Black Forest Labs 釋出 FLUX 3 Klein：5.6B 引數跑進 8GB 視訊記憶體

FLUX 3 Image Klein 是 Black Forest Labs 開源的一個 5.6B 引數影像生成模型。它能幫你直接在消費級顯示卡上做文本生成圖片、畫素級區域編輯，以及最多引入 10 張參考圖的圖生圖，還支援原生 4K 輸出。

它不僅體積小，還把控制力直接做進了提示詞裡。你可以用邊界框（Bounding Box）把畫面分割成不同區域，精確指定某個物體出現在哪塊座標裡，或者把參考圖裡的某個元素挪到畫面的指定位置，不再只能純靠抽卡碰運氣。

怎麼做到的與硬體規格

這個模型融合了 FLUX 3 家族在影像、影片和音訊上的跨模態學習經驗，由影片補充運動和物理動態，音訊提供事件互動，藉此讓生成的畫面更貼近真實物理世界。

模型分為兩個版本：一個是用於微調的 base 基礎檢查點，另一個是用於低延遲生成的 step distilled 蒸餾版本。這次他們還聯合輝達推出了 FP8、INT8 和 NVFP4 權重。

在體積和硬體需求上，BF16 格式的模型權重需要 11.2GB，FP8 壓縮到 5.6GB。如果使用 INT8 版本，只要 8GB 視訊記憶體的顯示卡就能跑起來，普通筆記本或桌面端顯示卡都能吃得消。

生成速度也很快。在 ComfyUI 裡，蒸餾版 INT8 模型在 RTX 5090 上生成一張 100 萬畫素圖片只要大約 4 秒，在 RTX 4070 上不到 9 秒。如果用輝達 GB300 配合 NVFP4 跑，耗時甚至低於 0.6 秒。

真實效果與社群反饋

按照官方內部評測，FLUX 3 Image Klein 在文生圖、多圖參考和影像編輯上得分拿下了第一，超過了 7B 的 Qwen-Image 2.1 和 12.9B 的 Krea 2，甚至壓過了閉源的 Ideogram V4.5。比起 9B 的 FLUX.2 Klein，它引數砍掉 38%，文生圖 Elo 分數卻漲了 91 分。

不過社群裡已經實際上手的使用者給出了不一樣的看法。有測試博主在 ComfyUI 中實測後指出，雖然控制功能很強，但模型的底模存在明顯硬傷，尤其是人臉和人體解剖結構非常容易崩壞，經常出現多餘手指或肢體畸變，讓人想起當年的 Stable Diffusion 3，覺得目前底模相當糟糕。

生態支援倒是做得很齊全。Diffusers、ComfyUI、TensorRT-LLM、vLLM-Omni 和 SGLang Diffusion 在釋出第一天就直接適配，而且還包含基於 Qwen3-VL 文本編碼器的 Diffusers 模組化管線。

怎麼上手與開源協議

模型權重已經上傳到 Hugging Face，包括 base 和 distilled 兩個版本，官方還提供了 Gradio 演示空間與參考推理程式碼。微調方面，Ostris 的 AI Toolkit 和輝達 NeMo AutoModel 均支援開箱即用的 LoRA 訓練。

開源協議使用的是 FLUX Kommunity License。對於個人、研究用途以及年收入低於 500 萬美元的公司，可以完全免費進行商用。如果年收入超過 500 萬美元，就需要申請專門的商業授權或使用官方 API。

不想本地部署的話，BFL API 已經上線了 flux-3-image-klein，每 1000 張圖的價格是 0.009 美元起，帶提示詞增強和畫素級復原能力。

為什麼重要

我們認為，FLUX 3 Image Klein 最大的價值在於它把 4K 原生畫質和精細布局控制壓進了 8GB 視訊記憶體的門檻，這讓獨立創作者和本地端側開發者的成本大幅降低。

但現階段普通使用者最好保持觀望。社群反饋暴露出的嚴重肢體和人體崩壞問題，說明它把引數砍到 5.6B 還是付出了代價。如果你需要穩定的人像輸出，建議等社群煉出高質量的微調模型或 LoRA 之後再動手嘗試。