FLUX 3 Image Klein vs FLUX 3 Image Klein Pup: model kontra jego własny autor promptów

Nazwa w repozytorium zachęca do porównania, które nie istnieje. FLUX 3 Image Klein i FLUX 3 Image Klein Pup wyglądają jak dwa modele z jednej rodziny — tak, jak każda inna strona „vs” na tym blogu zestawia dwa generatory o różnych mocnych stronach. Nie są tym. FLUX 3 Image Klein to model generowania obrazów 5,6B, który wydano 15 października 2026 r. FLUX 3 Image Klein Pup — zatytułowany „Prompt Upsampler” na swojej karcie modelu — to model językowy 9B, którego całym zadaniem jest przepisywanie twojego krótkiego promptu na długi, szczegółowy opis, jaki model obrazu został wytrenowany przyjmować.

Zatem prawdziwe pytanie nie brzmi, który z nich jest lepszy. Brzmi ono, czy drugi jest opcjonalny. Black Forest Labs twierdzi, że nie: karta modelu wprost stwierdza, że Klein „nie jest przeznaczony do działania bez prompt upsamplera przed nim” oraz że krótki prompt wysłany dokładnie tak, jak został wpisany, daje ogólny wynik. To właśnie to twierdzenie warto przeanalizować, ponieważ jego przyjęcie zmienia budżet pamięci, opóźnienie, obowiązki licencyjne i — w jednym konkretnym przypadku — precyzję Twoich edycji.

Czym tak naprawdę jest każde z tych dwóch

Podział jest czystszy, niż sugeruje nazewnictwo. Jeden model ma funkcje wizyjne, drugi nie, a tylko jeden z nich kiedykolwiek dotyka piksela.

• Rola — Klein generuje i edytuje obrazy; Pup generuje tekst i nigdy niczego nie renderuje

• Parametry — 5,6 mld dla generatora, 9 mld dla upsamplera, więc model pomocniczy jest większy

• Pochodzenie — Klein to model obrazu z linii FLUX 3; Pup to pełny fine-tuning Qwen/Qwen3.5-9B, który sam wywodzi się z Qwen3.5-9B-Base

• Wagi na dysku — 11,2 GB w BF16 i 5,6 GB w FP8 dla Klein; 18,8 GB dla safetensors Pup w BF16

• Licencja — FLUX Kommunity License dla Klein, z progiem przychodów wynoszącym 5 mln USD; Apache 2.0 dla Pup

• Dane wejściowe — Klein przyjmuje tekst, obrazy referencyjne i ramki ograniczające; Pup przyjmuje to samo żądanie oraz do 10 obrazów referencyjnych i zwraca jeden prompt

• Wyjście — piksele kontra tekst angielski

{{1}}Ten ostatni wiersz to ten, który ludzie przeoczają.{{/1}} {{2}}Język wyjściowy Pup to zawsze angielski, nawet gdy żądanie wejściowe jest w innym języku.{{/2}} {{3}}Jeśli Twój potok rejestruje prompty do przeglądu, prompt, który widzi recenzent, nie jest promptem, który wpisał użytkownik.{{/3}}

Liczba 8 GB nie przetrwa domyślnego potoku.

Główne twierdzenie dotyczące sprzętu w przypadku Klein jest takie, że wersja INT8 działa na karcie RTX z zaledwie 8 GB VRAM. To twierdzenie dotyczy generatora i samo w sobie wydaje się zasadne — skwantyzowany checkpoint jest do tego przystosowany, a opublikowane razem z nim pomiary czasu wykonała NVIDIA.

Teraz dodaj domyślny pipeline. Wagi Pup mają 18,8 GB w BF16 przed jakimkolwiek narzutem środowiska uruchomieniowego. Nie da się zmieścić 18,8 GB wag w 8 GB VRAM. Te dwie liczby opisują dwie różne rzeczy, a materiały premierowe podają je wystarczająco blisko siebie, że czytelnik może rozsądnie wywnioskować, iż całość działa na starej karcie. Tak nie jest — przynajmniej nie w konfiguracji, której według BFL wymaga model.

Są trzy uczciwe wyjścia, a każde kosztuje coś innego:

• Skwantyzuj upsampler — istnieją społecznościowe kompilacje GGUF dla Pup w wariantach Q8_0, Q5_K_M, IQ4_XS i IQ3_S z osobnym projektorem wizyjnym, co znacznie zmniejsza rozmiar pomocnika, kosztem pewnego pogorszenia jakości promptu

• Uruchom upsampler gdzie indziej — to model tekstowy, więc nie musi współdzielić GPU z generatorem, wystarczy jeden przeskok sieciowy

• Pomiń to za pomocą --no-pup — bezpłatnie, natychmiastowo i jest to opcja, której BFL odradza

Arytmetyka pamięci to najbardziej przydatna rzecz, jaką warto zrozumieć w tym zestawieniu. Wyjaśnia też pewien rodzaj skarg: ktoś zgłasza, że Klein jest wolny lub się nie mieści, a tak naprawdę zgłasza, że uruchomił udokumentowany potok na sprzęcie zwymiarowanym pod wersję okrojoną.

