FLUX 3 Image Klein、オープンウェイトの中で1位——ただし、それは開発元自身が描いたスコアボード上での話

その数字は今やどこにでもある。FLUX 3 Image Kleinはオープンウェイトモデルの中でテキストから画像生成で1位、複数参照生成で1位、画像編集で1位となり、パラメータ数が38%少ないながら、旧モデルFLUX.2 [klein] 9Bをテキストから画像生成で91 Elo、画像編集で70 Elo上回った。これらはBlack Forest Labsの発表記事にも、まとめ記事にも、ソーシャルカードにも載っている数字だ。見落とされがちなのは、元の情報源でこれらの数字に添えられている一文である。これらは社内評価だ。

それはスキャンダルではない。ほぼすべての画像モデルがローンチ時にそうしていることであり、他の誰かが重みを手にする前にラボが実行できる唯一の比較だ。だがそれは、読者がランキングをどう扱うべきかを変える。FLUX 3 Image Klein は実際にリリースされている——56億パラメータ、オープンウェイト、2026年10月15日に FLUX Kommunity License の下で公開され、BFL 自身の API で1K画像あたり0.009ドルで呼び出せる。まだ存在しないのは、Black Forest Labs 以外の誰かによるスコアだ。モデルは実在するが、リーダーボード上の位置は主張にすぎない。

そのリリースが実際に確立したもの

成果物とマーケティングは切り分けて考えよう。両者では重みが違うからだ。成果物は今日、誰でも、GPUなしで検証できる：

• 重み — 5.6Bパラメータの画像生成器。ファインチューニング用のベースチェックポイントと、レイテンシ向けの16ステップ蒸留チェックポイントを備えています

• 精度別ビルド — BF16 は 11.2 GB、FP8 は 5.6 GB、さらに NVIDIA で作成された INT8 および NVFP4 ビルド

• ライセンス — FLUX Kommunity License：年間売上500万ドル未満の個人および企業は商用利用無料。それを超える場合は有償のセルフホストライセンス、または上記のAPIをご利用いただけます

• 機能 — テキストからの画像生成、編集、最大10枚の参照画像を用いたマルチリファレンス生成、ネイティブ4K、バウンディングボックス制御

• 価格 — ベンダーAPIでは画像1Kあたり$0.009、その上に2Kティアがあります

• ツール — Diffusers、Ostris AI Toolkit、NVIDIA NeMo AutoModel 向けの LoRA トレーニングレシピ

そのすべてはリポジトリとドキュメントにあります。そのどれも、ベンチマークが真であることに依存していません。モデルは何かで最高でなくても、小さく、速く、ライセンス可能で、ダウンロード可能であり得ますし、そうした特性はそれ自体に価値があります。

このリリースが明らかにしなかったのは、相対的な品質だ。発表記事は本文中に正確なスコアを記載するのではなくEloチャートを示しているため、Kleinとその比較対象群との正確な差は完全には引用することすらできない——棒グラフは読めても、数値は読めない。名前が挙げられている比較対象は7BのQwen-Image 2.1と12.9BのKrea 2で、Krea 2は編集をサポートしていないため編集比較から除外されている。これらは妥当な対照ではある。だが依然として研究所自身の対照であり、研究所自身のハーネスで、研究所が選んだプロンプトによるものだ。

「サードパーティ」という言葉は、本来負うはずのない役割を果たしている。

今回のリリースに関する報道の多くは、ランキングを第三者によるベンチマークとして説明している。しかし、実際はそうではない。独立系のリーダーボード上の項目を検索しても、見つかるのはベンダーのブログ投稿と、それを焼き直した十数件の記事だけであり、それらの焼き直し記事は、但し書きを引き継ぐことなく、その論調だけを引き継いでいる。

画像モデルに関する最も有用な公開ボードはArtificial Analysisで、人間によるペア比較の選好投票から得られるEloで順位付けしています。そのテキスト-to-画像ボード、バージョン2.1は、2026年10月16日時点で、42件のエントリが表示されています。GPT Image 2.5 Sunburstが1218で1位です。Nano Banana 2は1139で7位です。FLUX 3 Imageは1114で13位、5,766サンプル、ボードによる価格は1000画像あたり$48です。FLUX.2 [klein] 9B — BFLの比較におけるベースライン — は1026で26位です。

