FLUX 3 Image Klein Prompt Upsampler: model 18,8 GB, który BFL wypuściło, nie nadając mu nazwy

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.

Co faktycznie zostało wydane, a która część nie została nazwana

Zacznij od dat, bo są dokładne. Repozytorium upsamplera zostało utworzone na Hugging Face 14 października 2026 o 20:40 UTC, a ostatni zapis do niego miał miejsce 15 października o 15:32 UTC — w tym samym oknie czasowym liczącym minuty co obsługiwane przez nie repozytoria FLUX 3 Image Klein. Post premiery jest datowany na 15 października. To zatem nie przeciek, nie zapowiedź i nie checkpoint, który ktoś trzyma dla siebie: to wydanie first-party opublikowane razem z modelem, do którego należy.

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.

• Strona modelu pod bfl.ai/models/flux-3-image-klein wymienia wersję niedestylowaną i destylowaną oraz opisuje dostęp przez API jako obejmujący „ulepszanie promptu”. Do tego brak repozytorium.

• Informacje o wydaniu z 15 października wymieniają wagi: Klein (destylowany), Klein Base i wagi ComfyUI. Upsampler nie znajduje się wśród nich.

• Dokumentacja API dla FLUX 3 Image Klein liczy 35 148 znaków. Wyszukiwanie bez rozróżniania wielkości liter dla „upsampl” zwraca zero trafień.

• Referencyjny kod wnioskowania na GitHubie to miejsce, w którym w końcu się pojawia — sekcja README zatytułowana „Prompt upsampling”, flaga --no-pup w interfejsie CLI, budżet --pup-memory oraz moduł flux3/pup.py. Co jest uczciwą odpowiedzią na pytanie „czy jest ukryty?”: nie. Jest udokumentowany, zintegrowany, działa domyślnie, a gdybyś sklonował repozytorium, natknąłbyś się na niego od razu.

To rozróżnienie ma znaczenie i łatwo je zatrzeć. To nie jest cicha premiera; to premiera, w której komponent z najbardziej liberalną licencją potraktowano jako element infrastruktury. Społeczność zauważyła to szybciej niż prasa — do 15 października na Hugging Face istniały już zewnętrzne kwantyzacje GGUF upsamplera, a organizacja lustrzana skopiowała wszystkie cztery repozytoria.

Czym tak naprawdę jest upsampler

Karta modelu wprost mówi o rodowodzie: to pełny fine-tuning modelu Qwen3.5-9B z zamrożoną wieżą wizyjną. Plik konfiguracyjny potwierdza kształt — 32 warstwy, stan ukryty o szerokości 4096, 16 głów uwagi względem 4 głów klucz-wartość, limit pozycji 262 144 tokenów i słownik liczący 248 320. Stos warstw nie jest jednorodny: trzy z każdych czterech warstw wykorzystują uwagę liniową, a co czwarta warstwa to warstwa pełnej uwagi. Wieża wizyjna ma 27 warstw głębokości przy szerokości 1152, rozmiar patcha 16 i scalanie przestrzenne 2. To model wizyjno-językowy z hybrydową uwagą obecnej generacji, a nie szablon promptu z doklejonym modelem językowym.

Na dysku jest to pojedynczy plik safetensors bfloat16 o rozmiarze 18,82 GB, plus tokenizer, szablon czatu i jeden plik, który jest ciekawszy niż pozostałe: system_prompts.json, 12,6 KB zawierający cztery kompletne prompty systemowe o nazwach t2i, i2i, t2i_bbox i i2i_bbox. Te cztery prompty to rzeczywisty interfejs modelu. Są też czytelne, co oznacza, że zachowanie upsamplera nie jest czarną skrzynką — można dokładnie odczytać, co miał robić, a potem sprawdzić, czy to zrobił.

