FLUX 3 Image Kleinが登場：56億パラメータ、8GBのVRAM、そしてライセンスに500万ドルの条項

Black Forest LabsはFLUX 3 Image Kleinを2026年10月15日に公開した：5.6Bパラメータのオープンウェイト画像モデルで、flux-3-image-klein/ という従量制エンドポイントとして同社のAPIでも動作し、1K画像あたり$0.009から。それはより大規模なFLUX 3 Imageの下位に位置し、そのモデルの看板機能 — ネイティブ4K出力、最大10枚の参照画像、要素を配置または編集するためのバウンディングボックス — を、1K価格の約5分の1、フットプリントのほんの一部で実現する。これらはローンチ時の主張であり、重み、ライセンス、価格表と照合して確認できる。まだ確認できないのは、ほとんどの購入を左右する唯一の主張、すなわち5.6Bモデルが品質でより大規模なオープンウェイト競合を上回るという主張である。

このリリースに含まれる品質の数値は、すべて Black Forest Labs の社内から出たものだ。同社の外部でベンチマークを公開した人は誰もおらず、公開リーダーボードにもまだ Klein のエントリーはない。登場から1日のモデルとしては普通のことだが、これは最初に明言しておく価値がある。というのも、本記事の残りは、ファイルサイズ、画像1枚あたりの料金、ライセンスのしきい値といった具合に異例なほど具体的であり、品質の問いはそれらすべてとは別に位置しているからだ。

10月15日に実際にリリースされたのは何ですか？

この発表のタイトルはFLUX 3 Image Klein: open weights, 5.6B parametersで、単一のチェックポイントの公開ではなく、完全なリリース内容を列挙している：

• Two checkpoints. Klein Base is undistilled bfloat16, runs 50 steps at guidance 3.5, and is the one meant for fine-tuning, LoRA training and research. Klein distilled is bfloat16 at 16 steps with no guidance, and is the checkpoint behind the B​FL API.

• Three quantisation formats. FP8 and NVFP4 builds ship alongside the BF16 transformer in the main repository, with an INT8 build developed with N​VIDIA support. The ComfyUI repackaging carries INT8 versions of both the transformer and the text encoder.

• 1つのモデルで3つのタスクをこなします。 テキストからの画像生成、単一参照の編集、複数参照の合成が同じ重みで実行されます。参照画像は構造を固定するのではなく内容を支える役割を果たし、最大10枚まで受け付けます。

• Bounding boxes on a 0–1000 grid. Each element gets a box and a description, written as [top, left, bottom, right]/, and the box can either place a new element or confine an edit to a region. B​FL is explicit in the model card that boxes guide placement and scale rather than constraining pixels to a hard mask — small requested elements may not appear at all, and an element can extend past its box.

• Day-one runtime support in ComfyUI, Hugging Face Diffusers, TensorRT-LLM, SGLang Diffusion and vLLM-Omni, plus LoRA training through Ostris's AI Toolkit and recipes in N​VIDIA NeMo AutoModel. The model was trained on N​VIDIA GB200 NVL72.

リポジトリは発表前に公開されていた——ベースリポジトリと蒸留リポジトリが作成されたのは10月13日、ComfyUI と prompt-upsampler のリポジトリは10月14日——そしてローンチ投稿、APIエンドポイント、料金ページはいずれも15日に続いた。img src="2.png" alt="black-forest-labs/flux-3-image-klein の Hugging Face リポジトリページをヘッドレスブラウザでキャプチャしたもの。ライセンス承諾ゲート、flux-kommunity-license バッジ、モデルサイズは 6B パラメータでテンソル型は BF16、先月のダウンロード数 3,241、いいね 219 が表示され、モデルツリーにはアダプターとファインチューンが列挙されている。2026年10月16日に英語でキャプチャ。" />

8 GBという主張、そしてそれを測定したのは誰か

"Runs on a single consumer GPU" is the sentence that will get quoted most, and B​FL does give it a number: with the INT8 build, Klein runs on GeForce RTX GPUs with as little as 8 GB of VRAM through ComfyUI or Diffusers. The generator weights themselves are 11.2 GB in BF16 and 5.6 GB in FP8, per the blog post.

The speed figures come from N​VIDIA, not from Black Forest Labs, and they are specific about the setup: the step-distilled model with the INT8 build produces a 1 MP image in about 4 seconds on an RTX 5090 and under 9 seconds on an RTX 4070, measured in ComfyUI. On a GB300 running NVFP4, the same distilled model lands under 0.6 seconds. Serving a LoRA adds roughly 5% to generation time.

One structural caveat sits in the latency chart B​FL published alongside the numbers, and the post discloses it itself: Klein was timed on B​FL's own servers, while the compared models — Q​wen-Image 2.1, FLUX.2 [pro], I​deogram V4.5 and K​rea 2 — were timed from the client, which includes polling and network time. The RTX figures are N​VIDIA's ComfyUI measurements. Neither set is an independent benchmark of quality.

品質の主張は、正直なところ、どこまで通用するのか

B​FL's position is that Klein "ranks first in text-to-image, multi-reference generation and image editing, ahead of larger open weights models" in its internal evaluations, and that it rates above the closed models in its comparison. Against its own previous small model, FLUX.2 [klein] 9B, B​FL reports a gain of 91 Elo in text-to-image and 70 in image editing with 38% fewer parameters.

Those are vendor-reported and unreproduced. Two details make them easier to weigh. First, the comparison set: 7B for Q​wen-Image 2.1 and 12.9B for K​rea 2, with parameter counts taken as each publisher reports them and text encoders excluded from every count — the same accounting that makes Klein "5.6B" while shipping an 8.9 GB Qwen3-VL-4B-Instruct text encoder next to it. Second, the model B​FL did not put in the chart: FLUX 3 Image, the larger sibling, is absent from its own smaller model's comparison. There is no published number anywhere saying how far Klein sits below it.