FLUX 3 Image Kleinはそのボードには載っていません。ローンチ時も、その8日後もです。「FLUX 3 Image」と表示された項目は別製品です。それはより大型のAPI専用の兄弟モデルであり、ボード上の1,000枚あたり48ドルという数字は、Kleinの9ドルではなく、そのモデルの公表レンジと一致します。これが重要なのは単純な理由からです。現存する唯一の独立系ランキングでは、最高スコアのオープンウェイト画像モデルはKleinではなく、Black Forest Labsのモデルでもまったくありません——それは1093のQwen-Image-3.0-Proです。したがって、Kleinがオープンウェイトの中で首位だという主張は、公開ボードによって反証されているわけではありません。単にそこに存在しないだけなのです。

BFL自身のデルタを公開ボードの隣に置く

それが測定値であるふりをせずに、おおよその見当をつける方法はある。BFLは自社の改善幅をFLUX.2 [klein] 9Bに対する差分として示しており、その旧モデルは載っている。公開ボードに。では、公開スコアにベンダーの差分を足せばいい：

• テキスト・トゥ・イメージ — Artificial Analysisで1026のFLUX.2 [klein] 9Bは、BFLの+91を加えると1117近くまで達する

• 編集 — 編集ボードではFLUX.2 [klein] 9Bが1015、さらにBFLの+70を加えて1085近くに達する

それは予測ではなく算術として読んでください。Elo差はハーネス間で移植できるものではありません。BFLのプロンプトセットで測定された91ポイントの差は、異なる画像に対する異なる投票者によるクラウド投票と、異なるサンプリング期間で構築されたリーダーボード上に、ポイント単位でそのまま移行するわけではありません。この試算が有用なのは規模感だけです。テキストから画像生成では1100台前半に位置するモデルを示唆しており、それはFLUX 3 Imageがすでに位置するあたりで、1139のNano Banana 2には余裕をもって及ばない水準です。これはオープンウェイト分野を大差で首位に立つモデルを示唆するものではなく、+91が総合1位に相当することを示唆するものでも決してありません。

正直に一行で言えば、低1100台のエントリーは、そのリーダーボードで最高のオープンウェイトモデルになる可能性が非常に高い。現在のトップは1093だからだ。つまり、BFLの主張の方向性はもっともらしい。規模は未検証であり、最も近いオープンウェイトの競合との差は、ローンチ時の見せ方が示唆するよりずっと小さいかもしれない。

実際に動かして分かったこと

私たち自身がこのモデルについて得た経験は、「最高のオープンウェイト画像モデル」というよりも、もっと具体的な点を示している。私たちはFLUX 3 Image KleinをベンダーのAPI経由で実行したが、固定のプロンプトセットや採点基準は用いていない。したがって、これは結果ではなく一つの観察として扱ってほしい。際立っていた能力は、精密で局所的な編集だった。シーン内の単一のオブジェクトを変更すること、要素を限定された領域へ移動させること、あるいはフレームの残りを変えないはずの指示を適用することなどだ。ほぼすべてが変わってよいケース、つまり全面的なリスタイルや照明の一括変更は、前世代との区別がはるかに難しかった。

それは世間の議論の大半とは逆の強調点だ。ローンチ時の枠組みは、Kleinがそもそも編集できるのか、そして5倍のコストがかかるモデルに勝てるのかという話だ。制作作業をする人にとってより有用な問いは、それが編集を狭い範囲で行えるかどうかだ。正確な編集では、バウンディングボックスと保持された背景が実際に重要になり、小規模モデルがシーンの残りを保持するのか、それとも静かに描き直してしまうのかが問われ、リトライのコストは金銭だけでなくレビューサイクルでもある。

編集とは、最も厳しい検証に値する主張である。

首位を主張する3つのうち、最も懐疑的に見るべきは編集です。これには構造的な理由があります。テキストから画像を生成する品質は、おおむね誰にでも判別できます。群衆が2枚の画像を見て、どちらかを選べるのです。編集品質は指示追従性に左右され、指示追従性こそ、ベンダー自身のプロンプトセットが最もよく見せられるものにほかなりません。評価用プロンプトをモデルの調整を行った人々が書いたのであれば、あなたは自分が制御できる2つのものの共通部分を測っていることになります。