Szkolenie przebiegało w dwóch etapach, zgodnie z kartą: nadzorowane dostrajanie na parach krótkich żądań i ich rozwiniętych promptów, a następnie dostrajanie preferencji na parach własnych wyników modelu, renderowanych przez FLUX 3 Image Klein przy ustalonym ziarnie i uszeregowanych na podstawie otrzymanego obrazu. To właśnie ten drugi etap jest godny uwagi. Upsampler nie był dostrajany do pisania promptów, które dobrze się czytają; dostrajano go na tym, które z jego własnych promptów dawały lepszy obraz, gdy model obrazowy je wykonywał. To metodologia raportowana przez dostawcę, a nie opublikowana ablacja, i nie istnieje żadna jej niezależna ocena.

Cztery tryby i to, jak potok wybiera jeden

Upsampler nie zawsze jest narzędziem tekst-na-obraz. To, jaki prompt systemowy ładuje, zależy od tego, co mu przekażesz, a reguła znajduje się w bbox.py:

• Be obrazów referencyjnych, bez ramek — prompt t2i. Rozszerza zapytanie do pojedynczego szczegółowego opisu.

• Obrazy referencyjne, bez ramek — prompt i2i. Przygląda się obrazom referencyjnym i zapisuje instrukcję edycji, która identyfikuje każdy obiekt odniesienia na podstawie tego, jak faktycznie wygląda. Niejasne żądanie jest odczytywane jako najbardziej prawdopodobna edycja dostarczonych obrazów.

• Podano prostokąty, tekst-na-obraz — monit t2i_bbox. Dane wyjściowe stają się podpisem, po którym następuje tabela elementów JSON, jeden wiersz na obiekt na kanwie od 0 do 1000, a podpis odwołuje się do każdego wiersza za pomocą identyfikatora w nawiasach kątowych.

• Ramki plus referencje — prompt i2i_bbox, który zwraca rekord adnotacji z polem from rozróżniającym treść pochodzącą z ref_image_N od treści oznaczonej jako target, plus ramkę w źródle i ramkę w wyobrażonym wyniku.

Twoje ramki wygrywają konflikt. Kod przekształca Twoje współrzędne z zakresu od 0 do 1 na siatkę od 0 do 1000, przekazuje je modelowi jako autorytatywną, zablokowaną listę, a następnie uzgadnia odpowiedź: każdy wiersz, który model zaplanował ponownie pod własnym identyfikatorem i który pokrywa się z zablokowaną ramką przy intersection-over-union wynoszącym 0,9 lub więcej, przejmuje zablokowany identyfikator, a zablokowane wiersze są zapisywane z powrotem dosłownie, z przyjętym opisem modelu. Twój układ nie jest propozycją, którą model może ulepszyć.

Dekodowanie jest ustalone i warto je skopiować, jeśli wywołujesz je samodzielnie: greedy, top-p 0,95, top-k 20, limit 3584 nowych tokenów oraz kara za obecność (presence penalty) wynosząca 1,5 dla text-to-image wobec 0,0 dla edycji. Ta asymetria jest celowa — kara istnieje po to, by powstrzymać generator podpisów przed powtarzaniem się, a instrukcja edycji, która zasadnie wspomina ten sam obiekt dwukrotnie, nie powinna być za to karana.

Czego wymagają prompty — i dlaczego Twoje prompty wyglądają tak, jak wyglądają

Prompt systemowy t2i to najprzydatniejszy dokument w tym wydaniu dla każdego, kto uznał zachowanie FLUX 3 Image Klein za dziwne. Niektóre z jego instrukcji bezpośrednio wyjaśniają styl wyników generowanych przez model:

• Długość. „Typowa długość to od 100 do 350 słów, więcej w przypadku złożonych scen”. Upsampler nie kompresuje ani nie streszcza twojego promptu. Rozszerza go o mniej więcej rząd wielkości, a model obrazu był trenowany na opisach mieszczących się w tym zakresie.