Co Pup robi z promptem

Rozszerza się. Żądanie takie jak „mężczyzna idący z psem, popołudniowe słońce” staje się opisem całej sceny obejmującym temat, scenerię, oświetlenie, kamerę i kompozycję — karta modelu opisuje wynik jako długi opis liczący około dwustu słów w ustawieniu średnim. Model obrazu następnie opiera się na tym opisie zamiast na Twoim zdaniu.

To realna możliwość, a nie sztuczka. Modele obrazów w stylu dyfuzji są wrażliwe na konkretność promptu, a pięciowyrazowy prompt pozostawia niemal każdą decyzję kompozycyjną wcześniejszym założeniom modelu. Upsampler podejmuje te decyzje w jawny i spójny sposób, dlatego wynik domyślnego potoku wygląda na bardziej przemyślany niż wynik tego samego checkpointu zasilonego surowym zdaniem.

To także utrata kontroli — i to utrata cicha. Twoje zdanie nie zostaje opatrzone adnotacją, lecz zastąpione. Jeśli upsampler uzna, że popołudniowe światło to złota godzina, a pies to border collie, generator nie ma sposobu, by wiedzieć, że nie o to ci chodziło. W pracy eksploracyjnej to zaleta. W przypadku listy ujęć to zmienna, o którą nie prosiłeś.

Cztery tryby — i dlaczego tryb ma większe znaczenie niż prompt

Pup nie jest jednym modelem o jednym zachowaniu. Wybiera monit systemowy na podstawie zadania, a są cztery: tekst-na-obraz, obraz-na-obraz, tekst-na-obraz z ramkami ograniczającymi i obraz-na-obraz z ramkami ograniczającymi. Niewłaściwy tryb generuje dobrze napisany monit do niewłaściwego zadania, co jest błędem, który wygląda na problem z jakością modelu, choć nim nie jest.

Ustawienia próbkowania również różnią się w zależności od trybu, a różnica nie jest kosmetyczna. Dekodowanie jest zachłanne przy temperaturze zero, z maksymalnie 3584 nowymi tokenami i wyłączonym myśleniem. Kara za obecność wynosi 1,5 dla generowania obrazu z tekstu i 0 dla edycji. To zero jest celowe: kara za powtarzanie zachęca model do wprowadzania nowego materiału, czego właśnie nie chcesz, gdy zadaniem jest wierne odtworzenie instrukcji edycji. Obrazy referencyjne są również skalowane inaczej w zależności od tego, ile ich podasz — około 1 megapiksela dla jednego, 724² dla dwóch, 512² dla trzech lub więcej — więc zadanie z dziesięcioma referencjami jest warunkowane znacznie mniejszymi obrazami niż zadanie z jedną referencją.

Licencja jest podzielona na pół

To jest ta część, która prawie nie przyciąga uwagi, a prawdopodobnie powinna. Dwie połowy tego pipeline'u podlegają różnym licencjom. Klein objęty jest licencją FLUX Kommunity License: darmowy do użytku komercyjnego przy rocznych przychodach poniżej 5 mln USD, powyżej tej kwoty wymagana jest płatna licencja. Pup to Apache 2.0, bez żadnego warunku dotyczącego przychodów.

Firma powyżej progu może więc swobodnie korzystać z upsamplera promptów, ale nadal potrzebuje licencji na korzystanie z generatora, który jest nim zasilany. A firma poniżej progu, która chce dostroić stronę promptów, ma znacznie większą swobodę niż ta, która chce dostroić stronę obrazu. Jeśli planujesz wypuścić produkt, przeczytaj obie licencje osobno, zamiast traktować „the Klein stack” jako jedną całość. To właśnie ta permisywna połowa jest łatwa do przeoczenia.

Co tak naprawdę się zmienia, gdy to wyłączysz?

Wyłączenie Pup to jedna flaga, a skutki są asymetryczne w zależności od zadania.

