Black Forest Labs hat FLUX 3 Image Klein veröffentlicht, ein Open-Weights-Modell mit 5,6 Milliarden Parametern für die Text-zu-Bild-Erzeugung, Bildbearbeitung und Multi-Referenz-Generierung mit bis zu zehn Referenzbildern. Das Modell unterstützt native 4K-Auflösung, pixelgenaue Bearbeitung sowie Begrenzungsrahmen (Bounding Boxes) und wird unter der FLUX Kommunity License bereitgestellt. Es ist für lokale Consumer-GPUs optimiert, läuft mit INT8-Quantisierung auf Hardware mit mindestens 8 GB VRAM und erzeugt 1-Megapixel-Bilder in Kombination mit schrittdestillierten Modellen in wenigen Sekunden. Im Vergleich zu Vorgängern und Konkurrenten bietet es eine verbesserte Leistung bei reduzierter Parameterzahl, erfordert laut Community-Berichten jedoch den Einsatz eines Prompt-Upsamplers.
Wichtigste Punkte
Modellarchitektur & Parameter: FLUX 3 Image Klein verfügt über 5,6 Milliarden Parameter und teilt die Kernfunktionen des größeren FLUX 3 Image Modells, einschließlich nativer 4K-Auflösung und pixelgenauer Bearbeitung.
Multimodales Training: Das Modell nutzt gemeinsame Lernergebnisse aus Bildern (räumliche Details), Videos (Bewegung und physikalische Dynamik) sowie Audio (Ereignisse und Interaktionen) für eine realitätsnahe Bildgenerierung.
Hardware-Anforderungen & Quantisierung: Entwickelt in Kooperation mit NVIDIA, stehen FP8-, INT8- und NVFP4-Builds zur Verfügung. Dank der INT8-Version läuft das Modell auf NVIDIA GeForce RTX GPUs mit 8 GB VRAM via ComfyUI oder Diffusers.
Inferenzgeschwindigkeit: Das schrittdestillierte Modell generiert ein 1-Megapixel-Bild in etwa 4 Sekunden auf einer NVIDIA GeForce RTX 5090 und in unter 9 Sekunden auf einer RTX 4070 (jeweils mit 16 Schritten). Auf einer NVIDIA GB300 sinkt die Generierungszeit im NVFP4-Format auf unter 0,6 Sekunden.
Ökosystem & Integration: Das Modell bietet Tag-1-Unterstützung für LoRA-Training via Ostris's AI Toolkit, Diffusers, TensorRT-LLM, SGLang Diffusion und vLLM-Omni sowie Rezepte in NVIDIA NeMo AutoModel.
Lizenzierung: Die Veröffentlichung erfolgt unter der FLUX Kommunity License, die die kostenfreie kommerzielle Nutzung für Einzelpersonen und Unternehmen mit einem Jahresumsatz unter 5 Millionen US-Dollar erlaubt.
Diskussions-Highlights
Schlechte Anatomie und „Body Horror“: Viele Hacker-News- und Reddit-Nutzer bemängeln eine extrem schlechte Ausgabequalität bei menschlichen Figuren (verzerrte Gliedmaßen, halbschmelzende Gesichter), die auf eine zu aggressive Filterung oder gezielte Entschärfung von NSFW-Inhalten im Trainingsdatensatz zurückgeführt wird („Safetymaxxing“).
Vergleich mit Alternativen: Mehrere Kommentatoren verweisen auf alternative Open-Weights-Modelle wie MOSS-Image-Base oder Boogu Image 0.1, die teilweise unter einer freieren Apache-2.0-Lizenz stehen und in bestimmten Bereichen bessere Ergebnisse oder Textreproduktionen liefern.
Notwendigkeit eines Prompt-Upsamplers: Community-Mitglieder betonen, dass das Modell ohne den offiziellen Prompt-Upsampler („Prompt-Veredelung“) oft unbrauchbare Ergebnisse liefert und ein tieferes Verständnis der Modellanforderung für manuelle Prompts nötig ist.
Effizienz kleiner Modelle: Diskutiert wird das Phänomen, dass Bildgenerierungsmodelle mit unter 10 Milliarden Parametern (wie FLUX 3 Klein) erstaunlich komplexe visuelle Welten abbilden können, während Sprachmodelle für logisches Schließen und Programmieren signifikant größere Parameterzahlen erfordern.
Wirtschaftlicher Vergleich: Kritisiert wird, dass europäische und US-amerikanische Modelle durch strenge Sicherheitsvorgaben in ihrer Anwendbarkeit stark eingeschränkt werden, während Konkurrenzmodelle aus anderen Regionen unter Umständen weniger restriktiv agieren.
Glossar
Open Weights: Ein offenes Modellgewicht, bei dem die trainierten Parameter eines neuronalen Netzes der Öffentlichkeit zur Verfügung gestellt werden, oft gekoppelt an spezifische Lizenzbedingungen.
Parameter: Numerische Werte innerhalb eines neuronalen Netzes, die während des Trainings angepasst werden, um Muster in den Daten zu erlernen.
Quantisierung (FP8, INT8, NVFP4): Verfahren zur Reduzierung der Bit-Präzision von Modellgewichten (z. B. von 16-Bit-Gleitkommazahlen auf 8-Bit- oder 4-Bit-Ganzzahlen), um den VRAM-Bedarf zu senken und die Inferenzgeschwindigkeit zu erhöhen.
VRAM (Video RAM): Der dedizierte Arbeitsspeicher einer Grafikkarte (GPU), der für das Laden von KI-Modellen und die Bildgenerierung essenziell ist.
LoRA (Low-Rank Adaptation): Eine effiziente Fine-Tuning-Technik, bei der nur eine kleine Teilmenge von Parametern trainiert wird, um ein Modell für spezifische Stile oder Personen anzupassen.
Step-distilled Model: Ein durch Wissensdestillation optimiertes Modell, das in deutlich weniger Rechenschritten (z. B. 16 Schritten) qualitativ hochwertige Ergebnisse liefert.
ComfyUI: Eine grafische Node-basierte Benutzeroberfläche zur Erstellung und Ausführung von Diffusionsmodell-Pipelines.
Diffusers: Eine Python-Bibliothek von Hugging Face für die Arbeit mit vortrainierten Diffusionsmodellen.
TensorRT-LLM / vLLM-Omni / SGLang Diffusion: Hochleistungs-Inferenz-Frameworks zur beschleunigten Ausführung von großen Sprach- und Multimodell-Architekturen auf GPUs.
Pareto-Frontier: Ein Konzept zur Beschreibung des optimalen Kompromisses zwischen zwei konkurrierenden Zielen (im Kontext von KI: Rechengeschwindigkeit versus Ausgabequalität).