パイプライン上の詳細で、自前で実行するあらゆる比較に影響するものがある。Klein には別個のプロンプト・アップサンプラーが同梱されている。これは Qwen3.5-9B を 9B でファインチューンした flux-3-image-klein-pup というもので、デフォルトで有効になっており、BFL によればモデルはこれなしで動かすことを想定していない。つまり、入力どおりにプロンプトを送る素朴なベンチマークは、ベンダーが評価したシステムとは別のシステムを測定していることになる。読む価値のある独立系テストは、アップサンプラーが有効だったかどうかを明記する必要がある。同じチェックポイントでも、その答え次第で出力が目に見えて変わることがあるからだ。現時点では1つのラボのスライドに支えられているだけの主張にしては、方法論上検討すべき点がかなり多い。

速度の数値はNVIDIAに帰属します

リリースに含まれる数値のうち一組は、品質に関する主張とは出自が異なっており、適切に評価する価値がある。レイテンシの数値——RTX 5090でINT8・16ステップの場合に1MP画像あたり約4秒、RTX 4070で9秒未満、GB300で0.55秒——はNVIDIAが測定したもので、RTXでの結果はComfyUI経由で実行されている。NVIDIAが量子化チェックポイントの作成を支援しているため、これは依然としてベンダーに近い立場での測定ではあるが、嗜好の判断ではなくハードウェアの測定であり、ハードウェアの測定はずっと再現しやすい。カードを持っていれば、午後半日で確認できる。

8 GB VRAMという主張にも同じ扱いが必要だ。それはINT8ジェネレータービルドには当てはまる。しかし、推奨パイプライン全体には当てはまらない。なぜなら、プロンプトアップサンプラーは別途18.8 GBのBF16ダウンロードであり、独自のメモリを必要とするからだ。「8 GBで動作する」と読んでからデフォルトのパイプラインを有効にするユーザーは、どの主張が範囲を限定されていて、どれがそうでなかったかを知ることになる。

これを自分で確認する方法

最も安上がりで誠実なテストはリーダーボードではない。それは自分のプロンプトを20個、実際に重視するタスクで2回——アップサンプラーありとなしで1回ずつ——実行し、その出力を出荷するかどうかで採点するものだ。Kleinはこれを異例に実用的にしてくれる。重みがダウンロード可能で、ライセンスが売上$5M未満の商用利用を許諾しているため、このテストには誰かのアカウントも必要ない。

それ以外のすべてについては、ルーティングレイヤーが、同じプロンプトを複数ベンダーのエンドポイントで1つのキーの下に実行する最も低コストな方法です。OrcaRouterはまさにそのためのもので、200以上のモデルを1つのOpenAI互換APIで扱え、マークアップは0%でプロバイダーの定価をそのまま反映し、エンドポイントが劣化した際には自動フェイルオーバーを行います。明確にしておきたいのは、これはKleinへの経路ではないということです。当社のカタログは210モデルで、FLUXの項目は一切含まれていないため、このモデルについて現時点で正直に示せる選択肢は、BFL自身のAPIかセルフホストのチェックポイントです。そうでないかのように示唆するより、はっきりそう伝えたいと考えています。

何がそれを決着させるのか

有用性の低い順に3つ。第一に、Kleinが独立系ボードでFLUX 3 Imageと統合されず、独自のエントリとして表示されること。FLUX 3 Imageは価格も異なる別モデルだ。第二に、そのエントリが数百票ではなく数千票を獲得して残ること。新しいモデルの初期Eloはノイズが多く、目新しさへの投票が薄れるにつれて下がりやすいからだ。第三に、編集比較を公開する人がアップサンプラー設定を明記すること。それがなければ数値は比較できないからだ。

それまでは、正確な一文は見出しより狭く、どちらの極端よりも有用だ。FLUX 3 Image Klein は、1K画像あたり$0.009で、コンシューマー向けハードウェアで動作する5.6Bのオープンウェイト画像モデルであり、そのベンダーは、テキストto画像、マルチリファレンス生成、編集において最高のオープンウェイトモデルだと報告している。その文の前半は検証済みだ。後半は著者が明示された主張であり、その著者はそれを作ったラボである。