Khảo Sát Các Mô Hình Tạo Ảnh Mã Nguồn Mở Chạy Tại Chỗ Năm 2026

Tóm tắt. Không có mô hình tạo ảnh mã nguồn mở nào nằm trong cùng một hạng với các mô hình đóng hàng đầu trên cả hai bảng xếp hạng công khai, và những mô hình dẫn đầu bảng mở lại thường là những mô hình một doanh nghiệp không thể triển khai hợp pháp. Bài viết này khảo sát toàn bộ ngăn xếp mà một tổ chức đánh giá tạo ảnh chạy tại chỗ năm 2026 phải xem xét: các dòng mô hình gốc và quyết định giấy phép đã tạo ra chúng, hệ sinh thái fine-tune và gộp checkpoint quyết định mô hình nào thực sự khả dụng trên thực tế, tầng chỉnh sửa theo câu lệnh chưa từng tồn tại mười tám tháng trước, bài toán kinh tế về phần cứng và thuê máy, và văn bản giấy phép chi phối từng mô hình, vì giấy phép gắn trên một repository thường không khớp với giấy phép thực sự chi phối bộ trọng số bên trong nó. Mọi số liệu dưới đây đều có nguồn, và những số liệu mâu thuẫn giữa các nguồn được trình bày như một mâu thuẫn thay vì được làm mượt thành một khẳng định duy nhất.

Tạo ảnh chạy tại chỗ bao gồm những gì

"Tạo ảnh chạy tại chỗ" (local image generation) thực ra được dùng để chỉ ít nhất bảy điều khác nhau, và một bài tổng hợp chỉ nói về một trong số đó bỏ lỡ hầu hết những gì một tổ chức đánh giá lĩnh vực này thực sự cần biết.

Vấn đề giấy phép trải qua mọi tầng trong số này, và đó là lý do phổ biến nhất khiến một lựa chọn mô hình đúng về kỹ thuật lại trở thành không thể sử dụng về mặt thương mại.

Khoảng cách đo được giữa mô hình mở và mô hình đóng

Hai đấu trường đánh giá mù (blind-preference arena) chấm điểm mô hình tạo ảnh theo cùng phương pháp hệ số Elo dùng để chấm điểm kỳ thủ cờ vua: một câu lệnh giống nhau, hai kết quả ẩn danh, một người chọn kết quả tốt hơn, và điểm Elo được tính ra từ tập hợp các lượt chọn đó. Trên bảng xếp hạng mã nguồn mở của Artificial Analysis, Ideogram 4.0 dẫn đầu với 1.222 điểm Elo [1]. Trên bảng xếp hạng không giới hạn của arena.ai, với 5.919.946 lượt bình chọn trên 77 mô hình, gpt-image-2 của OpenAI dẫn đầu với 1.381 điểm, theo sau là mai-image-2.6-preview của Microsoft với 1.336, grok-imagine-image-2.0 của xAI với 1.316, và Reve 2.1 với 1.302 [2]. Khoảng cách giữa mô hình mở dẫn đầu và mô hình đóng dẫn đầu, từ 148 đến 177 điểm Elo tùy vào đấu trường được tham chiếu, là con số mà hầu hết các bài viết về lĩnh vực này dẫn ra đầu tiên.

Một câu hỏi thứ hai làm thay đổi thứ hạng có ý nghĩa cho một quyết định triển khai: mô hình nào trong số này một tổ chức được phép đưa vào một sản phẩm một cách hợp pháp. Bộ trọng số của Ideogram 4.0 mang giấy phép phi thương mại [3], nên thứ hạng cho một triển khai thương mại bắt đầu thấp hơn vài bậc, ở một mô hình 20 tỷ tham số theo giấy phép Apache 2.0, Qwen-Image-2512, đạt 1.172 điểm Elo, chạy trên một GPU 24 GB duy nhất [4]. Khoảng cách đó gắn liền với một chi phí cụ thể nếu bị đánh giá sai, và đây là điều mà hầu hết các bài so sánh mô hình được công bố không kiểm tra trước khi công bố một bảng xếp hạng.

Mã nguồn mở giữ một lợi thế cụ thể có thể đo được ở một điểm: hiển thị chữ trong ảnh. Ba phòng nghiên cứu độc lập cùng công bố một kết quả tương tự. GLM-Image đạt 0,9116 trên chỉ số CVTG-2K về độ chính xác chữ, so với 0,8990 của Seedream 4.5 [5]. LongCat-Image đạt 90,7 trên một benchmark hiển thị chữ tiếng Trung, so với mức tốt thứ hai chỉ 58,5 [6]. Ideogram 4.0 được chọn 47,9% số lần trong một bài kiểm tra mù với mười nhà thiết kế chuyên nghiệp, so với 30,0% của Nano Banana 2 [3]. Cả ba con số này đều do chính hãng công bố, nhưng việc ba phòng nghiên cứu độc lập cùng báo cáo một lợi thế giống nhau đóng vai trò như một mức độ đối chiếu chéo giữa các đánh giá riêng biệt.

Mã nguồn mở còn giữ những lợi thế mang tính cấu trúc mà không benchmark nào đo được: chi phí biên của một hình ảnh là tiền điện, không có chính sách nội dung nào chen giữa câu lệnh và kết quả, việc huấn luyện LoRA trên dữ liệu riêng là khả thi, kiểm soát cấu trúc như ControlNet và điều kiện theo tư thế không có tương đương trong một API đóng, và những hình ảnh nguồn không được rời khỏi máy sẽ không bao giờ phải rời khỏi máy.

Lĩnh vực mở đang cạnh tranh với ai

Tầng đóng lưu trữ trên đám mây, phiên bản và giá bán tại thời điểm bài viết:

Một mốc so sánh chi phí cho lập luận chạy tại chỗ so với dùng dịch vụ đám mây: GPT Image 2 ở chất lượng cao tốn khoảng 211 đô la cho 1.000 hình ảnh, và Nano Banana Pro tốn khoảng 134 đô la cho 1.000 hình ảnh [7]. Một lượt chạy FLUX.2 [klein] 4B tại chỗ tốn xấp xỉ tiền điện của một lượt tạo ảnh 1,2 giây trên một RTX 5090.

Quyết định giấy phép trong hai dòng mô hình Stable Diffusion và FLUX

Stable Diffusion 1.5 ra mắt tháng 10 năm 2022, một mô hình UNet 860 triệu tham số theo giấy phép CreativeML OpenRAIL-M, một giấy phép cởi mở về tiền bạc nhưng ràng buộc về hành vi sử dụng. Giấy phép này không đặt ra ngưỡng thương mại nào, mà liệt kê các mục đích sử dụng bị cấm trong một phụ lục mà người dùng ở tầng dưới có nghĩa vụ hợp đồng phải tiếp tục áp đặt [8]. SDXL ra mắt tháng 7 năm 2023 theo cùng nhóm điều khoản, và sau ba năm vẫn là mô hình duy nhất của Stability còn một hệ sinh thái fine-tune đang hoạt động, vì những lý do sẽ được nêu bằng số liệu ở phần sau.

