什么没跑 FLUX.3 [klein]

FLUX.3 [klein] 是存在的：仓库 2026-10-16 发布，标称 5,548,681,984 个参数、BF16、需要授权访问，许可证标为「other」。我们这台机器没有 GPU，也没有拿到仓库授权，所以跑不了；没跑就写的对比只能是编的。如果你有能放下 5.5B 权重的卡，上面那套测试就是该复现的测试。

这次对比说明了什么、没说明什么

它说明：在这张输入上，我们的管线保住了场景、重写了小字；而一次发往 4B klein 的 Workers AI 调用返回了无关图像，因此根本不是一次编辑。

它没有说明谁比谁强，不是基准测试，也不是画质排名。两条路线、一张图、一句提示词，参数与哈希全部公开，你重复一遍应该能得到同样的两个文件。

站上的免费示例跑的就是同一条管线，页面上也印着同一句保留意见——上传你自己的图之前，先跑一次看看。