FLUX 3 Image Klein belegt Platz 1 unter den Open-Weights-Modellen — auf einem Scoreboard, das sein Hersteller selbst entworfen hat

Die Zahl ist inzwischen überall. FLUX 3 Image Klein belegte bei Text-to-Image den ersten Platz unter den Open-Weight-Modellen, den ersten Platz bei der Multi-Reference-Generierung, den ersten Platz bei der Bildbearbeitung — und übertraf das ältere FLUX.2 [klein] 9B um 91 Elo bei Text-to-Image und um 70 Elo bei der Bearbeitung, obwohl es 38 % weniger Parameter mitbringt. Das sind die Zahlen aus dem Launch-Post von Black Forest Labs, aus den Zusammenfassungen, aus der Social Card. Der Satz, der dabei gern unter den Tisch fällt, ist der, der in der Quelle direkt daneben steht: Es handelt sich um interne Evaluierungen.

Das ist kein Skandal. So starten fast alle Bildmodelle, und es ist der einzige Vergleich, den ein Labor anstellen kann, bevor irgendjemand sonst die Gewichte hat. Aber es ändert, was ein Leser mit dem Ranking anfangen sollte. FLUX 3 Image Klein ist tatsächlich veröffentlicht — 5,6 Mrd. Parameter, offene Gewichte, veröffentlicht am 15. Oktober 2026 unter der FLUX Kommunity License, abrufbar für 0,009 US-Dollar pro 1.000 Bilder über BFLs eigene API. Was es noch nicht gibt, ist eine Bewertung von jemandem, der nicht Black Forest Labs ist. Das Modell ist real; die Platzierung im Leaderboard ist eine Behauptung.

Was durch die Veröffentlichung tatsächlich belegt wurde

Trenne die Artefakte vom Marketing, denn sie tragen unterschiedliches Gewicht. Die Artefakte sind heute von jedem ohne GPU überprüfbar:

• Gewichte — ein Bildgenerator mit 5,6 Mrd. Parametern, mit einem Basis-Checkpoint zum Fine-Tuning und einem destillierten 16-Schritt-Checkpoint für geringe Latenz

• Präzisions-Builds — BF16 mit 11,2 GB, FP8 mit 5,6 GB, plus INT8- und NVFP4-Builds, erstellt mit NVIDIA

• Lizenz — FLUX Kommunity License: kostenlose kommerzielle Nutzung für Einzelpersonen und Unternehmen mit einem Jahresumsatz unter 5 Mio. USD; oberhalb dieser Grenze kostenpflichtige Self-Hosted-Lizenzierung oder die API

• Funktionen — Text-zu-Bild, Bearbeitung, Multi-Referenz-Generierung mit bis zu 10 Referenzbildern, natives 4K und Bounding-Box-Steuerung

• Preis — 0,009 $ pro 1K-Bild auf der Anbieter-API, mit einer darüberliegenden 2K-Stufe

• Tooling — LoRA-Trainingsrezepte für Diffusers, Ostris AI Toolkit und NVIDIA NeMo AutoModel

All das steht im Repository und in der Dokumentation. Nichts davon hängt davon ab, dass ein Benchmark zutrifft. Ein Modell kann klein, schnell, lizenzierbar und herunterladbar sein, ohne in irgendetwas der Beste zu sein, und diese Eigenschaften sind für sich genommen wertvoll.

Was das Release nicht belegt hat, ist die relative Qualität. Der Launch-Post zeigt Elo-Diagramme, statt exakte Scores im Text abzudrucken, sodass der genaue Abstand zwischen Klein und seiner Vergleichsgruppe nicht einmal vollständig zitierbar ist – man kann die Balken lesen, nicht die Zahlen. Die genannten Vergleichsmodelle sind Qwen-Image 2.1 mit 7B und Krea 2 mit 12,9B, wobei Krea 2 vom Bearbeitungsvergleich ausgeschlossen ist, weil es keine Bearbeitung unterstützt. Das sind sinnvolle Kontrollen. Es sind dennoch die eigenen Kontrollen des Labors, in der eigenen Testumgebung des Labors, mit Prompts, die das Labor ausgewählt hat.