Stable Diffusion 3 đã thay đổi điều khoản. Bản phát hành giữa năm 2024 thay thế các điều khoản thời kỳ OpenRAIL bằng Stability AI Community License, đòi hỏi đăng ký và tự động chấm dứt ngay khi doanh thu hàng năm của công ty vượt một triệu đô la, tính trên tổng doanh thu công ty, không chỉ doanh thu từ mô hình [9]. Nhiều nguồn độc lập ghi lại cùng một diễn biến sau thay đổi này: phản ứng dữ dội về giấy phép, một phần đáng kể đội ngũ nghiên cứu Stable Diffusion nguyên gốc rời đi, và việc thành lập Black Forest Labs, đơn vị phát hành FLUX chỉ hai tháng sau đó [10, 11].

FLUX sau đó lặp lại đúng vấn đề nền tảng đó dưới một hình thức khó hiểu hơn. FLUX.1 [dev] tải miễn phí, chất lượng kỹ thuật tốt, và giấy phép cấm việc chạy bộ trọng số cho bất kỳ mục đích nào liên quan đến khoản chi trả, trực tiếp hay gián tiếp, đồng thời lại nêu riêng rằng mọi hình ảnh được tạo ra bằng mô hình này thuộc về người tạo ra nó [12]. Hai điều khoản này tách rời động từ khỏi danh từ. Vận hành mô hình cho mục đích thương mại bị hạn chế. Các hình ảnh mô hình tạo ra không bị Black Forest Labs hạn chế việc bán lại. Chính trang model card của Black Forest Labs làm tăng thêm sự mập mờ này khi ghi rằng kết quả đầu ra "có thể dùng cho mục đích cá nhân, khoa học, và thương mại" ngay cạnh một giấy phép mang tên Non-Commercial, và cộng đồng đọc mâu thuẫn này theo cả hai hướng trong chính các thảo luận GitHub của mô hình [12]. Một nhà thiết kế tự chạy FLUX.1 [dev] trên máy cá nhân rồi xuất hóa đơn cho khách hàng cho hình ảnh đó, theo đúng nghĩa của giấy phép, gần như chắc chắn vẫn nằm trong phạm vi bị hạn chế, vì việc vận hành mô hình gắn liền với một khoản thù lao. Một nhà xuất bản sau đó mua lại hình ảnh hoàn chỉnh từ nhà thiết kế đó thì hoàn toàn không đụng đến giấy phép.

Black Forest Labs đã sửa được điều này cho một mô hình. FLUX.2 [klein] 4B, phát hành tháng 1 năm 2026, theo giấy phép Apache 2.0, chạy trong 8,4 GB, tạo ảnh trong khoảng 1,2 giây trên một RTX 5090, và thực hiện cả tạo ảnh từ văn bản lẫn chỉnh sửa theo ảnh tham chiếu chỉ từ một checkpoint duy nhất, không cần fine-tune [13]. Nó xếp thứ sáu trong số các bộ chỉnh sửa mã nguồn mở trên GEditBench v2 dù kích thước nhỏ, và là mô hình chạy tại chỗ khả dụng thương mại nhất có chất lượng tương đương hiện có. Black Forest Labs đã mất mười tám tháng để làm ra nó.

Toàn bộ dòng FLUX, với khuôn mẫu về giấy phép hiện rõ qua từng bản phát hành:

Chroma là câu trả lời của cộng đồng cho vấn đề giấy phép: một bản chưng cất ngược (de-distillation) của FLUX.1 [schnell] để đưa nó về trạng thái có thể huấn luyện, tương thích CFG, dưới điều khoản cởi mở hơn [13]. Nó có ý nghĩa như một tuyên bố ý định hơn là một câu chuyện sử dụng thực tế, vì chỉ đạt vài trăm lượt tải mỗi tháng từ những người duy trì được nêu ở phần sau.

Phần còn lại của lĩnh vực: các mô hình gốc bên ngoài Stability và Black Forest Labs

Hơn hai mươi mô hình gốc được phát hành từ các phòng nghiên cứu Trung Quốc, các công ty khởi nghiệp Mỹ, NVIDIA, và các nhóm học thuật trong giai đoạn 2024 đến 2026, và hầu hết chúng chưa từng đến được với công chúng rộng rãi dù mang năng lực thực sự.

Qwen-Image, và thời điểm nó khép lại. Alibaba phát hành mô hình gốc 20B Qwen/Qwen-Image, hai bộ chỉnh sửa, và một biến thể phân lớp theo Apache 2.0 đến cuối năm 2025, khép lại với Qwen-Image-2512, mô hình gốc mở cuối cùng trong dòng, và Qwen-Image-Edit-2511, bộ chỉnh sửa mở cuối cùng [14]. Qwen-Image-2512 có 183 adapter đã công bố và 37 bản fine-tune; dòng chỉnh sửa đạt khoảng 462.000 lượt tải mỗi tháng ở đỉnh điểm [14]. Qwen-Image-2.0 và Qwen-Image-3.0 sau đó xuất hiện năm 2026 không có bộ trọng số, không có model card, không có công bố benchmark; một người duy trì nêu rõ rằng không có kế hoạch mở mã nguồn cho dòng mới này [15]. Mọi pipeline và adapter được xây trên mô hình 20B theo Apache giờ không còn đường nâng cấp trong cùng dòng.

Z-Image, mô hình chiến thắng về mức độ áp dụng. Z-Image-Turbo của Tongyi-MAI là mô hình 6 tỷ tham số, Apache 2.0, chạy thoải mái trong 16 GB VRAM và hoàn thành trong 8 bước [16]. Chính bài báo của nó mô tả các mô hình cùng thời 20 đến 80 tỷ tham số là "không thực tế để suy luận, và để fine-tune trên phần cứng cấp người dùng," định vị 6 tỷ tham số như một lựa chọn có chủ đích từ chối việc mở rộng quy mô vì chính nó [16]. Số liệu áp dụng thực tế ủng hộ lập luận đó: 780.384 lượt tải mỗi tháng, 846 adapter cộng đồng, và 148 bản fine-tune, so với 13.000 lượt tải và 2 bản fine-tune cho HunyuanImage 3.0 80 tỷ tham số [16, 17].

HiDream-O1-Image, chất lượng tốt nhất theo từng tham số. Một mô hình 8 tỷ tham số, cấp phép MIT, dùng một transformer thống nhất ở cấp độ pixel không có VAE ngoài và không có text encoder riêng, đạt 1.174 điểm Elo cho tạo ảnh từ văn bản và 1.191 cho chỉnh sửa, vượt các mô hình lớn hơn nhiều lần [18]. Chưa từng có con số VRAM chính thức nào được công bố cho nó, và các tác giả không báo cáo điểm GEdit-Bench hay ImgEdit nào dù thứ hạng của mô hình.