• Każda osoba w centrum uwagi otrzymuje profil. Pochodzenie etniczne, płeć, przedział wiekowy, odcień skóry, włosy i ubranie — jako obserwowalne cechy. W prompcie podano przykłady „jasna skóra” i „brązowa skóra”.

• Tło zajmuje około jednej szóstej podpisu.Jawnie. Polecenie wymaga również, aby nieostre i odległe treści opisywać jako kształty, kolory i sylwetki, a nie jako tożsamości lub czytelny tekst.

• Domyślny styl to fotografia. Bez określonego stylu model planuje rzeczywiste zdjęcie i rozpoczyna od konwencji medium — „Pełnokolorowe zdjęcie plenerowe”, „Zdjęcie studyjne” — rezerwując „Fotorealistyczne” dla renderów. Prośba o coś „realistycznego” jest przekształcana w konwencję fotografii, a nie powtarzana z powrotem.

• Zakazy. Żadnych przysłówków osłabiających. Żadnych ocen jakości lub emocji. Żadnego zdania zamykającego o nastroju. Przeczenia przeformułowuje się na stwierdzenia tego, co jest obecne. Głos generatywny jest obowiązkowy: „ten obraz pokazuje” i „możemy zobaczyć” są całkowicie zabronione.

• Anty-fotografia stockowa. Prompt prosi o „kilka zwyczajnych, nieidealnych szczegółów zaczerpniętych z samych obiektów sceny zamiast stockowego ideału”. To instrukcja, by obrazy były mniej generyczne, wpisana w prompt systemowy.

• Obsługa tekstu. Wyrenderowany tekst musi zostać przepisany dosłownie w podwójnych cudzysłowach w swoim oryginalnym języku i piśmie, z zachowaniem podziałów wierszy, określoną typografią, kolorem i umiejscowieniem. Jeśli żądanie wymaga tekstu, którego nie dostarczono, model tworzy konkretne, poprawne dziedzinowo sformułowania.

Skonfrontuj tę listę z rozczarowującym wynikiem generowania, a zwykle potrafisz ustalić, której regule nie dano wystarczająco dużo, by mogła zadziałać. Płaski portret z pustym tłem to żądanie, w którym nie ma sceny, oświetlenia ani żadnych zwykłych szczegółów. Prompt, który model następnie i tak rozbudował, wypełniając lukę ogólnym planem wybranym przez siebie.

Ile kosztuje cię to pod względem pamięci i czasu

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:

• Dysk — 18,82 GB dla wag bfloat16, w porównaniu z 11,1 GB dla własnych plików safetensors destylowanego modelu obrazu i około 11 GB dla wersji podstawowej.

• 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.

• Wyłącznik to jedna flaga. --no-pup wysyła Twój prompt tak, jak został wpisany. Demo ma ten sam przełącznik, a upsampling promptów w hostowanym API jest częścią endpointu, a nie osobną pozycją w opublikowanym cenniku: $0.008 przy 768 w formacie kwadratowym, $0.009 przy 1K, $0.011 przy 1,5K, $0.014 przy 2K i $0.036 przy 4K, przy czym generowanie i edycja są wycenione tak samo.

• Referencje są skalowane w dół, zanim zobaczy je upsampler. Jedna referencja ma limit około jednego megapiksela; dwie dostają po 724 na 724 piksele; trzy lub więcej dostają po 512 na 512 pikseli, po czym są ponownie kodowane do JPEG w jakości 92. Karta modelu wymienia to wprost jako ograniczenie — drobne szczegóły w referencji mogą zostać opisane błędnie — i to jest mechanizm stojący za konkretnym błędem, który możesz odtworzyć: poproś o edycję zależną od drobnego nadrukowanego szczegółu, a instrukcja może wrócić z opisem niewłaściwej rzeczy, ponieważ upsampler nigdy nie zobaczył go w pełnej rozdzielczości. Model obrazu otrzymuje twój oryginał.

Licencja to część, o którą warto się spierać.

