FLUX 3 Image Klein Prompt Upsampler: Das 18,8-GB-Modell, das BFL auslieferte, ohne es zu benennen

Black Forest Labs shipped two models on 15 October 2026 and announced one of them. The announced model is FLUX 3 Image Klein, the 5.6B open-weights image generator that drew the launch post, the pricing table, the ComfyUI workflow and a round of trade coverage. The other is the FLUX 3 Image Klein Prompt Upsampler — an 18.8 GB fine-tune of Qwen3.5-9B that rewrites your short request into the long caption the image model expects — and it is the single most permissive artifact in the release. Its repository is public, requires no account, and carries the Apache License 2.0, where each of its three sibling repositories carries the FLUX Kommunity License and an access gate. B​FL's launch post never names it. Neither does the model page, the release notes, or the API documentation for FLUX 3 Image Klein, which does not contain the word "upsampler" once in 35,000 characters.

That gap is checkable in about five minutes, and it is worth checking, because the upsampler decides more about what your images look like than most of the settings you will spend the weekend adjusting. It also raises a question the announcement does not answer: whether B​FL intends it as a standalone model you can build on, or as a load-bearing dependency of its own inference code that happened to get published with an Apache header. This piece separates what the repository proves from what only B​FL can confirm. Every number below comes from the model card, the Hugging Face API, the reference inference code or B​FL's own documentation, and none of it has been independently benchmarked by a third party.

Was tatsächlich ausgeliefert wurde und welcher Teil nicht genannt wurde

Beginne mit den Datumsangaben, denn sie sind exakt. Das Upsampler-Repository wurde am 14. Oktober 2026 um 20:40 UTC auf Hugging Face erstellt und zuletzt am 15. Oktober um 15:32 UTC beschrieben — dasselbe Zeitfenster im Minutenmaßstab wie die FLUX 3 Image Klein-Repositories, die es bedient. Der Launch-Beitrag ist auf den 15. Oktober datiert. Das ist also kein Leak, keine Vorschau und kein Checkpoint, auf dem jemand sitzt: Es ist ein First-Party-Release, das zusammen mit dem Modell veröffentlicht wurde, zu dem es gehört.

What it did not get is a name in the announcement. Read B​FL's own enumeration of the release and the pattern is consistent:

• The launch post describes FLUX 3 Image Klein's weights, its FP8, INT8 and NVFP4 builds built with N​VIDIA, its day-one ComfyUI and Diffusers support, and its licence. It mentions "prompt upsampling" once, as a feature of the hosted API endpoint, without naming a model or linking a repository.

• Die Modellseite unter bfl.ai/models/flux-3-image-klein führt die undistillierte und die distillierte Version auf und gibt an, dass der API-Zugriff „Prompt-Enhancement“ umfasst. Außerdem kein Repository.

• Die Versionshinweise für den 15. Oktober listen die Gewichte auf: Klein (destilliert), Klein Base und die ComfyUI-Gewichte. Der Upsampler ist nicht darunter.

• Die API-Dokumentation für FLUX 3 Image Klein umfasst 35.148 Zeichen. Eine Suche ohne Beachtung der Groß-/Kleinschreibung nach „upsampl“ liefert null Treffer.

• Der Referenz-Inferenzcode auf GitHub ist, wo es endlich auftaucht — ein README-Abschnitt mit dem Titel „Prompt upsampling“, ein --no-pup-Flag in der CLI, ein --pup-memory-Budget und ein flux3/pup.py-Modul. Was die ehrliche Antwort auf „ist es versteckt?“ ist: nein. Es ist dokumentiert, es ist integriert, es läuft standardmäßig, und wenn du das Repo geklont hättest, würdest du es sofort finden.

Der Unterschied ist wichtig und lässt sich leicht verwischen. Dies ist kein Stealth-Release; es ist ein Release, dessen Komponente mit der permissivsten Lizenz wie reine Infrastruktur behandelt wurde. Die Community bemerkte es schneller als die Presse – bis zum 15. Oktober gab es bereits GGUF-Quantisierungen des Upsamplers von Drittanbietern auf Hugging Face, und eine Mirror-Organisation hatte alle vier Repositories kopiert.