Ideogram 4.0, mô hình mở dẫn đầu về chất lượng. Một diffusion transformer đơn luồng đầy đủ với 9,3 tỷ tham số, dùng text encoder Qwen3-VL-8B-Instruct và giao diện prompt chỉ nhận JSON có cấu trúc, lựa chọn thiết kế đứng sau lợi thế hiển thị chữ của nó [3]. Bộ trọng số của nó bị khóa dưới một thỏa thuận phi thương mại, với gói thương mại tự đăng ký bắt đầu từ 300 đô la mỗi tháng cho 10.000 đến 100.000 hình ảnh.

Cosmos3-Super-Text2Image, biên giới khả dụng thương mại. Mô hình mixture-of-transformers 64 tỷ tham số của NVIDIA, cấp phép theo OpenMDW-1.1, một giấy phép thương mại thật sự, yêu cầu ghi công "Built on NVIDIA Cosmos" [19]. Nó cần bốn đến tám H100 hoặc một B200 duy nhất, đặt nó ngoài phạm vi của bất kỳ cấu hình cá nhân nào, nhưng là bộ trọng số mở mạnh nhất mà một doanh nghiệp được phép bán kết quả đầu ra hợp pháp.

HunyuanImage 3.0, mô hình hầu hết mọi người không thể cấp phép sử dụng. Một mô hình mixture-of-experts 80 tỷ tham số, 13 tỷ tham số hoạt động, đứng đầu bảng chỉnh sửa mã nguồn mở với 1.222 điểm Elo, cần khoảng tám máy gia tốc 80 GB cho biến thể instruct đầy đủ [17]. Giấy phép của nó loại trừ rõ ràng Liên minh Châu Âu, Vương quốc Anh, và Hàn Quốc khỏi phạm vi cấp phép; việc sử dụng tại các khu vực này được mô tả trong văn bản giấy phép là "không được cấp phép và không được phép" chứ không chỉ đơn thuần bị hạn chế.

Anima, nguồn gốc sạch nhất trong dòng mô hình anime. Được CircleStone Labs xây dựng cùng Comfy Org trên nền NVIDIA Cosmos-Predict2-2B thay vì bắt nguồn từ một checkpoint bị rò rỉ, với quá trình phát triển liên tục qua đến anima-turbo-v1.1 vào ngày 24 tháng 8 năm 2026 [20]. Giấy phép của nó, CircleStone Labs Non-Commercial v1.2, định nghĩa rõ LoRA và textual inversion là sản phẩm dẫn xuất, nên các bản fine-tune xây trên nó thừa hưởng cùng hạn chế như mô hình gốc.

Một lát cắt đại diện của lĩnh vực rộng hơn, xếp theo điểm Elo của Artificial Analysis khi có số liệu:

Hai bản phát hành khác đáng được nêu tên vì cách các phòng nghiên cứu đối xử rất khác nhau với hệ sinh thái fine-tune. LongCat-Image của Meituan phát hành một biến thể -Dev được mô tả rõ ràng là một checkpoint giữa quá trình huấn luyện "phù hợp để fine-tune," quyết định đóng gói ý thức cộng đồng nhất trong số các phòng nghiên cứu được khảo sát ở đây [21]. Krea 2 phát hành cặp checkpoint RAW và Turbo với một quy trình được ghi chép rõ ràng: huấn luyện LoRA trên mô hình RAW chưa distill, rồi áp dụng chúng lên mô hình Turbo đã distill để suy luận [22]. Không ai khác trong lĩnh vực này ghi chép cặp quy trình đó như là đường đi được chủ định.

Mức độ áp dụng fine-tune đo được trên từng mô hình gốc

Các nhận định trong cộng đồng về mô hình gốc nào thực sự tập trung việc fine-tune khác nhau tùy nguồn. Một phép so sánh có kiểm soát giải quyết câu hỏi đó bằng số liệu, không phải bằng ý kiến. Một người duy trì sản xuất nhiều nhất, SG161222, phát hành các checkpoint chụp ảnh thực trên bốn mô hình gốc khác nhau qua cùng một kênh, đến cùng một đối tượng: SDXL, SD 3.5 Medium, một bản Flux đã de-distill, và Chroma. Số lượt tải mỗi tháng cho từng bản: RealVisXL trên SDXL đạt 414.000; bản trên SD 3.5 đạt 15; bản trên Flux đạt 6; bản trên Chroma đạt 269 [23]. Kỹ năng của người duy trì, kênh phân phối, và đối tượng tiếp cận đều không thay đổi giữa bốn con số này. Biến số duy nhất chênh nhau đến bốn cấp độ lớn là giấy phép và khả năng gộp (merge) của mô hình gốc, không phải chất lượng của nó.

SDXL có được lực hút đó vì việc gộp checkpoint (merging) là một kỹ thuật đã được thiết lập, với cả thập kỷ công cụ hỗ trợ đứng sau: tổng có trọng số, gộp theo trọng số từng khối với khoảng 25 trọng số độc lập theo từng khối, trích xuất và nung LoRA, tất cả chạy qua một file checkpoint duy nhất theo một giấy phép cho phép tái phân phối kết quả [24]. Flux phá vỡ cả bốn điều kiện tiên quyết đó. Việc chưng cất theo hướng dẫn khiến nó khó huấn luyện thêm, đó là lý do Chroma tồn tại như một bản dựng lại có thể huấn luyện từ FLUX.1 [schnell] theo điều khoản cởi mở hơn. Giấy phép phi thương mại của nó cấm trực tiếp mô hình kinh doanh gộp checkpoint, vì một checkpoint đã gộp là một sản phẩm dẫn xuất từ một mô hình phi thương mại. Bộ trọng số 22 gigabyte, đi kèm các bộ mã hóa văn bản T5-XXL và CLIP-L đóng gói riêng, phá vỡ quy ước file duy nhất mà nền kinh tế gộp checkpoint dựa vào. Vì vậy hệ sinh thái adapter của Flux được xây từ LoRA thay vì các dòng gộp: nhỏ, rẻ để huấn luyện, không tái phân phối trọng số gốc, và câu hỏi về giấy phép được để lại cho người tải nó về.

Việc phát triển mới năm 2026 chuyển hướng khỏi Flux vì lý số học đã nêu ở trên: một mô hình 6 tỷ tham số vừa với VRAM cấp người dùng để huấn luyện, không chỉ để suy luận. Lịch sử của một thương hiệu cho thấy toàn bộ diễn biến này. Juggernaut, một trong những checkpoint chụp ảnh thực được tải nhiều nhất từng được công bố, khởi đầu trên SDXL theo OpenRAIL, chuyển sang Flux và trở thành chỉ-qua-API khi giấy phép của Flux khiến việc phát hành mở không còn thực tế, rồi chuyển tiếp một lần nữa, sang Z-Image, theo CC BY-NC 4.0 [16]. Ngay cả mô hình giành được sự phát triển mới năm 2026 cũng đang bị fine-tune thành các bản dẫn xuất phi thương mại. Ràng buộc về giấy phép đã chuyển sang một tầng khác của hệ thống, thay vì được giải quyết.

