«Самая маленькая открытая модель в сравнении»: Black Forest Labs выпустила FLUX 3 Image Klein на 5,6 млрд параметров

Что именно вышло

FLUX 3 Image Klein — модель на 5,6 млрд параметров с открытыми весами для генерации изображений по текстовому описанию, редактирования изображений и мультиреференсной генерации с использованием до десяти референсных изображений. По заявлению Black Forest Labs, она разделяет основные возможности полной модели FLUX 3 Image: генерацию в нативном 4K, «пиксельно точное» редактирование и ограничивающие рамки, которые задают, где размещать элементы и в какой области разрешено править изображение.

Выпуск опирается на общие наработки семейства FLUX 3, собранные сразу по трём модальностям: изображения дают пространственную детализацию, видео добавляет движение и физическую динамику, звук — информацию о событиях и взаимодействиях. По формулировке компании, вместе эти сигналы помогают модели генерировать изображения, привязанные к реальному миру.

В набор входят базовая модель для дообучения и дистиллированная по шагам версия для генерации с низкой задержкой, а также сборки FP8, INT8 и NVFP4, разработанные при поддержке NVIDIA; всё выпущено под лицензией FLUX Kommunity. Это второй выпуск с открытыми весами в семействе FLUX 3 — после FLUX 3 Action, открытой 7B-модели для управления роботами, о которой Mantis писала 24 сентября. Обучение шло на NVIDIA GB200 NVL72.

Заявленные позиции в сравнениях

Все оценки качества в этом выпуске — внутренние, то есть заявленные самим производителем. По словам Black Forest Labs, во внутренних сравнениях FLUX 3 Image Klein занимает первое место в генерации по тексту, мультиреференсной генерации и редактировании изображений, обходя более крупные открытые модели, и при этом оценивается выше закрытых моделей из сравнения — Ideogram V4.5 и FLUX.2 [pro].

Размер в сравнении назван прямо: 5,6 млрд параметров у Klein против 7 млрд у Qwen-Image 2.1 и 12,9 млрд у Krea 2 — то есть это самая маленькая открытая модель в наборе. Относительно FLUX.2 [klein] с 9 млрд параметров компания сообщает о приросте на 91 пункт Elo в генерации по тексту и на 70 пунктов в редактировании при сокращении числа параметров на 38 %.

Отдельно заявлена позиция на границе «скорость — качество»: по данным компании, через её API модель выдаёт результат с меньшей задержкой, чем Qwen-Image 2.1, FLUX.2 [pro], Ideogram V4.5 и Krea 2, и имеет наивысшую оценку на своей задержке и выше неё. Медианная задержка указана как 4,54 с для генерации по тексту и 7,18 с для редактирования при изображении в 1 мегапиксель; замеры Black Forest Labs проводила на своих серверах, а конкурентов — со стороны клиента, то есть с учётом опроса и сети.

Оговорка здесь принципиальная и её делает сама компания: речь идёт о внутренних сравнениях производителя, независимого воспроизведения этих цифр на момент выпуска нет.

Сколько нужно железа

Основной аргумент выпуска — размер: 5,6 млрд параметров делают модель пригодной для локального запуска и дешёвой в адаптации, что важно для команд с требованиями к суверенитету данных и для редактирования изображений прямо на устройстве. Веса генератора занимают 11,2 ГБ в BF16 и 5,6 ГБ в FP8, а сборка INT8, по данным компании, работает на видеокартах NVIDIA GeForce RTX с 8 ГБ видеопамяти — через ComfyUI или Diffusers.

Дистиллированная версия вместе со сборкой INT8 генерирует изображение в 1 мегапиксель примерно за 4 секунды на GeForce RTX 5090 и менее чем за 9 секунд на RTX 4070 через ComfyUI. На серверном GB300 та же дистиллированная модель в формате NVFP4 укладывается в 0,6 секунды на 1 мегапиксель, а обслуживание LoRA добавляет к времени генерации около 5 %. Замеры времени по видеокартам проводила NVIDIA; для RTX они сделаны в ComfyUI.