Was der Upsampler eigentlich ist

Die Modellkarte ist direkt, was die Abstammung angeht: Sie ist ein vollständiges Fine-Tuning von Qwen3.5-9B mit eingefrorenem Vision-Turm. Die Konfigurationsdatei bestätigt die Form – 32 Schichten, ein 4.096 breiter Hidden State, 16 Attention-Heads gegenüber 4 Key-Value-Heads, eine Token-Positionsobergrenze von 262.144 und ein Vokabular von 248.320. Der Layer-Stack ist nicht einheitlich: Drei von vier Schichten verwenden lineare Attention, wobei jede vierte eine Full-Attention-Schicht ist. Der Vision-Turm ist 27 Schichten tief bei 1.152 Breite, Patch-Größe 16, Spatial Merge 2. Dies ist ein Vision-Language-Modell mit hybrider Attention der aktuellen Generation, kein Prompt-Template, an das ein Sprachmodell einfach angeflanscht wurde.

Auf der Festplatte besteht es aus einer einzelnen 18,82 GB großen bfloat16-safetensors-Datei sowie einem Tokenizer, einem Chat-Template und einer Datei, die interessanter ist als der Rest: system_prompts.json, 12,6 KB mit vier vollständigen System-Prompts namens t2i, i2i, t2i_bbox und i2i_bbox. Diese vier Prompts sind die eigentliche Schnittstelle des Modells. Sie sind außerdem lesbar, was bedeutet, dass das Verhalten des Upsamplers keine Blackbox ist — man kann genau lesen, wozu er angewiesen wurde, und dann prüfen, ob er es getan hat.

Das Training erfolgte laut der Karte in zwei Stufen: überwachtes Feintuning auf Paaren aus kurzen Anfragen und ihren erweiterten Prompts, dann Präferenz-Tuning auf Paaren der eigenen Ausgaben des Modells, gerendert durch FLUX 3 Image Klein mit festem Seed und anhand des resultierenden Bildes bewertet. Die zweite Stufe ist die bemerkenswerte. Der Upsampler wurde nicht darauf abgestimmt, Prompts zu schreiben, die sich gut lesen; er wurde darauf abgestimmt, welche seiner eigenen Prompts das bessere Bild ergaben, wenn das Bildmodell sie ausführte. Das ist eine vom Anbieter berichtete Methodik, keine veröffentlichte Ablation, und es existiert keine unabhängige Bewertung davon.

Die vier Modi und wie die Pipeline einen auswählt

Der Upsampler ist nicht immer ein Text-zu-Bild-Tool. Welchen System-Prompt er lädt, hängt davon ab, was man ihm übergibt, und die Regel steht in bbox.py:

• Keine Referenzbilder, keine Boxen — der t2i-Prompt. Er erweitert eine Anfrage zu einer einzigen detaillierten Bildbeschreibung.

• Referenzbilder, keine Boxen — der i2i-Prompt. Er betrachtet die Referenzen und verfasst eine Bearbeitungsanweisung, die jedes Referenzobjekt anhand seines tatsächlichen Aussehens identifiziert. Eine vage Anfrage wird als die plausibelste Bearbeitung der bereitgestellten Bilder interpretiert.

• Boxen bereitgestellt, Text-zu-Bild — der t2i_bbox-Prompt. Die Ausgabe wird zu einer Bildbeschriftung, gefolgt von einer JSON-Elementtabelle, eine Zeile pro Objekt auf einem 0-bis-1000-Canvas, und die Bildbeschriftung zitiert jede Zeile über eine ID in spitzen Klammern.

• Boxen plus Referenzen — der i2i_bbox-Prompt, der einen Annotationsdatensatz mit einem from-Feld zurückgibt, das Inhalte aus ref_image_N von als target markierten Inhalten unterscheidet, plus eine Box in der Quelle und eine Box in der imaginierten Ausgabe.

Deine Boxen gewinnen einen Konflikt. Der Code konvertiert deine 0-bis-1-Koordinaten auf das 0-bis-1000-Raster, übergibt sie dem Modell als eine autoritative gesperrte Liste und gleicht dann die Antwort ab: Jede Zeile, die das Modell unter ihrer eigenen ID neu geplant hat und die eine gesperrte Box mit einer Intersection-over-Union von 0,9 oder besser überlappt, übernimmt die gesperrte ID, und die gesperrten Zeilen werden wörtlich zurückgeschrieben, wobei die Beschreibung des Modells übernommen wird. Dein Layout ist kein Vorschlag, den das Modell verbessern darf.