Independent boards have not caught up. As of 16 October, Artificial Analysis carries an entry for FLUX 3 Image on its text-to-image board and none for Klein, so there is no third-party Elo for the model at all. The first number that does not come from B​FL will be the interesting one.

費用はいくらか、そして曲線がどのように曲がるか

The API rate is the sharpest thing in the release. On B​FL's published image pricing, the distilled Klein checkpoint is:

• 768 × 768 — 画像1枚あたり$0.008

• 1K — 画像1枚あたり$0.009

• 1.5K — 画像1枚あたり$0.011

• 2K — 画像1枚あたり$0.014

• 4K — 画像1枚あたり$0.036

同じ表では、これら5つのティアについて FLUX 3 Image の価格を $0.041、$0.048、$0.07、$0.10、$0.607 としています。これは1Kで5.3倍、4Kではおよそ17倍の差であり、Klein を選ぶ商業的な根拠のすべてです。大量の4Kテキスト画像生成がワークロードなら、小さいモデルは我慢すべきダウングレードではなく、桁が変わる費用項目です。

エントリー価格ではなく、曲線の形に注目してください。Klein の最安プランは $0.008 ですが、料金は 2K までほぼ横ばいで、4K では 2.6× に跳ね上がります。一方、FLUX 3 Image は 6× 以上跳ね上がります。出力が 1K なら、両モデルは価格が十分近いため、品質で決めるべきです。4K なら、両者は同じ土俵では語れません。

ライセンスが、実際に出荷できるかどうかを決める。

Weights under the FLUX Kommunity License v1.0 are free for non-commercial use, and the licence grants a commercial-output exception to "Qualifying Users" — individuals and companies with under US$5M in gross annualized revenue. Above that line, deploying Klein commercially means a self-hosted licence from B​FL or going through the API.

文言を注意深く読んでください。その2つの要約は対象範囲が異なっているからです。ローンチ記事は「年間売上高500万ドル未満の個人および企業による無償の商用利用」と説明しています。モデルカードは同じ例外を、適格ユーザーによる商用出力生成を対象とするものとして位置づけ、さらに「商用のファインチューニングや配布を包括的に許可するものではない」と付け加えています。独自データでKleinをファインチューニングし、その結果得られたモデルを製品内に組み込んで提供する計画のチームにとって、ローンチ記事はその問いに答える文書ではありません。完全なライセンス本文こそが答えです。

Klein を中心にデータパイプラインを設計する前に知っておく価値のある条項もある。ライセンスは、モデル、その派生物、またはその出力を、FLUX モデルと同様の機能を実行する別の AI モデルの改善に使用することを制限している。競合する画像モデルをトレーニングするための合成データ生成は、まさにこの条項が想定しているケースだ。

絶対に飛ばしてはいけないたった一つのこと

Klein does not take short prompts. Both the model card and B​FL's page say the same thing in different words: it expects full scene captions covering framing, subject, background and lighting, and a one-line request sent as typed returns generic output. The reference implementation therefore runs a prompt upsampler before every generation — text-to-image and editing alike — and the model card is blunt about it: Do not use the model without a prompt upsampler.

The cost of that is real. B​FL's upsampler, flux-3-image-klein-pup/, is a separate 18.8 GB download in BF16 and adds about 28 GB of GPU memory on an 80 GB card when it runs alongside the generator. The documented opt-out is to supply your own: any LLM can take its place if you feed it B​FL's system prompt and pass the caption it returns. For anyone planning an on-device or low-VRAM deployment, the upsampler is the piece that quietly breaks the 8 GB budget, and the fix is to run captioning somewhere else and send Klein the finished caption with the prompt-as-typed flag.

それに取りかかること、そして次に何が起こるか

重みはHugging Face上にライセンス同意ゲート付きで公開されており、同一組織内に参照用の推論コードと、バウンディングボックス制御用のGradioデモも用意されています。ホスト型エンドポイントはベンダー自身のAPIです。Kleinは現在OrcaRouterのカタログには含まれていないため、当社がここでルーティングできるものは何もなく、そうでないかのように示唆するよりも、率直にそう伝えたいと考えています。OrcaRouterが提供するのは、実際の画像パイプラインのもう半分です。つまり、カタログに掲載されているホスト型画像モデルは、200以上の他のモデルとともに1つのキーの背後に位置し、プロバイダーの定価を0%のマークアップでそのまま適用し、あるプロバイダーが不安定になれば自動フェイルオーバーも行われます。Kleinを大量の4K作業用に実行し、インタラクティブな経路にはホスト型モデルを呼び出すというチームの運用は、まさに単一のエンドポイントが想定している分割そのものです。

What to watch over the next fortnight is narrower than usual. Three things would settle the open questions: an independent Elo for Klein, ideally on the same board as the Q​wen and K​rea models B​FL benchmarked itself against; a reported memory figure for the INT8 build with the upsampler actually in the loop, rather than the generator alone; and a first look at what fine-tunes do to the model's behaviour, given that LoRA training was supported on day one and the licence has opinions about what those fine-tunes may be used for. Until the first of those lands, treat every quality comparison — including the one in this article — as a vendor's own chart.

ベンチマークは古び、価格は動くが、失敗の記録は動かない。このクラスのモデルの背後にある、記録に残されたAIインシデントとエージェントの失敗はOrcaRouter AI Incident Archiveに集められており、各エントリには独自の情報源、重大度、信頼度グレード、係争中フラグが付いている。