Các thương hiệu chụp ảnh thực nổi bật và dòng mô hình gốc của chúng:

Rủi ro pháp lý trong dòng mô hình anime và minh họa

Các mô hình anime và minh họa tạo thành hệ sinh thái fine-tune lớn nhất trong tạo ảnh chạy tại chỗ. Hai nhánh của hệ sinh thái này mỗi nhánh mang một mức độ rủi ro pháp lý riêng, không phụ thuộc vào việc kết quả do AI tạo ra có được bảo hộ bản quyền hay không.

Cây gia hệ chạy từ SD 1.4/1.5 qua một checkpoint NovelAI bị rò rỉ vào Anything, AbyssOrangeMix, và Counterfeit ở một phía, và từ SDXL vào Illustrious XL, NoobAI-XL, và hầu hết các bản gộp minh họa hiện tại ở phía khác, cùng một nhánh riêng chạy từ Lumina-Image 2.0 vào Neta Lumina, và một nhánh thứ ba chạy từ NVIDIA Cosmos-Predict2-2B vào Anima.

Nhánh cũ hơn có gốc từ một checkpoint NovelAI bị rò rỉ, xâm nhập vào cộng đồng qua một vụ vi phạm an ninh năm 2022 [25]. Không có giấy phép nào chi phối việc sử dụng nó, vì chưa từng có giấy phép nào được cấp cho nó.

Nhánh hiện đại có khả năng cao hơn mang một nghĩa vụ tinh vi hơn. Illustrious XL, và mọi thứ xây trên đó bao gồm NoobAI-XL và hầu hết các bản gộp minh họa hiện tại, được cấp phép theo Fair AI Public License 1.0-SD, một giấy phép copyleft mà văn bản nói rõ rằng "chỉnh sửa cũng có nghĩa là thực hiện bất kỳ huấn luyện nào trên một mô hình hoặc kết hợp một mô hình với mô hình khác," và việc triển khai một sản phẩm dẫn xuất dưới dạng dịch vụ mạng sẽ kích hoạt nghĩa vụ cung cấp bộ trọng số dẫn xuất cho người dùng dịch vụ đó, tối thiểu dưới dạng một liên kết tải xuống [26]. Một sản phẩm thương mại với trọng số đóng, xây trên một bản gộp thuộc dòng Illustrious, không thất bại vì một sơ suất có thể sửa sau; chính giấy phép khiến sản phẩm đó không tuân thủ ngay từ đầu, theo các điều khoản mà hầu như không ai trong hệ sinh thái này thực sự đọc qua. Lối ra là Neta Lumina v1.0, một mô hình có khả năng vẽ anime theo Apache 2.0, không mang nghĩa vụ share-alike và không có vấn đề nguồn gốc [26]. Anima mang nguồn gốc huấn luyện được ghi chép tốt nhất trong số các mô hình có khả năng vẽ anime, và vẫn là phi thương mại nếu không có thỏa thuận riêng [20].

Ngoài giấy phép, ba đường ranh giới kỹ thuật chia tách hệ sinh thái anime từ nội tại: prompt theo tag kiểu Danbooru và e621 là một giao diện thực sự khác với prompt bằng ngôn ngữ tự nhiên mà mọi mô hình gốc năm 2026 kỳ vọng, NoobAI-XL đã phân nhánh thành hai dòng v-prediction và epsilon-prediction riêng biệt cần cấu hình sampler khác nhau, và mọi adapter đều gắn với một không gian latent cụ thể, nên rời khỏi SDXL đồng nghĩa với việc rời khỏi thư viện adapter lớn nhất trong hệ sinh thái.

Hiệu năng chỉnh sửa ảnh theo câu lệnh so với các mô hình đóng hàng đầu

Chỉnh sửa ảnh theo câu lệnh, thay đổi một chi tiết được mô tả mà không cần vùng mask, chưa từng tồn tại như một khả năng chạy tại chỗ trước tháng 6 năm 2025, và đã đổi vị trí dẫn đầu hai lần từ đó. FLUX.1 Kontext [dev], mô hình đã khởi tạo hạng mục này, giờ đứng gần cuối bảng trong số các bộ chỉnh sửa mã nguồn mở trên cả hai benchmark lớn [1, 27]. Một đội ngũ vẫn giới thiệu nó như lựa chọn mặc định năm 2026 đang dựa trên dữ liệu chậm mười bốn tháng.

Bảng xếp hạng chỉnh sửa mã nguồn mở của Artificial Analysis, theo thứ tự: HunyuanImage 3.0 Instruct 1.222 điểm, HiDream-O1-Image 1.191 điểm, FLUX.2 [klein] 9B 1.166 điểm, Qwen-Image-Edit-2511 1.165 điểm, và FLUX.2 [dev] Turbo 1.151 điểm [1]. FLUX.1 Kontext [dev] đứng ở 1.016 điểm, thấp hơn HiDream-E1.1 với 977 điểm và chỉ cao hơn GLM-Image, Bagel, OmniGen V2, và hai phiên bản Step1X-Edit trước đó.

Khoảng cách với các mô hình đóng hàng đầu ở tầng này mang nhiều chi tiết hơn khoảng cách thô về tạo ảnh từ văn bản. GEditBench v2, một benchmark chấm điểm riêng biệt khả năng tuân theo câu lệnh, chất lượng đầu ra, và độ nhất quán hình ảnh, trong đó độ nhất quán đo việc mô hình có giữ nguyên phần còn lại của ảnh hay không, cho thấy GPT Image 1.5 dẫn đầu về tuân theo câu lệnh với 1.260 điểm nhưng chỉ đạt 846 điểm về độ nhất quán, thấp hơn mọi mô hình mở trong tám vị trí đầu của chính benchmark này [27]. Điểm tuân theo câu lệnh tốt nhất trong các mô hình mở, từ Qwen-Image-Edit-2511, là 1.095, một khoảng cách 165 điểm so với mô hình đóng dẫn đầu, gấp năm lần khoảng cách 32 điểm ở điểm tổng thể [27]. Các mô hình chỉnh sửa chạy tại chỗ, tính chung, thận trọng hơn và trung thực hơn với những phần của ảnh không nằm trong câu lệnh, và kém hơn ở việc xử lý một câu lệnh phối hợp thực sự khó. Khuôn mẫu này là cơ sở cho một lựa chọn triển khai: mô hình chạy tại chỗ cho công việc chỉnh sửa mà sự trôi dạt (drift) là rủi ro chính, và một mô hình đám mây cho các câu lệnh mà chính bản thân chúng đã khó thỏa mãn.

