Black Forest Labs выложила открытую модель для картинок FLUX 3 Image Klein

Black Forest Labs выложила открытую модель FLUX 3 Image Klein на 5,6 млрд параметров: она рисует картинки по тексту и по образцам и расставляет объекты по рамкам, заданным в запросе. В день выхода Hugging Face добавила её в Diffusers — библиотеку, через которую разработчики запускают генераторы картинок в своих программах, — и разобрала, как модель устроена.

Почему это важно: главная модель линейки, FLUX 3 Image, закрыта. Klein умеет ту же раскладку по рамкам, но её можно дообучить, встроить в свой продукт и запустить на домашней видеокарте.

Как это работает: после описания картинки в запрос дописывают список областей, у каждой — имя, рамка и короткое описание:

• Координаты рамки задают по шкале от 0 до 1000, поэтому одна и та же рамка подходит для картинки любого размера.
• При правке у каждой области две рамки: где её содержимое стоит на образце и куда его нужно перенести.
• Область с одинаковыми рамками остаётся на месте: в примере вязаный рыцарь сдвигается вверх и влево, а фон, скала, спица, дракон и огонь не двигаются.
• Образец и новая картинка используют одну сетку координат, поэтому модель точно находит на образце место, заданное рамкой.

Интрига: модель рисует, шаг за шагом убирая шум из случайной картинки, и композицию определяет почти сразу. В примере Hugging Face лиса, её поза и свет на месте уже к 10-му шагу из 50, а ветки в снегу и фактура меха проступают только в последние шаги.

Детали: версий у модели две: базовой нужно 50 шагов очистки от шума, а быстрой, ускоренной версии базовой, хватает 16 шагов покрупнее. Базовую зато советуют дообучать: скрипты LoRA¹ и для рисования по тексту, и для правки уже есть в Diffusers. Запрос обе версии читают через Qwen3-VL — модель Alibaba, которая понимает текст и картинки. Шум модель убирает только из новой картинки, а образец целиком помечает как чистый, поэтому даже почти неотличимый от результата образец остаётся подсказкой, а не тем, что нужно нарисовать.

В цифрах: скорость и память, по данным Hugging Face и Black Forest Labs:

• Картинку 1024 на 1024 точки быстрая версия рисует примерно за 2 секунды на одном ускорителе NVIDIA H100.
• Образец для правки примерно вдвое удлиняет работу: модель обрабатывает его вместе с текстом и новой картинкой.
• В исходном 16-битном формате BF16 модель при картинке 1024 на 1024 занимает до 31 ГБ видеопамяти — так сказано в карточке версии для ComfyUI².
• Сжатая до восьмибитного int8 версия для ComfyUI идёт на видеокартах с 8 ГБ памяти вроде RTX 3070, а формат NVFP4³ ускоряет работу только на видеокартах NVIDIA поколения Blackwell, на остальных он лишь экономит память.

Расклад: похожие открытые модели этой осенью выпускала Alibaba:

• 20 сентября Alibaba открыла веса Qwen-Image-2.1: она тоже рисует и правит картинки, но для коммерческого применения требует отдельной лицензии.
• 9 октября Alibaba выпустила ускоренную версию Qwen-Image-2.1-Turbo: ей хватает восьми шагов очистки от шума вместо 40 в примерах к обычной версии.

Но: лицензия FLUX Kommunity разрешает всем бесплатно пользоваться моделью в некоммерческих целях, а созданные картинки в коммерческих целях бесплатно могут использовать лишь те, у кого годовая выручка меньше 5 млн долларов. Остальным Black Forest Labs предлагает отдельную лицензию или свой платный API.

Открытая модель поколения FLUX 3 у Black Forest Labs не первая: в сентябре компания уже выложила FLUX 3 Action, которая по кадрам с камер и текстовой команде управляет роботом.