Die Dekodierung ist fest vorgegeben und es lohnt sich, sie zu übernehmen, wenn du sie selbst aufrufst: greedy, top-p 0,95, top-k 20, eine Obergrenze von 3.584 neuen Tokens und eine Presence Penalty von 1,5 für Text-zu-Bild gegenüber 0,0 für Bearbeitungen. Diese Asymmetrie ist beabsichtigt — die Penalty existiert, um den Caption-Generator davon abzuhalten, sich zu wiederholen, und eine Bearbeitungsanweisung, die berechtigterweise dasselbe Objekt zweimal erwähnt, sollte dafür nicht bestraft werden.

Was die Prompts verlangen – und warum Ihre Prompts so aussehen, wie sie aussehen

Der t2i-System-Prompt ist das nützlichste Dokument im Release für jeden, der das Verhalten von FLUX 3 Image Klein seltsam fand. Einige seiner Anweisungen erklären den Ausgabestil des Modells direkt:

• Länge. „Die typische Länge beträgt 100 bis 350 Wörter, bei komplexen Szenen mehr.“ Der Upsampler komprimiert deinen Prompt nicht und fasst ihn auch nicht zusammen. Er erweitert ihn um etwa eine Größenordnung, und das Bildmodell wurde auf Bildbeschreibungen in diesem Bereich trainiert.

• Jede Person im Fokus erhält ein Profil. Ethnische Zugehörigkeit, Geschlecht, Altersspanne, Hautton, Haare und Kleidung — als beobachtbare Merkmale. Der Prompt nennt die Beispiele „helle Haut" und „braune Haut".

• Der Hintergrund erhält etwa ein Sechstel der Bildunterschrift.Explizit. Der Prompt verlangt außerdem, dass unscharfe und entfernte Inhalte als Formen, Farben und Silhouetten statt als Identitäten oder lesbarer Text beschrieben werden.

• Der Stil ist standardmäßig Fotografie. Wenn kein Stil angegeben ist, plant das Modell ein tatsächliches Foto und beginnt mit einer Medium-Konvention – „Vollfarbiges Außenfoto“, „Studiofoto“ –, wobei „Fotorealistisch“ Renders vorbehalten bleibt. Eine Anfrage nach etwas „Realistischem“ wird in die Foto-Konvention überführt, statt sie zu wiederholen.

• Verbote. Keine abschwächenden Adverbien. Keine Qualitäts- oder Emotionsurteile. Kein Schlusssatz über die Stimmung. Verneinungen werden in Aussagen darüber umgeschrieben, was vorhanden ist. Die generative Stimme ist verpflichtend: „Dieses Bild zeigt“ und „wir können sehen“ sind gänzlich verboten.

• Anti-Stockfoto. Der Prompt verlangt „ein paar gewöhnliche, nicht ideale Besonderheiten, die aus den Objekten der Szene selbst stammen, statt dem Stockfoto-Ideal“. Das ist eine Anweisung, Bilder weniger generisch zu machen, die in einen System-Prompt geschrieben wurde.

• Umgang mit Text. Gerenderter Text muss wortwörtlich in doppelten Anführungszeichen in seiner Originalsprache und -schrift transkribiert werden, wobei Zeilenumbrüche beibehalten und Typografie, Farbe und Platzierung angegeben werden. Wenn eine Anfrage Text benötigt, den sie nicht bereitgestellt hat, verfasst das Modell einen konkreten, domänengerechten Wortlaut.

Wenn du diese Liste mit einer enttäuschenden Generierung abgleichst, kannst du meist erkennen, welche Regel nicht genug bekommen hat, um damit zu arbeiten. Ein flaches Porträt mit leerem Hintergrund ist eine Anfrage, die keine Szene, keine Beleuchtung und keine gewöhnlichen konkreten Angaben enthält – ein Prompt, den das Modell dann trotzdem erweiterte und die Lücke mit einem generischen Plan nach eigenem Ermessen füllte.

Was es Sie an Speicher und Zeit kostet

The upsampler is on by default in B​FL's own pipeline, and the practical reason to care is that "on by default" means a second model resident while the first one generates. From the reference code and documentation:

• Festplatte — 18,82 GB für die bfloat16-Gewichte, gegenüber 11,1 GB für die eigenen safetensors des destillierten Bildmodells und etwa 11 GB für das Basis-Modell.

