FLUX 3 Image Klein Menduduki Peringkat #1 di Antara Open Weights — di Papan Skor yang Dirancang Sendiri oleh Pembuatnya

Angka itu kini ada di mana-mana. FLUX 3 Image Klein menempati peringkat pertama di antara model open-weight dalam text-to-image, pertama dalam generasi multi-referensi, pertama dalam penyuntingan gambar — dan mengalahkan FLUX.2 [klein] 9B yang lebih lama dengan selisih 91 Elo dalam text-to-image dan 70 Elo dalam penyuntingan, sementara parameter yang dibawanya 38% lebih sedikit. Itulah angka-angka dalam pos peluncuran Black Forest Labs, dalam rekap, dalam kartu sosial. Kalimat yang cenderung dihilangkan adalah kalimat yang disertakan padanya di sumber: ini adalah evaluasi internal.

Itu bukan skandal. Begitulah cara hampir setiap model gambar diluncurkan, dan itu satu-satunya perbandingan yang bisa dijalankan sebuah lab sebelum pihak lain memiliki bobotnya. Namun itu mengubah apa yang seharusnya dilakukan pembaca terhadap peringkat tersebut. FLUX 3 Image Klein benar-benar telah dirilis — 5,6B parameter, bobot terbuka, diterbitkan 15 Oktober 2026 di bawah FLUX Kommunity License, dapat dipanggil dengan harga $0,009 per 1K gambar di API milik BFL sendiri. Yang belum ada adalah skor dari pihak selain Black Forest Labs. Modelnya nyata; posisi di papan peringkat hanyalah sebuah klaim.

Apa yang sebenarnya ditetapkan oleh rilis tersebut

Pisahkan artefak dari pemasaran, karena keduanya memiliki bobot yang berbeda. Artefak tersebut dapat diperiksa hari ini, oleh siapa saja, tanpa GPU:

• Bobot — generator gambar dengan 5,6B parameter, dengan checkpoint dasar untuk fine-tuning dan checkpoint terdistilasi 16 langkah untuk latensi

• Build presisi — BF16 pada 11,2 GB, FP8 pada 5,6 GB, serta build INT8 dan NVFP4 yang dibuat dengan NVIDIA

• Lisensi — FLUX Kommunity License: penggunaan komersial gratis untuk individu dan perusahaan dengan pendapatan tahunan di bawah $5M, lisensi self-hosted berbayar atau API di atas ambang tersebut

• Kemampuan — teks-ke-gambar, penyuntingan, pembuatan multi-referensi dengan hingga 10 gambar referensi, 4K native, dan kontrol kotak pembatas

• Harga — $0,009 per 1K gambar di API vendor, dengan tier 2K di atasnya

• Perkakas — resep pelatihan LoRA untuk Diffusers, Ostris AI Toolkit, dan NVIDIA NeMo AutoModel

Semua itu ada di repositori dan dokumentasi. Tidak ada satu pun yang bergantung pada benar-tidaknya sebuah benchmark. Sebuah model bisa kecil, cepat, dapat dilisensikan, dan dapat diunduh tanpa harus menjadi yang terbaik dalam hal apa pun, dan sifat-sifat itu bernilai dengan sendirinya.

Yang tidak ditetapkan oleh rilis ini adalah kualitas relatif. Postingan peluncuran menampilkan grafik Elo alih-alih mencetak skor persis dalam teks, sehingga selisih tepat antara Klein dan kumpulan pembandingnya bahkan tidak sepenuhnya bisa dikutip — Anda bisa membaca batangnya, bukan angkanya. Pembanding yang disebutkan adalah Qwen-Image 2.1 pada 7B dan Krea 2 pada 12.9B, dengan Krea 2 dikecualikan dari perbandingan penyuntingan karena tidak mendukung penyuntingan. Itu adalah kontrol yang wajar. Itu tetap kontrol milik lab itu sendiri, di dalam harness milik lab itu sendiri, dengan prompt yang dipilih lab itu sendiri.