Das Wort „third-party“ leistet Arbeit, die es nicht verdient hat.

Ein großer Teil der Berichterstattung über dieses Release beschreibt die Rankings als Benchmarks von Drittanbietern. Das sind sie nicht. Eine Suche nach einem unabhängigen Leaderboard-Eintrag fördert den Blogbeitrag des Anbieters und ein Dutzend Umschreibungen davon zutage, und die Umschreibungen übernehmen die Rahmung, ohne den Vorbehalt zu übernehmen.

Die nützlichste öffentliche Rangliste für Bildmodelle ist Artificial Analysis, die nach Elo aus paarweisen menschlichen Präferenzstimmen rangiert. Ihre Text-zu-Bild-Rangliste, Version 2.1, erfasst am 16. Oktober 2026, hat 42 sichtbare Einträge. GPT Image 2.5 Sunburst liegt mit 1218 auf Platz eins. Nano Banana 2 liegt mit 1139 auf Platz sieben. FLUX 3 Image liegt mit 1114 auf Platz dreizehn, bei 5.766 Samples, von der Rangliste mit 48 US-Dollar pro tausend Bilder bepreist. FLUX.2 [klein] 9B – die Baseline in BFLs Vergleich – liegt mit 1026 auf Platz sechsundzwanzig.

FLUX 3 Image Klein steht nicht auf dieser Liste. Nicht zum Marktstart, auch nicht acht Tage später. Der Eintrag mit der Bezeichnung „FLUX 3 Image" ist ein anderes Produkt: Es ist das größere, ausschließlich über API verfügbare Schwestermodell, und die Angabe von 48 US-Dollar pro Tausend auf der Liste entspricht der veröffentlichten Preisspanne dieses Modells, nicht Kleins 9 Dollar. Das ist aus einem einfachen Grund wichtig. In dem einen unabhängigen Ranking, das es gibt, ist das bildgebende Modell mit offenen Gewichten und der höchsten Punktzahl nicht Klein und überhaupt kein Modell von Black Forest Labs – es ist Qwen-Image-3.0-Pro mit 1093. Die Behauptung, Klein sei das beste Modell unter den offenen Gewichten, wird von der öffentlichen Liste also nicht widerlegt. Klein kommt darin schlicht nicht vor.

Stelle BFLs eigenes Delta neben ein öffentliches Board

Es gibt eine Möglichkeit, eine grobe Orientierung zu bekommen, ohne vorzugeben, es sei eine Messung. BFL gibt seine Zugewinne als Deltas gegenüber FLUX.2 [klein] 9B an, und dieses ältere Modell ist auf der öffentlichen Rangliste. Man nehme also den öffentlichen Score und addiere das Delta des Herstellers:

• Text-zu-Bild — FLUX.2 [klein] 9B mit 1026 auf Artificial Analysis, plus BFLs +91, landet nahe 1117

• Bearbeitung — FLUX.2 [klein] 9B bei 1015 auf dem Editing-Board, plus BFLs +70, landet bei etwa 1085

Das ist als Arithmetik zu lesen, nicht als Vorhersage. Elo-Deltas lassen sich nicht zwischen Testumgebungen übertragen. Ein auf BFLs Prompt-Set gemessener Abstand von 91 Punkten überträgt sich nicht Punkt für Punkt auf ein Board, das aus Crowd-Votes zu anderen Bildern mit anderen Wählern und einem anderen Sampling-Zeitraum erstellt wurde. Die Übung ist nur als Größenordnung nützlich: Sie deutet auf ein Modell hin, das in der Text-zu-Bild-Wertung im niedrigen 1100er-Bereich landen würde, also ungefähr dort, wo FLUX 3 Image bereits steht, und deutlich hinter Nano Banana 2 mit 1139. Sie deutet nicht auf ein Modell hin, das das Open-Weight-Feld mit großem Abstand anführen würde, und erst recht nicht darauf, dass sich die +91 in einen ersten Platz insgesamt übersetzen.