Các bộ chỉnh sửa riêng lẻ đáng nêu tên ngoài Qwen-Image-Edit-2511 và cặp FLUX.2 [klein]: Step1X-Edit-v1p2, mô hình công bố bảng VRAM được ghi chép tốt nhất trong lĩnh vực, chạy ở mức 18 GB cố định với FP8 cộng offload và đạt điểm KRIS-Bench 60,93 khi bật chế độ tư duy và phản chiếu [28]; FireRed-Image-Edit, mạnh về bảo toàn danh tính và thử đồ ảo, dù chế độ nhiều ảnh vượt quá ba ảnh tham chiếu phải dựa vào một lệnh gọi API của Gemini để nhận diện vùng ảnh, làm phá vỡ tuyên bố hoàn toàn chạy tại chỗ [29]; và ICEdit, một phương pháp không cần huấn luyện, tuyên bố chạy được trong 4 GB VRAM, lựa chọn đúng khi trần VRAM này là cố định và khó vượt qua [30].

ImgEdit, một benchmark chín thao tác, cho thấy rõ điểm yếu chung của toàn lĩnh vực: trích xuất một vật thể với alpha sạch chỉ đạt 1,70 đến 2,35 cho các mô hình mở, so với mức đã yếu 2,90 của GPT-Image-1 [31]. Ngược lại, chuyển đổi phong cách đã bão hòa trên toàn lĩnh vực ở mức 4,19 đến 4,93 và hầu như không nói lên điều gì cho người mua.

Chỉnh sửa theo mask, bảo toàn danh tính, và phục hồi ảnh

Chỉnh sửa theo mask (inpainting) vẫn là công cụ đúng khi một thay đổi cần rơi vào đúng vị trí, điều mà không mô hình chỉnh sửa theo câu lệnh nào đảm bảo được, vì các mô hình theo câu lệnh mã hóa lại toàn bộ ảnh và có thể trôi dạt. FLUX.1 Fill [dev] điều kiện hóa cả mask và ảnh trong quá trình diffusion qua 384 kênh đầu vào và xử lý cả inpainting và outpainting từ một checkpoint duy nhất, dù giấy phép của nó mang cùng hạn chế phi thương mại như FLUX.1 [dev] [32]. ControlNet inpainting Qwen-Image của InstantX, huấn luyện từ đầu trên 10 triệu ảnh, xử lý thay thế vật thể, sửa chữ, và outpainting [33].

Bảo toàn danh tính và ảnh tham chiếu đã chuyển từ một adapter gắn thêm vào mô hình gốc năm 2024 sang khả năng tích hợp sẵn bên trong các bộ chỉnh sửa theo câu lệnh năm 2026. Qwen-Image-Edit-2511 được huấn luyện riêng cho độ nhất quán ảnh nhóm nhiều người, và FLUX.2 [klein] quảng bá khả năng tham chiếu nhân vật, vật thể, và phong cách mà không cần fine-tune [4, 13]. Adapter vẫn quan trọng cho VRAM hạn chế, cảnh nhiều danh tính, và tách biệt phong cách khỏi chủ thể, nơi DreamO, UNO, USO, và UMO của ByteDance, tất cả đều Apache 2.0 và xây trên FLUX hoặc OmniGen2, không có tương đương tích hợp sẵn nào trong mô hình [34].

Về nâng cấp độ phân giải và phục hồi ảnh, Real-ESRGAN vẫn là lựa chọn mặc định: cấp phép BSD, gần như không có hiện tượng ảo giác do cấu trúc, và đủ nhanh để chạy trong một pipeline theo lô [35]. SeedVR2, Apache 2.0, là bộ phục hồi dựa trên diffusion được lĩnh vực ưa chuộng khi chất lượng quan trọng hơn tốc độ [36]. Quy tắc quyết định giữa hai lựa chọn này: nếu kết quả nâng cấp được đưa vào huấn luyện LoRA, độ trung thực quan trọng hơn chất lượng cảm nhận, vì chi tiết ảo giác trở thành một mẫu huấn luyện bị nhiễm độc, điều này ưu tiên các bộ nâng cấp dựa trên hồi quy và GAN như Real-ESRGAN hơn các bộ dựa trên diffusion cho trường hợp sử dụng cụ thể đó.

Kiểm soát cấu trúc và prompt theo vùng

Độ phủ ControlNet giờ khác biệt rõ rệt theo từng mô hình gốc. SDXL có toàn bộ thư viện ControlNet nguyên gốc cộng một mô hình Union đã hợp nhất. FLUX.1-dev có ControlNet-Union-Pro 2.0 của Shakker-Labs, huấn luyện từ đầu trên 20 triệu ảnh, bao gồm canny, soft edge, độ sâu, và tư thế trong một checkpoint có thể xếp chồng [37]. Qwen-Image có Union ControlNet của InstantX, dù chất lượng giảm khi lượng tử hóa GGUF. FLUX.2 chưa có ControlNet nào; khả năng chỉnh sửa cấu trúc của nó đến từ các latent tham chiếu tích hợp sẵn trong mô hình gốc thay vì một checkpoint riêng, đây là hướng đi của cả lĩnh vực: hợp nhất những gì trước đây cần đến cả chục checkpoint ControlNet riêng lẻ vào điều kiện hóa mà mô hình gốc đã hiểu sẵn.

Prompt theo vùng có ba cấp độ tinh vi: ghép trong không gian latent, lấy mẫu độc lập từng vùng theo mask rồi hòa trộn nhưng để lại đường nối; Attention Couple, tính riêng cross-attention theo từng vùng câu lệnh và là lựa chọn mặc định hiện đại có năng lực cao hơn; và các công cụ region-attention riêng cho Flux áp mask vào các embedding văn bản T5 mà thôi. Krita AI Diffusion đã cung cấp prompt theo vùng ở cấp độ hàng đầu từ phiên bản v1.18.0 và mở rộng nó cho Anima ở v1.52.0, đây là cách ít phiền phức nhất để dùng kỹ thuật này mà không cần dựng một graph tùy biến [38].

Môi trường chạy, giao diện, và trạng thái duy trì

Giao diện một tổ chức chọn quyết định mức độ nhanh chóng một mô hình mới trở nên khả dụng, và lĩnh vực này đã phân tách rõ rệt giữa các dự án đang được duy trì tích cực và các dự án đã bị bỏ rơi.

Comfy Cloud, phiên bản đám mây tương ứng của ComfyUI, tính phí theo giây thời gian GPU hoạt động trên phần cứng RTX PRO 6000 Blackwell với hơn 900 mô hình cài sẵn, từ gói miễn phí năm lượt chạy đến gói team từ 200 đến 2.500 đô la mỗi tháng; ứng dụng chạy tại chỗ vẫn hoàn toàn miễn phí, không giới hạn tính năng [40]. Hỗ trợ AMD ROCm trở nên thực sự khả dụng năm 2026, với tích hợp gốc vào ComfyUI từ Comfy Desktop v0.7.0 trên ROCm 7.1.1, dù định dạng lượng tử hóa Nunchaku vẫn chỉ dành cho CUDA, để lại SDNQ của SD.Next làm lựa chọn thay thế đa nền tảng [41].