• VRAM — the reference implementation gives the upsampler a share of the GPU, defaulting to 0.35 in the Python API and 0.85 in the standalone module's command line. B​FL's memory table, measured on a B200, runs 31 GB in bf16 for the image model with --no-pup; the upsampler's reserved share sits on top of that.

• The 8 GB story gets more complicated. B​FL's headline is that the INT8 build of FLUX 3 Image Klein runs on an RTX GPU with as little as 8 GB of VRAM, and that is the image model. In the ComfyUI repository the prompt upsampler ships as a separate 9.75 GB INT8 text encoder file. Nobody has published a configuration in which both an 8 GB card and the upsampler are resident at once.

• Der Ausschalter ist ein einziges Flag.--no-pup sendet deinen Prompt so, wie du ihn eingegeben hast. Die Demo hat denselben Schalter, und das Prompt-Upsampling der gehosteten API ist Teil des Endpunkts und kein separater Posten in der veröffentlichten Preisliste: $0.008 bei 768 Quadrat, $0.009 bei 1K, $0.011 bei 1,5K, $0.014 bei 2K und $0.036 bei 4K, wobei Generierung und Bearbeitung denselben Preis haben.

• Referenzen werden herunterskaliert, bevor der Upsampler sie sieht. Eine Referenz wird auf etwa ein Megapixel begrenzt; zwei erhalten je 724 × 724 Pixel; drei oder mehr erhalten je 512 × 512 Pixel und alle werden als JPEG mit Qualität 92 neu kodiert. Die Modellkarte führt dies ausdrücklich als Einschränkung auf – kleine Details in einer Referenz können falsch beschrieben werden –, und es ist der Mechanismus hinter einem bestimmten Fehler, den Sie reproduzieren können: Fordern Sie eine Bearbeitung an, die von einem kleinen gedruckten Detail abhängt, und die Anweisung kann damit zurückkommen, das Falsche zu beschreiben, weil der Upsampler es nie in voller Auflösung gesehen hat. Das Bildmodell erhält Ihr Original.

Die Lizenz ist der Teil, über den es sich zu streiten lohnt.

Hier ist die Asymmetrie, klar ausgedrückt. Die FLUX 3 Image Klein-Gewichte unterliegen der FLUX Kommunity License, die die kostenlose kommerzielle Nutzung nur für Einzelpersonen und Unternehmen mit unter 5 Mio. USD Jahresumsatz erlaubt, während größere Organisationen auf selbst gehostete Lizenzierung oder die API verwiesen werden. Lösen Sie für ein Produkt eine kommerzielle Lizenzanfrage aus, und das Modell, das Sie ausliefern, ist nicht das einzige Artefakt im Geltungsbereich.

Vier Repositories waren Teil dieses Releases. Drei davon – das destillierte Modell, das Basismodell und die ComfyUI-Gewichte – werden von der Hugging Face API als gated: auto aufgeführt, was bedeutet, dass Sie die Bedingungen akzeptieren müssen, bevor Sie die Dateien herunterladen können. Eines ist überhaupt nicht gated und trägt die Apache License 2.0: der Prompt-Upsampler. Es ist außerdem das einzige der vier, dessen Modellkarte direkt eine permissive Lizenz angibt, und das eigene README des Referenz-Repositories zieht die Grenze ausdrücklich – der Code ist Apache 2.0, die Klein-Gewichte sind FLUX Kommunity, und „der Prompt-Upsampler ist Apache 2.0.“

What that buys you depends on the unresolved question. If the upsampler is genuinely a standalone artifact, it is a 9B-class vision-language model you can fine-tune, redistribute and ship in a commercial product without a revenue threshold, and it is currently the cheapest way to acquire that capability from a frontier image lab under terms that do not require a lawyer. If it is intended only as a dependency of B​FL's reference code, then repurposing it carries a risk that no document currently resolves.

Was ist bestätigt, und was nicht

Bestätigt aus dem Repository und der Hugging Face API, alles davon nachprüfbar: das Dateiinventar und die Bytegrößen, die Apache-2.0-Lizenz, das fehlende Access Gate, die Qwen3.5-9B-Basis, die vier System-Prompts samt vollständigem Text, die Decoding-Parameter, das Referenzbudget für die Vorverarbeitung, das Box-Reconciliation-Verhalten, die Beschreibung des zweistufigen Trainings und die veröffentlichten Einschränkungen.