Что внутри

Hugging Face — один из объявленных партнёров выпуска — добавила поддержку модели в Diffusers в день релиза через модульный конвейер Modular Diffusers и разобрала её устройство в отдельной публикации. По этому разбору, дистиллированный чекпойнт делает 16 шагов без classifier-free guidance, а базовый — 50 шагов с ним, и именно базовый предназначен для дообучения.

Замеры Hugging Face на одной NVIDIA H100 80 ГБ без выгрузки компонентов дают такие времена для дистиллированного чекпойнта: 1,93 с на изображение 1024×1024 из текста, 3,87 с при одном референсе 1024×1024 и 4,10 с на редактирование раскладки с референсом 1360×768, при пиковом потреблении памяти 23,8 ГиБ. По форматам пиковая память после инференса составила 15,3 ГиБ для NVFP4, 16,27 ГиБ для FP8 и 20,72 ГиБ для BF16.

Архитектурно FLUX.3 — латентная потоковая модель: VAE от FLUX.2 сжимает изображение в 8 раз по каждой оси в 32 канала, после чего каждая пара 2×2 в латенте упаковывается в один токен на 128 каналов, так что один токен покрывает патч 16×16 пикселей, а изображение 1024×1024 превращается в сетку 64×64 из 4096 токенов. Текстовый энкодер — Qwen3-VL: модель читает скрытые состояния восьми из 36 его слоёв и складывает их, превращая текстовый токен в вектор размерности 20 480, который затем проектируется в ширину трансформера 3072.

Трансформер работает в два этапа: сначала каждый поток — текст, зашумлённое изображение и референсы — проходит пять собственных блоков, где внимание ограничено своим потоком, затем потоки склеиваются в одну последовательность и проходят 28 общих блоков, где всё видит всё. Позиции кодируются поворотными эмбеддингами по четырём осям — шаг, высота, ширина и длина последовательности; для текстовых и референсных токенов шаг всегда равен нулю, то есть они помечены как заданный контекст, а не как то, что нужно сгенерировать.

Управление раскладкой устроено через рамки в самом промпте: координаты задаются в формате [y_min, x_min, y_max, y_max] по шкале от 0 до 1000, а при переносе объекта из референса указываются исходная и целевая рамки.

Где взять и на каких условиях

Модель доступна сразу как открытые веса и через API Black Forest Labs, где дистиллированная версия выходит под именем flux-3-image-klein с повышенной детализацией промпта и восстановлением пикселей: цена начинается от 0,009 доллара за изображение в 1К. Веса базовой и дистиллированной версий опубликованы на Hugging Face, эталонный код вывода вместе с демонстрацией для управления рамками — на GitHub.

Поддержка объявлена с первого дня в ComfyUI, Hugging Face Diffusers, TensorRT-LLM, SGLang Diffusion и vLLM-Omni; обучение LoRA — через AI Toolkit Ostris и рецепты NVIDIA NeMo AutoModel. Для дообучения Diffusers поставляет скрипты DreamBooth LoRA как для генерации по тексту, так и для инструкционного редактирования, где референс адресуется в промпте как ref_image_0.

Лицензия FLUX Kommunity разрешает бесплатное коммерческое использование частным лицам и компаниям с годовой выручкой до 5 млн долларов, а также исследовательское и некоммерческое применение; организациям крупнее предлагают самостоятельно развёрнутое лицензирование или API.

О безопасности сказано в общем виде: фильтры датасета на предобучении, точечное дообучение на посттренинге для подавления вредных реакций, внутренний редтиминг перед выпуском и оценка внешним партнёром Cinder; компания утверждает, что чекпойнты показали существенно меньше уязвимостей, чем другие популярные открытые модели. Конкретных чисел по устойчивости к вредоносным запросам не приводится.