Lượng tử hóa, kernel attention, và chưng cất bước

Bốn định dạng lượng tử hóa có ý nghĩa năm 2026: FP8, một phép ép kiểu chỉ trên trọng số, có kích thước khoảng một nửa BF16 với tốc độ trung tính đến nhanh hơn đôi chút; NF4, một định dạng 4-bit cho tốc độ nhanh hơn từ 1,3 đến 4 lần trên card 6 đến 8 GB tùy vào driver; GGUF, phép lượng tử hóa theo khối của llama.cpp được điều chỉnh cho diffusion transformer, giúp giảm dung lượng bộ nhớ nhưng không tự nó làm nhanh hơn quá trình suy luận chỉ-lượng-tử-trọng-số; và SVDQuant, được tiếp thị dưới tên Nunchaku, định dạng duy nhất trong danh sách này mang lại tốc độ nhanh hơn thực sự thay vì chỉ giảm kích thước, bằng cách lượng tử hóa cả trọng số và kích hoạt xuống 4-bit và hấp thụ các giá trị ngoại lệ vào một nhánh hạng thấp riêng [42].

Bài báo ICLR 2025 đứng sau SVDQuant đo FLUX.1-dev ở 25 bước trên một RTX 4090 laptop 16 GB: BF16 mất 111,7 giây, lượng tử hóa 4-bit đơn giản giảm xuống 12,5 giây nhưng chất lượng kém rõ rệt, và SVDQuant đạt 12,9 giây trong khi giữ điểm khoảng cách cảm nhận thấp nhất trong ba phương pháp [42]. Phần lớn tốc độ tăng đó đến từ việc loại bỏ hoàn toàn việc offload sang CPU. Hướng dẫn thực tế từ chính tài liệu của định dạng này: dùng INT4 trên các card trước Blackwell và NVFP4 trên các card thế hệ 50, vì NVFP4 trên một 5090 đạt tốc độ khoảng ba lần BF16 với chất lượng tốt hơn INT4 [43].

Về kernel attention, SageAttention tuyên bố nhanh hơn hai đến năm lần so với FlashAttention trên cùng phần cứng, dù mức tăng này không nhất quán và đôi khi âm tùy vào phiên bản driver và nền tảng, và nó thất bại lặng lẽ chứ không báo lỗi khi thiếu một dependency biên dịch bắt buộc, đôi khi che giấu một mức chậm đi 20 lần như thể đó là hành vi bình thường [44]. Chính attention chiếm từ 40 đến 70 phần trăm tổng thời gian tạo ảnh trong các diffusion transformer hiện đại, đây là lý do các kernel này quan trọng đến vậy.

Chưng cất bước, kỹ thuật giảm một mô hình 20 đến 50 bước xuống 1 đến 8 bước, đã thay đổi hình thức chứ không biến mất. Năm 2024 nó xuất hiện như một LoRA gắn thêm vào một checkpoint đã có. Năm 2026 nó xuất hiện được nung sẵn trong chính mô hình: Z-Image-Turbo, Krea 2 Turbo, FLUX schnell và klein, và ERNIE Turbo đều phát hành biến thể đã distill của mình như bản phát hành chính thay vì một phần bổ sung [16, 22]. Đường cong đánh đổi nhất quán giữa các phòng nghiên cứu: một bước làm mất sự nhất quán về bố cục và độ chính xác của chữ, bốn bước là sàn thực tế cho sản xuất, và tám bước gần như không thể phân biệt với hai mươi đến hai mươi tám bước ở hầu hết câu lệnh.

Yêu cầu phần cứng và bài toán kinh tế giữa thuê và mua

VRAM, không phải sức tính toán thô, là ràng buộc quyết định thứ có thể chạy. FLUX.2 [klein] 4B chạy vừa một card 8 GB. Một mô hình 20 tỷ tham số như Qwen-Image cần 24 GB, ít hơn nếu lượng tử hóa GGUF. Biến thể instruct đầy đủ của HunyuanImage 3.0, một mô hình mixture-of-experts 80 tỷ tham số, cần tám máy gia tốc 80 GB, đặt nó ngoài phạm vi của bất kỳ cấu hình gia đình nào [17].

Các cấp độ VRAM và những gì thực sự chạy được ở mỗi cấp:

Minh chứng rõ nhất cho việc dư địa VRAM không tăng theo cách tuyến tính: FLUX.2-dev ở lượng tử hóa 8-bit chiếm khoảng 30 GB trọng số, và với các kích hoạt BF16 nó vượt quá dung lượng của một card 32 GB duy nhất khoảng 1 GB mỗi lượt truyền tiến. Trên Windows, phần vượt quá đó tràn sang bộ nhớ thống nhất và tốc độ xử lý sụp từ 14,4 giây mỗi bước xuống còn 277 giây mỗi bước chỉ trong vài trăm bước; trên Linux, cùng cấu hình đó đơn giản là không cấp phát được [45]. Một sự thiếu hụt khoảng một gigabyte tạo ra mức chậm đi mười chín lần.

Chưa có thế hệ GPU tiêu dùng mới nào ra mắt tính đến thời điểm bài viết này. Các card RTX 50-series Blackwell ra mắt năm 2025 và vẫn là thế hệ hiện tại, với giá bán lẻ giờ bám theo dung lượng VRAM hơn là phân khúc hiệu năng. Các trang theo dõi giá bán lẻ chênh nhau vài trăm đô la trong cùng một tháng, nên cách nêu giá chính xác là một khoảng: một RTX 5060 Ti 16 GB dao động từ 560 đến 805 đô la tùy trang theo dõi, và một RTX 5090 32 GB dao động từ 4.288 đến 4.830 đô la [46, 47]. Một RTX 3090 đã qua sử dụng, vẫn là lựa chọn giá trị cho 24 GB, có giá 1.095 đến 1.181 đô la [46].

Việc thuê là bài toán số học tốt hơn cho hầu hết các nhu cầu sử dụng không liên tục. Thuê một RTX 3090 trên Vast.ai với giá khoảng 0,069 đô la mỗi giờ hòa vốn so với giá mua ở mốc 15.870 giờ GPU, khoảng hai mươi mốt năm nếu dùng hai giờ mỗi ngày [48]. So với mức giá cố định cao hơn của RunPod là 0,50 đô la mỗi giờ, cùng card đó hòa vốn ở khoảng ba tháng sử dụng liên tục, hai mươi bốn giờ mỗi ngày [48]. Việc mua có cơ sở riêng ở độ trễ, khả năng dùng offline, quyền riêng tư dữ liệu, và việc card cũng phục vụ các mục đích khác. Nếu chỉ tính trên chi phí, việc mua chỉ có cơ sở ở mức sử dụng gần như liên tục.