Wenn Sie die ehrliche Ein-Satz-Version wollen: Ein Eintrag im niedrigen 1100er-Bereich wäre sehr wahrscheinlich das beste Open-Weight-Modell auf dieser Rangliste, da der aktuelle Spitzenreiter dort 1093 ist. Die Richtung von BFLs Behauptung ist also plausibel. Die Größenordnung ist unbestätigt, und der Vorsprung vor dem nächsten Open-Weight-Konkurrenten könnte viel kleiner sein, als die Launch-Darstellung impliziert.

Was wir sahen, als wir es ausführten

Unsere eigene Erfahrung mit dem Modell deutet auf etwas Spezifischeres hin als „bestes Open-Weight-Bildmodell“. Wir haben FLUX 3 Image Klein über die API des Anbieters ausgeführt, ohne festen Prompt-Satz oder Bewertungsraster, daher sollte dies als Beobachtung und nicht als Ergebnis verstanden werden. Besonders hervorgetreten ist die präzise, lokalisierte Bearbeitung: ein einzelnes Objekt in einer Szene zu ändern, ein Element in einen begrenzten Bereich zu verschieben oder eine Anweisung anzuwenden, die den Rest des Bildes unberührt lassen sollte. Fälle, in denen nahezu alles geändert werden darf – ein vollständiger Restyle, eine umfassende Änderung der Beleuchtung –, ließen sich deutlich schwerer von der vorherigen Generation unterscheiden.

Das ist die entgegengesetzte Betonung gegenüber dem Großteil der öffentlichen Debatte. Die Darstellung zum Marktstart dreht sich darum, ob Klein überhaupt bearbeiten kann und ob es Modelle schlägt, die fünfmal so viel kosten. Die nützlichere Frage für alle, die produktiv arbeiten, ist, ob es gezielt bearbeiten kann. Präzise Bearbeitungen sind genau der Punkt, an dem eine Bounding Box und ein erhaltener Hintergrund wirklich zählen, an dem ein kleines Modell entweder den Rest der Szene beibehält oder ihn stillschweigend neu malt, und an dem die Kosten eines erneuten Versuchs nicht nur Geld, sondern ein Review-Zyklus sind.

Das Editieren ist die Behauptung, die den härtesten Test verdient.

Von den drei Behauptungen, den ersten Platz zu belegen, ist die zur Bearbeitung diejenige, der man aus einem strukturellen Grund am skeptischsten gegenüberstehen sollte. Die Qualität von Text-zu-Bild ist weitgehend eindeutig beurteilbar – eine Gruppe kann zwei Bilder betrachten und eines auswählen. Die Bearbeitungsqualität hängt von der Anweisungsbefolgung ab, und die Anweisungsbefolgung ist genau das, was ein eigener Prompt-Satz eines Anbieters am besten schmeicheln kann. Wenn Ihre Evaluations-Prompts von den Personen geschrieben wurden, die das Modell abgestimmt haben, messen Sie die Schnittmenge zweier Dinge, die Sie kontrollieren.

Es gibt außerdem ein Pipeline-Detail, das jeden selbst durchgeführten Vergleich betrifft. Klein wird mit einem separaten Prompt-Upsampler ausgeliefert – einem 9B-Fine-Tuning von Qwen3.5-9B namens flux-3-image-klein-pup –, der standardmäßig aktiviert ist und ohne den das Modell laut BFL nicht betrieben werden soll. Das bedeutet, dass ein naiver Benchmark, der Prompts so sendet, wie sie eingegeben wurden, ein anderes System misst als das, das der Anbieter evaluiert hat. Jeder lesenswerte unabhängige Test muss angeben, ob der Upsampler aktiv war, denn derselbe Checkpoint kann je nach Antwort deutlich unterschiedliche Ausgaben erzeugen. Das ist eine Menge methodischer Angriffsfläche für eine Behauptung, die derzeit nur auf einer Folie eines Labors beruht.

Die Geschwindigkeitszahlen beziehen sich auf NVIDIA.