Oto asymetria, ujęta wprost. Wagi FLUX 3 Image Klein są objęte licencją FLUX Kommunity License, która zezwala na bezpłatne wykorzystanie komercyjne wyłącznie osobom fizycznym i firmom o rocznych przychodach poniżej 5 mln USD, a większe organizacje kieruje do licencjonowania self-hosted lub do API. Gdy zostanie wszczęte zapytanie o licencję komercyjną dotyczące produktu, model, który dostarczasz, nie jest jedynym artefaktem objętym zakresem.

Cztery repozytoria wchodziły w skład tego wydania. Trzy z nich — model destylowany, model bazowy i wagi ComfyUI — są oznaczone przez API Hugging Face jako gated: auto, co oznacza, że musisz zaakceptować warunki, zanim będziesz mógł pobrać pliki. Jedno nie jest w ogóle objęte mechanizmem gated i ma licencję Apache License 2.0: upsampler promptów. Jest to również jedyne z czterech, którego karta modelu wprost podaje permisywną licencję, a własny README repozytorium referencyjnego wyraźnie to rozgranicza — kod jest na licencji Apache 2.0, wagi Klein są objęte licencją FLUX Kommunity, a „upsampler promptów jest na licencji 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.

Co jest potwierdzone, a co nie

Potwierdzone na podstawie repozytorium i Hugging Face API, a wszystko to można ponownie sprawdzić: wykaz plików i rozmiary w bajtach, licencja Apache 2.0, brak bramki dostępu, baza Qwen3.5-9B, cztery prompty systemowe i ich pełny tekst, parametry dekodowania, referencyjny budżet przetwarzania wstępnego, zachowanie uzgadniania ramek, opis dwuetapowego treningu oraz opublikowane ograniczenia.

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.

Otwarte również: liczby w samym repozytorium są niewielkie. Trzynaście pobrań i dziesięć polubień w przypadku upsamplera, wobec 3 241 pobrań i 128 polubień w przypadku destylowanego modelu obrazu, dwadzieścia cztery godziny po premierze. To nie jest dowód, że model jest nieistotny — to dowód, że prawie nikt nie wiedział, że tam jest.

Gdzie OrcaRouter pasuje, a gdzie nie

Najpierw szczera wersja: OrcaRouter nie hostuje żadnego modelu Black Forest Labs. Katalog zweryfikowano, a nie przyjęto z założenia, i nie ma w nim żadnego wpisu FLUX. Nic poniżej nie sugeruje innego stanu rzeczy.

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.

Warto jednak precyzyjnie określić ograniczenie tej rady. Jeśli rzeczywiście chcesz dostroić upsampler na licencji Apache 2.0, potrzebujesz wag na własnym sprzęcie oraz środowiska uruchomieniowego, które obsłuży 9B model wizyjno-językowy. OrcaRouter nie zajmuje się tą częścią, a powyższą kwestię licencyjną musisz rozstrzygnąć samodzielnie.

Co uczyniłoby z tego większą historię?

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.

Do tego czasu praktyczna interpretacja jest wąska i mało efektowna. Ponieważ model obrazu do pobrania ma ograniczony dostęp, a jego licencja zawiera próg przychodowy, większość osób, które chcą budować na FLUX 3 Image Klein, zacznie od API, gdzie upsampler nie jest decyzją, którą się podejmuje — to coś, co robi endpoint, wliczone w cennik zaczynający się od $0.008 za obraz. Osobami, które powinny zwrócić uwagę na repozytorium, są ci, którzy hostują samodzielnie, a dla nich użytecznym faktem w tym tygodniu jest po prostu to, że element wydania objęty najbardziej liberalną licencją jest także tym, o którym nikt im nie powiedział.

Dla modelu, którego tryby awarii wciąż nie są udokumentowane, przydatnym odpowiednikiem jest zapis tego, co już poszło nie tak gdzie indziej: udokumentowane incydenty AI i awarie agentów wokół modeli tej klasy są zebrane w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, wagę, stopień pewności i flagę sporną.