Kiadta a Black Forest Labs a FLUX 3 Image Kleint, egy 5,6 milliárd paraméteres, nyílt súlyú képmodellt. Képet generál szövegből, képet szerkeszt, és akár tíz referenciaképből is dolgozik. A cég bejelentése szerint a modell INT8-as változata már 8 GB VRAM-mal rendelkező GeForce RTX kártyákon is fut. Így a BFL szerint a legjobb nyílt képmodell egy átlagos játékos PC-n is elfut.
A Klein a nagy FLUX 3 Image modell fő képességeit örökli: natívan generál 4K-s képet, pixelpontosan szerkeszt, és befoglaló keretekkel (bounding box) megadható, hová kerüljön egy elem, vagy melyik területre korlátozódjon a módosítás. A FLUX 3 család tanítása képeken, videókon és hangon is zajlott. A BFL szerint a képek a térbeli részleteket, a videók a mozgást és a fizikát, a hang az eseményeket és a kölcsönhatásokat adja hozzá. Így a generált képek jobban illeszkednek a valós világhoz.
Kisebb, mégis jobb
A BFL belső értékelésében a Klein első lett szöveg alapú képgenerálásban, több referenciás generálásban és képszerkesztésben a nála nagyobb nyílt modellek előtt. A cég szerint a zárt Ideogram V4.5-nél és a saját FLUX.2 [pro] modelljénél is jobb értékelést kapott. A mezőny legkisebb nyílt modellje: a Qwen-Image 2.1 7, a Krea 2 12,9 milliárd paraméteres. Az elődhöz, a 9 milliárd paraméteres FLUX.2 [kleinhez] képest 38%-kal kevesebb paraméterrel 91 Elo-ponttal jobb szövegből generálásban és 70-nel képszerkesztésben. Az Elo-pontszám páros összehasonlításokból számolt rangsor, a sakkban is ezt használják.
A generátor súlyai BF16 pontossággal 11,2 GB, FP8-ban 5,6 GB helyet foglalnak. Az Nvidiával közösen FP8, INT8 és NVFP4 változat is készült. Ezek kisebb pontosságú számábrázolással kevesebb memóriát igényelnek és gyorsabban futnak. A lépésszámra desztillált modellel és INT8-cal egy 1 megapixeles kép ComfyUI-ban RTX 5090-en nagyjából 4 másodperc alatt, RTX 4070-en 9 másodpercen belül készül el. Egy Nvidia GB300-as szerveren NVFP4-gyel 0,6 másodpercnél is kevesebb ez az idő.
Elérhetőség és licenc
Két változat jelent meg: egy alapmodell finomhangoláshoz és egy desztillált modell gyors generáláshoz. Mindkettő letölthető a Hugging Face-ről. A ComfyUI, a Diffusers, a TensorRT-LLM, az SGLang Diffusion és a vLLM-Omni már az első naptól támogatja. LoRA-tanításhoz a Diffusers, az Ostris AI Toolkit és az Nvidia NeMo AutoModel is használható. Az API-ban a desztillált modell flux-3-image-klein néven fut, az ár a BFL szerint 0,009 dollártól indul („per 1K image”). A súlyok a FLUX Kommunity License alá tartoznak, ez magánszemélyeknek és az évi 5 millió dollárnál kisebb bevételű cégeknek ingyenes kereskedelmi felhasználást is enged. A Klein a FLUX 3 család második nyílt modellje a robotvezérlésre szánt, 7 milliárd paraméteres FLUX 3 Action után.
A BFL a nagy cégek zárt modelljeivel versenyez. A Google nemrég a Nano Banana 2.1-et, az OpenAI a ChatGPT Images 2.5-öt adta ki. A nyílt súlyú modell előnye, hogy saját gépen is futtatható, így a képek nem hagyják el a felhasználó gépét. Ez az adatvédelmi előírásokhoz kötött cégeknek is fontos.