Apple Silicon loại bỏ vực VRAM cứng thông qua bộ nhớ thống nhất. Một Mac 64 GB tải FLUX.1-dev ở FP16 đầy đủ mà không cần lượng tử hóa nào, điều không card NVIDIA tiêu dùng nào làm được. Chi phí nằm ở tốc độ xử lý: backend MPS của Apple chạy chậm hơn CUDA từ hai đến bốn lần cho cùng một tác vụ, và PyTorch thông thường trên Mac chạy chậm hơn khoảng ba lần so với đường Metal được tinh chỉnh tay của Draw Things, đây là lý do phần mềm được chọn trên Mac quan trọng không kém phần cứng [49].

Huấn luyện LoRA

AI-Toolkit là công cụ huấn luyện LoRA mặc định năm 2026, cấp phép MIT, với độ phủ mô hình rộng nhất trong lĩnh vực: FLUX.1, FLUX.2 bao gồm klein, Qwen-Image, Z-Image và các biến thể, HiDream, Anima, và Krea 2 [50]. Kohya SS vẫn là lựa chọn được ghi chép đầy đủ nhất và có câu chuyện VRAM thấp tốt nhất nhờ fused backward pass. OneTrainer có triển khai gradient checkpointing quyết liệt mạnh nhất cho cấu hình 8 GB.

VRAM huấn luyện theo từng mô hình gốc, lấy từ các nguồn thứ cấp vì tài liệu chính thức của AI-Toolkit không công bố bảng theo từng mô hình:

Một mốc tham chiếu hữu ích: việc đưa huấn luyện LoRA Qwen-Image chạy được trên một card 24 GB đòi hỏi thêm bước lưu đệm embedding văn bản để có thể gỡ text encoder trong lúc huấn luyện; một lần thử trước đó trên card 32 GB đã cần lượng tử hóa 6-bit chỉ để vừa [51].

Việc định cỡ tập dữ liệu theo một quy tắc đơn giản: 20 đến 50 ảnh cho một nhân vật hoặc khuôn mặt, 50 đến 200 hoặc hơn cho một phong cách hoặc vật thể, khoảng 100 bước huấn luyện mỗi ảnh, và mỗi ảnh cần một chú thích. Chi phí, tính từ mức giá thuê nêu trên: một LoRA nhân vật hoặc phong cách trên một RTX 4090 hoặc 5090 thuê ngoài tốn dưới ba đô la thời gian GPU và mất một buổi chiều, với chi phí thật nằm ở việc chọn lọc và ghi chú dữ liệu huấn luyện hơn là tính toán, một công đoạn thường phải lặp lại vài lần trước khi kết quả đạt yêu cầu [48].

Các mô hình mở có điều khoản giấy phép cần đọc trước khi triển khai

Sáu bản phát hành sau đây mang trọng lượng thực tiễn lớn hơn mức độ nổi tiếng của chúng, và mỗi bản đều đi kèm một chi tiết về giấy phép cần xác nhận trước khi xây dựng trên đó.

Bảng quyết định triển khai theo giấy phép và cấp độ phần cứng

Quy tắc chi phối tất cả những điều trên là chi tiết không bảng benchmark nào ghi lại: văn bản có tính ràng buộc là chính file giấy phép, không phụ thuộc vào nhãn trên repository hay các dòng bullet trên model card. Một trong các mô hình nêu trong bài này tự gắn nhãn apache-2.0 trong metadata của chính nó, trong khi file LICENSE.txt của chính nó lại là một giấy phép NVIDIA hạn chế, phi thương mại, nằm ngay bên dưới [52]. Sự khác biệt này lặp lại trong toàn hệ sinh thái nhiều hơn bất kỳ sai sót nào khác, và đây là chi tiết mà mọi bài tổng hợp được xây dựng quanh một bảng benchmark đều bỏ qua.

Những số liệu cần kiểm tra lại trước khi tin cậy

Một khảo sát ở phạm vi này tích lũy nhiều điểm mâu thuẫn giữa các nguồn, và cách xử lý trung thực là nêu tên chúng ra thay vì lấy trung bình để che đi sự khác biệt.

- Số lượng tham số của HunyuanImage 3.0 được nêu là "trên 80 tỷ, với 13 tỷ hoạt động" trong bài báo của chính nó và là "83B params" trên sidebar Hugging Face. Con số trong bài báo là nguồn chính. - Thông số của Qwen-Image-2.0 lưu hành trên nhiều trang cộng đồng với 7 tỷ tham số và yêu cầu 16 GB VRAM, nhưng chưa từng có repository nào được công bố dưới tên đó. Hãy xem bộ trọng số như chưa phát hành cho đến khi một repository xuất hiện. - Yêu cầu VRAM của HiDream-I1 được báo cáo từ 12 GB đến 80 GB tùy nguồn, không có con số duy nhất nào được xác nhận bởi tài liệu chính thức của mô hình. - Việc hủy bỏ dòng RTX 50 Super chỉ có nguồn từ tin rò rỉ và bị một tin rò rỉ khác sau đó phủ nhận. Chỉ nên nêu phần đã xác minh: chưa có thế hệ tiêu dùng mới nào ra mắt tính đến thời điểm bài viết. - Không có benchmark TensorRT chính thức nào năm 2026 cho mô hình diffusion trong bất kỳ nguồn nào được kiểm tra cho bài viết này. Bất kỳ con số tốc độ TensorRT nào lưu hành trên mạng nên được xem là chưa xác minh. - Repository của SANA 1.5 tự gắn nhãn apache-2.0 trong metadata trong khi file LICENSE.txt của chính nó là giấy phép NVIDIA hạn chế đã nêu ở trên, ngay trong cùng một repository.