Not confirmed, and stated as open rather than guessed: whether B​FL considers the upsampler a supported product or an internal dependency; whether the Apache 2.0 header was a deliberate licensing decision or an inherited default from Qwen3.5-9B; how much the upsampler actually improves output, since no third party has run a controlled comparison and B​FL has published no ablation; whether the preference-tuning stage generalises beyond the prompts in its training set; and whether the 9.75 GB INT8 ComfyUI file is the same model at lower precision or a differently prepared one, since that repository's model card is gated and could not be read.

Außerdem offen: Die Zahlen auf dem Repository selbst sind klein. Dreizehn Downloads und zehn Likes für den Upsampler, gegenüber 3.241 Downloads und 128 Likes für das destillierte Bildmodell, vierundzwanzig Stunden nach der Veröffentlichung. Das ist kein Beweis dafür, dass das Modell unwichtig ist — es ist ein Beweis dafür, dass fast niemand wusste, dass es da war.

Wo OrcaRouter passt – und wo nicht

Die ehrliche Version zuerst: OrcaRouter hostet kein Modell von Black Forest Labs. Der Katalog wurde geprüft, nicht bloß angenommen, und es gibt keinen FLUX-Eintrag darin. Nichts im Folgenden legt etwas anderes nahe.

What does sit in the catalogue is the comparison set. If you are going to spend a weekend testing whether prompt expansion helps your images, the interesting experiment is running the same request through FLUX 3 Image Klein with the upsampler on and off, and then against a hosted image model that does its own prompt handling — G​oogle's image models, O​penAI's, G​rok's — to see whether the gap you are measuring is the upsampler or the generator. Those hosted models are reachable from a single key on OrcaRouter, at the provider's list price with no markup added, so the cost of the experiment is the provider's own rate and nothing on top of it. That is a cheaper way to answer the question than downloading 18.82 GB four times.

Allerdings sollte man genau benennen, wo die Grenzen dieses Ratschlags liegen. Wenn du den Upsampler tatsächlich unter Apache 2.0 feinabstimmen möchtest, brauchst du die Gewichte auf deiner eigenen Hardware und eine Laufzeitumgebung, die ein 9B-Vision-Language-Modell bedienen kann. OrcaRouter übernimmt diesen Teil nicht, und die Lizenzfrage oben musst du selbst klären.

Was würde daraus eine größere Story machen?

Four things, in rough order of how much they would change. First, a named mention from B​FL — a model card, a docs page, a line in the release notes — which would settle the framing here and probably force an update to this piece. Second, a controlled evaluation, ours or anyone's, of images generated with and without the upsampler at a fixed seed; that number is currently missing and it is the one everyone actually wants. Third, a statement on whether the Apache 2.0 licence is deliberate, since that is what makes the artifact interesting rather than merely unlisted. Fourth, the same treatment applied to the rest of the FLUX 3 family: if the upsampler pattern holds, other tiers will ship with permissive helper models attached and unannounced.

Bis dahin ist die praktische Lesart eng und wenig glamourös. Weil das heruntergeladene Bildmodell zugangsbeschränkt ist und seine Lizenz eine Umsatzschwelle enthält, werden die meisten, die auf FLUX 3 Image Klein aufbauen wollen, mit der API beginnen, wo der Upsampler keine Entscheidung ist, die man trifft – er ist etwas, das der Endpunkt tut, eingepreist in eine Preisliste, die bei $0.008 pro Bild beginnt. Die Leute, die sich für das Repository interessieren sollten, sind diejenigen, die selbst hosten, und für sie ist die nützliche Tatsache diese Woche schlicht, dass das am freizügigsten lizenzierte Stück der Veröffentlichung auch das ist, von dem ihnen niemand erzählt hat.

Für ein Modell, dessen Fehlermodi noch nicht dokumentiert sind, ist das nützliche Gegenstück die Aufzeichnung dessen, was andernorts bereits schiefgegangen ist: Die dokumentierten KI-Vorfälle und Agentenfehler rund um Modelle dieser Klasse sind im OrcaRouter AI Incident Archive, wobei jeder Eintrag eigene Quellen, Schweregrad, Konfidenzstufe und Kennzeichnung als umstritten führt.