Kata "third-party" menjalankan tugas yang tidak pernah menjadi haknya

Banyak liputan tentang rilis ini menggambarkan peringkat tersebut sebagai tolok ukur pihak ketiga. Padahal bukan. Penelusuran atas entri papan peringkat independen hanya menemukan pos blog vendor dan belasan tulisan ulangnya, dan tulisan-tulisan ulang itu mewarisi pembingkaian tersebut tanpa mewarisi catatan pentingnya.

Papan publik paling berguna untuk model gambar adalah Artificial Analysis, yang memberi peringkat berdasarkan Elo dari suara preferensi manusia secara berpasangan. Papan teks-ke-gambar mereka, versi 2.1, yang diambil pada 16 Oktober 2026, memiliki 42 entri yang terlihat. GPT Image 2.5 Sunburst berada di peringkat pertama dengan 1218. Nano Banana 2 berada di peringkat ketujuh dengan 1139. FLUX 3 Image berada di peringkat ketiga belas dengan 1114, berdasarkan 5.766 sampel, dengan harga yang ditetapkan papan tersebut sebesar $48 per seribu gambar. FLUX.2 [klein] 9B — garis dasar dalam perbandingan BFL — berada di peringkat kedua puluh enam dengan 1026.

FLUX 3 Image Klein tidak ada di papan itu. Tidak saat peluncuran, tidak juga delapan hari kemudian. Entri berlabel "FLUX 3 Image" adalah produk yang berbeda: ia adalah saudara yang lebih besar yang hanya tersedia melalui API, dan angka $48 per seribu di papan tersebut cocok dengan rentang harga yang dipublikasikan untuk model itu, bukan $9 milik Klein. Ini penting karena alasan sederhana. Pada satu-satunya peringkat independen yang ada, model gambar berbobot terbuka dengan skor tertinggi bukanlah Klein dan sama sekali bukan model Black Forest Labs — melainkan Qwen-Image-3.0-Pro dengan skor 1093. Klaim bahwa Klein adalah yang terbaik di antara model berbobot terbuka karena itu tidak dibantah oleh papan publik tersebut. Klaim itu simplemente tidak ada di sana.

Letakkan delta milik BFL sendiri di samping papan publik

Ada cara untuk mendapatkan patokan kasar tanpa berpura-pura bahwa itu adalah pengukuran. BFL menyatakan peningkatannya sebagai delta terhadap FLUX.2 [klein] 9B, dan model yang lebih lama itu ada di papan publik. Jadi ambil skor publik dan tambahkan delta vendor:

• Teks-ke-gambar — FLUX.2 [klein] 9B pada 1026 di Artificial Analysis, ditambah +91 dari BFL, berada di sekitar 1117

Penyuntingan — FLUX.2 [klein] 9B pada 1015 di papan penyuntingan, ditambah +70 dari BFL, berada di sekitar 1085

Bacalah itu sebagai aritmetika, bukan sebagai prediksi. Delta Elo tidak dapat dipindahkan antar-harness. Jarak 91 poin yang diukur pada set prompt BFL tidak berpindah poin demi poin ke papan peringkat yang dibangun dari suara kerumunan atas gambar yang berbeda, dengan pemilih yang berbeda dan jendela pengambilan sampel yang berbeda. Latihan ini berguna hanya untuk skala: ini menunjukkan bahwa sebuah model akan berada di kisaran awal 1100-an dalam teks-ke-gambar, yang kira-kira merupakan posisi FLUX 3 Image saat ini dan tertinggal cukup jauh di belakang Nano Banana 2 pada 1139. Ini tidak menunjukkan bahwa sebuah model akan memuncaki bidang model berbobot terbuka dengan selisih besar, dan jelas tidak menunjukkan bahwa +91 itu berarti peringkat pertama secara keseluruhan.