• Generowanie obrazów z tekstu — największa regresja. Krótkie prompty stają się ogólnikowe, co jest dokładnie tym niepowodzeniem, przed którym ostrzega BFL, a luka rośnie tym bardziej, im krótszy jest Twój prompt

• Multi-referencja — to upsampler sprawia, że „umieść te trzy osoby w jednym pomieszczeniu” zamienia się w opis uwzględniający wszystkie trzy referencje; bez niego zgodność z referencjami staje się zauważalnie luźniejsza

• Układ ramki ograniczającej — ten tryb istnieje po to, aby przekształcać intencję przestrzenną w podpis, który ją zachowuje, więc jego usunięcie przenosi ciężar z powrotem na sposób, w jaki formułujesz tekst

• Precyzyjna edycja — najmniej jednoznaczny przypadek, i ten, w którym jej wyłączenie może pomóc

Ten ostatni punkt jest nieintuicyjny i pochodzi z tego samego miejsca co kara za zerową obecność. Instrukcja edycji jest zwykle wąska: zmień ten obiekt, przesuń ten element, usuń tę rzecz. Zadaniem upsamplera jest rozszerzanie, więc rozszerza scenę wokół twojej instrukcji, a także samą instrukcję. Gdy edycja jest naprawdę lokalna, to otaczające rozszerzenie jest w najlepszym razie szumem. Gdy stoi w sprzeczności z czymś w kadrze, jest gorsze niż szum.

Nasze własne doświadczenia z uruchamianiem Kleina na zlokalizowanych edycjach — zmienianie jednego obiektu, przenoszenie elementu do ograniczonego obszaru, zachowywanie reszty kadru bez zmian — wskazują, że model jest najbardziej przekonujący dokładnie w tym wąskim trybie. Co sprawia, że kwestia upsamplera staje się ostrzejsza, a nie łagodniejsza: zadanie, w którym generator jest najmocniejszy, jest też zadaniem, w którym rozszerzanie przez pomocnika jest najmniej pożądane. Przetestuj oba ustawienia na własnych promptach edycyjnych, zanim podejmiesz decyzję. To przypadek, w którym ogólna rada dostawcy i Twoje konkretne potrzeby mogą zasadnie się różnić.

Decyzja w praktyce

Jeśli wywołujesz API dostawcy, zamiast cokolwiek pobierać, większość tego nie ma znaczenia. Hostowany endpoint sam po stronie serwera wykonuje upsampling promptu i przywracanie pikseli, więc niezależnie od tego, czy o tym myślisz, i tak już korzystasz z zachowania rozszerzonego promptu. Wybór staje się realny dopiero wtedy, gdy pobierzesz wagi.

Gdy to zrobisz, podział wygląda mniej więcej tak. Zatrzymaj Pup, jeśli Twoje prompty są krótkie, Twoja praca ma charakter eksploracyjny albo raczej generujesz, niż edytujesz. Odrzuć go lub uruchom skwantyzowaną wersję, jeśli Twoja karta jest mała, Twoje edycje są wąskie i dosłowne albo Twoje prompty są już wystarczająco długie i konkretne, że rozszerzanie głównie dodaje wymyślonych treści. Skwantyzuj go, jeśli chcesz mieć jedno i drugie i możesz zaakceptować pewną utratę jakości promptów w zamian za zmieszczenie całego potoku na jednym urządzeniu.

Jedna praktyczna uwaga dotycząca taniego wypróbowania tego: obie połowy zawodzą niezależnie, a warstwa routingu to zwykły sposób na uniknięcie uzależnienia ścieżki produkcyjnej od pojedynczego punktu końcowego. OrcaRouter udostępnia jedno API zgodne z OpenAI dla ponad 200 modeli z 0% marży — cena katalogowa dostawcy jest przekazywana bez zmian — oraz automatyczne przełączanie awaryjne między dostawcami, dzięki czemu punkt końcowy w stanie degradacji nie staje się nieudanym zadaniem. To nie pomaga jednak w przypadku samego modelu Klein, którego nie ma w naszym katalogu 210 modeli i którego nie obsługujemy. W przypadku tego potoku to wagi i API dostawcy są trasami; argument dotyczący routingu ma znaczenie dla modeli, które umieszczasz wokół niego.

Co zmieniłoby odpowiedź

Opublikowana ablacja. Nikt nie udostępnił zestawienia obok siebie Kleina z Pupem i bez niego na tych samych promptach, ocenionego przez kogoś innego niż laboratorium, i to właśnie ta jedna brakująca tabela sprawia, że pozostaje to kwestią oceny. Dopóki takiej tabeli nie ma, obronne stanowisko jest to najmniej efektowne: upsampler jest częścią systemu w zaprojektowanej postaci, twierdzenie o 8 GB go nie obejmuje, a jedynym obciążeniem, w przypadku którego można rozsądnie zmienić ustawienie domyślne, jest to, w którym ten model jest najmocniejszy.