Eine Reihe von Zahlen im Release hat eine andere Herkunft als die Qualitätsaussagen, und sie verdient eine angemessene Würdigung. Die Latenzwerte – etwa 4 Sekunden für ein 1-MP-Bild auf einer RTX 5090 in INT8 bei 16 Schritten, unter 9 Sekunden auf einer RTX 4070, 0,55 Sekunden auf einer GB300 – wurden von NVIDIA gemessen, wobei die RTX-Ergebnisse über ComfyUI liefen. Das ist immer noch eine Messung aus dem Umfeld des Herstellers, da NVIDIA beim Erstellen der quantisierten Checkpoints geholfen hat, aber es ist eine Hardware-Messung und kein Geschmacksurteil, und Hardware-Messungen lassen sich weit leichter reproduzieren. Wenn Sie die Karte haben, können Sie es an einem Nachmittag überprüfen.

Die 8-GB-VRAM-Aussage verdient dieselbe Behandlung. Sie gilt für den INT8-Generator-Build. Sie gilt nicht für die gesamte empfohlene Pipeline, denn der Prompt-Upsampler ist ein separater 18,8-GB-BF16-Download, der eigenen Speicher benötigt. Ein Nutzer, der „läuft auf 8 GB“ liest und dann die Standard-Pipeline aktiviert, wird herausfinden, welche Aussage eingegrenzt war und welche nicht.

So überprüfen Sie das selbst

Der günstigste ehrliche Test ist kein Leaderboard. Er besteht aus zwanzig Ihrer eigenen Prompts, zweimal ausgeführt – einmal mit dem Upsampler und einmal ohne –, auf den Aufgaben, die Ihnen wirklich wichtig sind, bewertet danach, ob Sie die Ausgabe ausliefern würden. Klein macht das ungewöhnlich praktisch, weil die Gewichte herunterladbar sind und die Lizenz die kommerzielle Nutzung unterhalb der $5M-Umsatzgrenze erlaubt, sodass der Test kein Konto bei irgendjemandem erfordert.

Für alles andere ist eine Routing-Schicht der günstigste Weg, denselben Prompt über die Endpunkte mehrerer Anbieter unter einem einzigen Schlüssel auszuführen – genau dafür ist OrcaRouter da: eine OpenAI-kompatible API über 200+ Modelle, 0 % Aufschlag, wobei der Listenpreis des Anbieters direkt weitergegeben wird, und automatisches Failover, wenn ein Endpunkt beeinträchtigt ist. Es lohnt sich, ausdrücklich klarzustellen, dass dies kein Weg zu Klein ist. Unser Katalog umfasst 210 Modelle und enthält überhaupt keinen FLUX-Eintrag, daher sind für dieses Modell heute die ehrlichen Optionen die eigene API von BFL oder ein selbst gehosteter Checkpoint. Das sagen wir lieber, als etwas anderes anzudeuten.

Was würde es klären

Drei Dinge, in aufsteigender Reihenfolge ihres Nutzens. Erstens, dass Klein als eigener Eintrag auf einem unabhängigen Board erscheint – nicht zusammengelegt mit FLUX 3 Image, einem anderen Modell zu einem anderen Preis. Zweitens, dass dieser Eintrag ein paar tausend Stimmen übersteht statt nur ein paar hundert, denn frühes Elo bei einem neuen Modell ist verrauscht und neigt dazu, nach unten zu driften, wenn der Neuheitsstimmen-Effekt nachlässt. Drittens, dass jemand einen Bearbeitungsvergleich veröffentlicht, der seine Upsampler-Einstellung angibt, denn ohne diese sind die Zahlen nicht vergleichbar.

Bis dahin ist der zutreffende Satz enger gefasst als die Schlagzeile und nützlicher als beide Extreme. FLUX 3 Image Klein ist ein offenes Bildmodell mit 5.6B Gewichten für 0,009 US-Dollar pro 1.000 Bilder, das auf Consumer-Hardware läuft und dessen Anbieter es als bestes Open-Weight-Modell für Text-zu-Bild, Multi-Reference-Generierung und -Bearbeitung angibt. Die erste Hälfte dieses Satzes ist verifiziert. Die zweite Hälfte ist eine Behauptung mit einem genannten Autor, und der Autor ist das Labor, das es entwickelt hat.