Jika Anda ingin versi satu baris yang jujur: entri di kisaran rendah 1100-an kemungkinan besar akan menjadi model open-weight terbaik di papan itu, karena pemimpin saat ini di sana adalah 1093. Jadi arah klaim BFL masuk akal. Besarnya belum terverifikasi, dan selisihnya terhadap pesaing open-weight terdekat bisa jauh lebih kecil daripada yang disiratkan oleh framing peluncuran.

Apa yang kami lihat saat kami menjalankannya

Pengalaman kami sendiri dengan model ini mengarah pada sesuatu yang lebih spesifik daripada "model gambar open-weight terbaik." Kami telah menjalankan FLUX 3 Image Klein melalui API vendor, tanpa set prompt tetap atau rubrik penilaian, jadi anggap ini sebagai observasi, bukan hasil. Kemampuan yang paling menonjol adalah penyuntingan yang presisi dan terlokalisasi: mengubah satu objek dalam sebuah adegan, memindahkan elemen ke wilayah terbatas, atau menerapkan instruksi yang seharusnya membiarkan bagian lain dari frame tidak tersentuh. Kasus-kasus di mana hampir semuanya diperbolehkan berubah — restyle menyeluruh, perubahan pencahayaan secara keseluruhan — jauh lebih sulit dipisahkan dari generasi sebelumnya.

Itu adalah penekanan yang berlawanan dari sebagian besar argumen publik. Pembingkaian peluncuran berkisar pada apakah Klein dapat mengedit sama sekali, dan apakah ia mengalahkan model yang biayanya lima kali lipat. Pertanyaan yang lebih berguna bagi siapa pun yang mengerjakan pekerjaan produksi adalah apakah ia dapat mengeditsecara sempit. Suntingan yang presisi adalah saat kotak pembatas dan latar belakang yang dipertahankan benar-benar penting, saat model kecil entah mempertahankan sisa adegan atau diam-diam mengecat ulangnya, dan saat biaya mencoba lagi bukan hanya soal uang tetapi juga siklus peninjauan.

Penyuntingan adalah klaim yang pantas mendapatkan ujian terberat.

Dari tiga klaim peringkat pertama, penyuntingan adalah yang paling patut disikapi dengan skeptis, karena alasan struktural. Kualitas teks-ke-gambar secara umum mudah dinilai — orang banyak dapat melihat dua gambar dan memilih salah satunya. Kualitas penyuntingan bergantung pada kemampuan mengikuti instruksi, dan kemampuan mengikuti instruksi justru merupakan hal yang paling berpeluang membuat set prompt milik vendor sendiri tampak bagus. Jika prompt evaluasi Anda ditulis oleh orang-orang yang menyetel model, Anda mengukur irisan dua hal yang Anda kendalikan.

Ada juga detail pipeline yang memengaruhi setiap perbandingan yang dijalankan sendiri. Klein hadir dengan upsampler prompt terpisah — sebuah fine-tune 9B dari Qwen3.5-9B bernama flux-3-image-klein-pup — yang aktif secara default dan yang menurut BFL model tersebut tidak dimaksudkan untuk dijalankan tanpanya. Artinya, benchmark naif yang mengirim prompt apa adanya seperti yang diketik sedang mengukur sistem yang berbeda dari yang dievaluasi vendor. Setiap uji independen yang layak dibaca perlu menyatakan apakah upsampler aktif, karena checkpoint yang sama dapat menghasilkan output yang cukup berbeda tergantung jawabannya. Itu berarti banyak aspek metodologis yang harus dipertimbangkan untuk klaim yang saat ini hanya bertumpu pada satu slide dari satu lab.