Tài liệu tham khảo

1. Artificial Analysis. "Image Arena, Text-to-Image và Editing, Open Weights." artificialanalysis.ai, truy cập ngày 25 tháng 8 năm 2026.
2. arena.ai. "Text-to-Image Leaderboard." arena.ai/leaderboard, dữ liệu chụp ngày 10 tháng 8 năm 2026.
3. Ideogram AI. Model card và bài blog "Ideogram 4.0." github.com/ideogram-oss/ideogram-4 và ideogram.ai/blog/ideogram-4.0, 3 tháng 6 năm 2026.
4. Qwen Team, Alibaba. "Qwen-Image-2512" và "Qwen-Image-Edit-2511." huggingface.co/Qwen, tháng 12 năm 2025.
5. Z.ai. "GLM-Image." github.com/zai-org/GLM-Image, tháng 1 năm 2026.
6. Meituan. "LongCat-Image." arXiv:2512.07584, tháng 12 năm 2025.
7. Artificial Analysis. "Image Editing Leaderboard, Pricing." artificialanalysis.ai/image/leaderboard/editing, truy cập ngày 25 tháng 8 năm 2026.
8. Stability AI. "CreativeML Open RAIL++-M License." huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/blob/main/LICENSE.md, 26 tháng 7 năm 2023.
9. Stability AI. "Stability AI Community License Agreement." stability.ai/community-license-agreement, truy cập năm 2026.
10. arte.itlibra.com. "What Is Stable Diffusion." 28 tháng 5 năm 2026.
11. digital-humans.org. "Stable Diffusion, the Open Image Model Family." 2 tháng 6 năm 2026.
12. Black Forest Labs. "FLUX.1 [dev] Non-Commercial License," bản v1.1.1 và v2.0. github.com/black-forest-labs/flux và bfl.ai/legal/non-commercial-license-terms.
13. Black Forest Labs. "FLUX.2 [klein]." bfl.ai/models/flux-2-klein và github.com/black-forest-labs/flux2, 15 tháng 1 năm 2026.
14. Qwen Team, Alibaba. Repository và issue tracker "Qwen-Image." github.com/QwenLM/Qwen-Image, 2025 đến 2026.
15. QwenLM. GitHub issue #264. github.com/QwenLM/Qwen-Image/issues/264, năm 2026.
16. Tongyi-MAI, Alibaba. Báo cáo kỹ thuật và model card "Z-Image." arXiv:2511.22699, huggingface.co/Tongyi-MAI/Z-Image-Turbo, 27 tháng 11 năm 2025.
17. Tencent. "HunyuanImage-3.0." huggingface.co/tencent/HunyuanImage-3.0 và arXiv:2509.23951, 28 tháng 9 năm 2025.
18. HiDream.ai. "HiDream-O1-Image." github.com/HiDream-ai/HiDream-O1-Image, 8 tháng 5 năm 2026.
19. NVIDIA. "Cosmos3-Super-Text2Image." huggingface.co/nvidia/Cosmos3-Super-Text2Image, 31 tháng 5 năm 2026.
20. CircleStone Labs và Comfy Org. "Anima" và văn bản giấy phép. huggingface.co/circlestone-labs/Anima/blob/main/LICENSE.md, năm 2026.
21. Meituan. Repository "LongCat-Image." github.com/meituan-longcat/LongCat-Image, tháng 12 năm 2025.
22. Krea AI. Repository "Krea 2." github.com/krea-ai/krea-2, tháng 6 năm 2026.
23. SG161222. Số liệu tải checkpoint trên RealVisXL, SD 3.5, Flux, và Chroma. huggingface.co/SG161222, truy cập ngày 25 tháng 8 năm 2026.
24. Công cụ gộp checkpoint SuperMerger và hệ sinh thái A1111/Forge, truy cập năm 2026.
25. Các ghi chép của cộng đồng về vụ rò rỉ mô hình NovelAI tháng 1 năm 2022, được dẫn lại xuyên suốt lịch sử các bản fine-tune anime của Stable Diffusion, năm 2026.
26. Free Development Project. "Fair AI Public License 1.0-SD." freedevproject.org/faipl-1.0-sd, và Park và cộng sự, "Illustrious: An Open Advanced Illustration Model," arXiv:2409.19946.
27. StepFun, NTU, SEU. "GEditBench v2." zhangqijiang07.github.io/gedit2_web và arXiv:2603.28547, tháng 3 năm 2026.
28. StepFun. "Step1X-Edit." github.com/stepfun-ai/Step1X-Edit và arXiv:2511.22625, tháng 11 năm 2025.
29. Xiaohongshu (FireRed Team). "FireRed-Image-Edit." github.com/FireRedTeam/FireRed-Image-Edit và arXiv:2602.13344, tháng 2 năm 2026.
30. "ICEdit / In-Context Edit." arXiv:2504.20690, NeurIPS 2025.
31. Benchmark "ImgEdit." arXiv:2505.20275, NeurIPS 2025.
32. Black Forest Labs. "FLUX.1 Fill [dev]." huggingface.co/black-forest-labs/FLUX.1-Fill-dev, tháng 11 năm 2024.
33. InstantX. "Qwen-Image-ControlNet-Inpainting." huggingface.co/InstantX, năm 2026.
34. ByteDance. Repository "DreamO," "UNO," "USO," "UMO." github.com/bytedance, 2025 đến 2026.
35. "Real-ESRGAN." github.com/xinntao/Real-ESRGAN, duy trì liên tục.
36. ByteDance Seed và NTU. "SeedVR2." arXiv:2506.05301, ICLR 2026.
37. Shakker Labs. "FLUX.1-dev-ControlNet-Union-Pro-2.0." huggingface.co/dadufo/FLUX.1-dev-ControlNet-Union-Pro-2.0, năm 2026.
38. Krita AI Diffusion. github.com/Acly/krita-ai-diffusion, lịch sử phát hành đến v1.53.0, tháng 8 năm 2026.
39. ComfyUI. github.com/comfyanonymous/ComfyUI, lịch sử phát hành đến v0.33.1, tháng 8 năm 2026.
40. Comfy Org. "Comfy Cloud Pricing." comfy.org/cloud/pricing, truy cập ngày 25 tháng 8 năm 2026.
41. Comfy Org và AMD. "Official AMD ROCm Support Arrives." blog.comfy.org, năm 2026.
42. "SVDQuant" (Nunchaku). Kỷ yếu ICLR 2025, hanlab.mit.edu/projects/svdquant.
43. Tài liệu Nunchaku. nunchaku.tech/docs, truy cập ngày 25 tháng 8 năm 2026.
44. thu-ml. "SageAttention." github.com/thu-ml/SageAttention, truy cập ngày 25 tháng 8 năm 2026.
45. ostris/ai-toolkit, GitHub pull request #829, thảo luận về việc vượt quá bộ nhớ của FLUX.2-dev trên card 32 GB, năm 2026.
46. BuySellRam. "Nvidia Consumer GPU Price Report, August 2026." buysellram.com, 7 tháng 8 năm 2026.
47. TechPowerUp và capitalandcompute.net, theo dõi giá GPU, tháng 8 năm 2026.
48. Giá thuê GPU theo giờ công khai của Vast.ai và RunPod, truy cập ngày 25 tháng 8 năm 2026.
49. So sánh benchmark Draw Things và MLX trên Apple Silicon, insiderllm.com, năm 2026.
50. ostris. "AI-Toolkit." github.com/ostris/ai-toolkit, truy cập ngày 25 tháng 8 năm 2026.
51. Ostris AI. Hướng dẫn huấn luyện LoRA trên Qwen-Image, tài liệu video, năm 2026.
52. NVIDIA. Repository mô hình "SANA 1.5", sự khác biệt giữa nhãn metadata và file LICENSE.txt. huggingface.co/Efficient-Large-Model/SANA1.5_1.6B_1024px, truy cập ngày 25 tháng 8 năm 2026.

Cập nhật lần cuối: 25 tháng 8 năm 2026