Angka kecepatan tersebut milik NVIDIA

Satu rangkaian angka dalam rilis memiliki asal-usul yang berbeda dari klaim kualitas, dan patut diberi kredit secara semestinya. Angka latensi — kira-kira 4 detik untuk gambar 1MP pada RTX 5090 dalam INT8 pada 16 langkah, di bawah 9 detik pada RTX 4070, 0,55 detik pada GB300 — diukur oleh NVIDIA, dengan hasil RTX dijalankan melalui ComfyUI. Itu tetap merupakan pengukuran yang berkaitan erat dengan vendor, karena NVIDIA membantu membangun checkpoint terkuantisasi, tetapi itu adalah pengukuran perangkat keras, bukan penilaian preferensi, dan pengukuran perangkat keras jauh lebih mudah direproduksi. Jika Anda memiliki kartu tersebut, Anda dapat memeriksanya dalam satu sore.

Klaim VRAM 8 GB layak mendapat perlakuan yang sama. Itu benar untuk build generator INT8. Itu tidak benar untuk keseluruhan pipeline yang direkomendasikan, karena prompt upsampler adalah unduhan BF16 terpisah berukuran 18,8 GB yang membutuhkan memori sendiri. Pengguna yang membaca "berjalan pada 8 GB" lalu mengaktifkan pipeline default akan mengetahui klaim mana yang dibatasi cakupannya dan mana yang tidak.

Bagaimana cara memeriksa ini sendiri

Uji jujur termurah bukanlah papan peringkat. Uji itu adalah dua puluh prompt Anda sendiri, dijalankan dua kali — sekali dengan upsampler dan sekali tanpa — pada tugas yang benar-benar Anda pedulikan, dinilai berdasarkan apakah Anda akan mengirimkan keluarannya. Klein membuat ini luar biasa praktis karena bobotnya dapat diunduh dan lisensinya mengizinkan penggunaan komersial di bawah ambang pendapatan $5M, sehingga uji tersebut tidak memerlukan akun dengan siapa pun.

Untuk semua hal lainnya, lapisan routing adalah cara termurah untuk menjalankan prompt yang sama di endpoint beberapa vendor dengan satu kunci, dan itulah kegunaan OrcaRouter: satu API yang kompatibel dengan OpenAI untuk 200+ model, markup 0% dengan harga daftar penyedia yang diteruskan langsung, serta failover otomatis saat endpoint menurun. Perlu dinyatakan secara eksplisit bahwa ini bukan jalur menuju Klein. Katalog kami berisi 210 model dan sama sekali tidak memuat entri FLUX, jadi untuk model ini pilihan jujur saat ini adalah API milik BFL sendiri atau checkpoint yang di-hosting sendiri. Kami lebih memilih mengatakan itu daripada menyiratkan sebaliknya.

Apa yang bisa menyelesaikannya

Tiga hal, dengan urutan kegunaan yang meningkat. Pertama, Klein muncul sebagai entri tersendiri di papan independen — tidak digabung dengan FLUX 3 Image, yang merupakan model berbeda dengan harga berbeda. Kedua, entri itu bertahan setelah beberapa ribu suara, bukan hanya beberapa ratus, karena Elo awal pada model baru itu berisik dan cenderung menurun seiring memudarnya suara karena kebaruan. Ketiga, ada seseorang yang menerbitkan perbandingan penyuntingan yang mencantumkan pengaturan upsampler-nya, karena tanpa itu angka-angkanya tidak dapat dibandingkan secara setara.

Sampai saat itu, kalimat yang akurat lebih sempit daripada judulnya dan lebih berguna daripada kedua ekstrem tersebut. FLUX 3 Image Klein adalah model gambar open-weight 5,6B dengan harga $0,009 per 1.000 gambar yang berjalan di perangkat keras konsumen, yang menurut vendornya merupakan model open-weight terbaik dalam text-to-image, pembuatan multi-referensi, dan pengeditan. Paruh pertama kalimat itu terverifikasi. Paruh kedua adalah klaim dengan penulis yang disebutkan namanya, dan penulisnya adalah laboratorium yang membuatnya.