FLUX 3 Image Klein Prompt Upsampler: o modelo de 18,8 GB que a BFL lançou sem lhe dar nome

A Black Forest Labs lançou dois modelos em 15 de outubro de 2026 e anunciou um deles. O modelo anunciado é FLUX 3 Image Klein, o gerador de imagens de pesos abertos de 5,6B que rendeu o post de lançamento, a tabela de preços, o fluxo de trabalho do ComfyUI e uma rodada de cobertura da imprensa especializada. O outro é o FLUX 3 Image Klein Prompt Upsampler — um fine-tune de 18,8 GB do Qwen3.5-9B que reescreve seu pedido curto na legenda longa que o modelo de imagem espera — e é o artefato mais permissivo de todo o lançamento. Seu repositório é público, não exige conta e traz a Licença Apache 2.0, enquanto cada um de seus três repositórios irmãos traz a FLUX Kommunity License e uma barreira de acesso. O post de lançamento da B​FL nunca o menciona. Nem a página do modelo, as notas de versão ou a documentação da API do FLUX 3 Image Klein, que não contém a palavra "upsampler" uma única vez em 35.000 caracteres.

Essa lacuna pode ser verificada em cerca de cinco minutos, e vale a pena verificar, porque o upsampler determina mais sobre a aparência das suas imagens do que a maioria das configurações que você passará o fim de semana ajustando. Também levanta uma questão que o anúncio não responde: se a BFL pretende usá-lo como um modelo independente no qual você pode se basear, ou como uma dependência estrutural de seu próprio código de inferência que acabou sendo publicado com um cabeçalho Apache. Este artigo separa o que o repositório prova daquilo que só a BFL pode confirmar. Todos os números abaixo vêm do model card, da API do Hugging Face, do código de inferência de referência ou da documentação da própria BFL, e nenhum deles foi submetido a benchmark independente por terceiros.

O que realmente foi lançado, e qual parte não foi nomeada

Comece pelas datas, porque elas são exatas. O repositório do upsampler foi criado no Hugging Face às 20:40 UTC de 14 de outubro de 2026 e teve sua última escrita às 15:32 UTC de 15 de outubro — a mesma janela em escala de minutos dos repositórios FLUX 3 Image Klein que ele atende. O post de lançamento é datado de 15 de outubro. Portanto, isto não é um vazamento, nem uma prévia, nem um checkpoint que alguém esteja segurando: é um lançamento de primeira parte publicado junto com o modelo ao qual pertence.

O que ele não recebeu foi um nome no anúncio. Leia a própria enumeração da B​FL sobre o lançamento e o padrão é consistente:

• A publicação de lançamento descreve os pesos do FLUX 3 Image Klein, suas builds FP8, INT8 e NVFP4 criadas com a NVIDIA, seu suporte ao ComfyUI e ao Diffusers desde o primeiro dia, e sua licença. Menciona "prompt upsampling" uma vez, como um recurso do endpoint da API hospedada, sem nomear um modelo ou vincular um repositório.

• A página do modelo em bfl.ai/models/flux-3-image-klein lista as versões não destilada e destilada e descreve o acesso à API como incluindo "aprimoramento de prompt". Também não há repositório.

• As notas de versão de 15 de outubro listam os pesos: Klein (destilado), Klein Base e os pesos do ComfyUI. O upsampler não está entre eles.

• A documentação da API do FLUX 3 Image Klein tem 35.148 caracteres. Uma pesquisa por "upsampl" sem distinção entre maiúsculas e minúsculas não retorna nenhum resultado.

• O código de inferência de referência no GitHub é onde ele finalmente aparece — uma seção do README intitulada "Upsampling de prompt", uma flag --no-pup na CLI, um orçamento --pup-memory e um módulo flux3/pup.py. Que é a resposta honesta para "está escondido?": não. Está documentado, está integrado, é executado por padrão e, se você clonasse o repositório, o encontraria imediatamente.

A distinção importa e é fácil de desfocar. Este não é um lançamento furtivo; é um lançamento cujo componente com a licença mais permissiva foi tratado como encanamento. A comunidade percebeu mais rápido do que a imprensa — até 15 de outubro já havia quantizações GGUF de terceiros do upsampler no Hugging Face, e uma organização espelho havia copiado todos os quatro repositórios.

O que o upsampler realmente é

O cartão do modelo é direto sobre a linhagem: é um ajuste fino completo do Qwen3.5-9B com a torre de visão congelada. O arquivo de configuração confirma a forma — 32 camadas, um estado oculto de 4.096 de largura, 16 cabeças de atenção contra 4 cabeças de valor-chave, um teto de posição de 262.144 tokens e um vocabulário de 248.320. A pilha de camadas não é uniforme: três de cada quatro camadas usam atenção linear, com uma camada de atenção completa a cada quatro. A torre de visão tem 27 camadas de profundidade e 1.152 de largura, tamanho do patch 16, mesclagem espacial 2. Este é um modelo de visão e linguagem com atenção híbrida de geração atual, não um modelo de prompt com um modelo de linguagem acoplado.

Em disco, trata-se de um único arquivo safetensors bfloat16 de 18,82 GB, além de um tokenizador, um template de chat e um arquivo que é mais interessante que o resto: system_prompts.json, 12,6 KB contendo quatro prompts de sistema completos chamados t2i, i2i, t2i_bbox e i2i_bbox. Esses quatro prompts são a interface real do modelo. Eles também são legíveis, o que significa que o comportamento do upsampler não é uma caixa preta — você pode ler exatamente o que ele foi instruído a fazer e então verificar se fez isso.

O treinamento veio em duas etapas, conforme o card: ajuste fino supervisionado em pares de solicitações curtas e seus prompts expandidos, depois ajuste por preferência em pares das próprias saídas do modelo, renderizadas através do FLUX 3 Image Klein com uma semente fixa e classificadas com base na imagem resultante. Essa segunda etapa é a notável. O upsampler não foi ajustado para escrever prompts que soem bem; ele foi ajustado com base em quais de seus próprios prompts produziam a melhor imagem quando o modelo de imagem os executava. Essa é uma metodologia relatada pelo fornecedor, não uma ablação publicada, e não existe avaliação independente dela.

Os quatro modos e como o pipeline escolhe um.

O upsampler nem sempre é uma ferramenta de texto para imagem. Qual prompt de sistema ele carrega depende do que você fornece a ele, e a regra está em bbox.py:

• Sem imagens de referência, sem caixas — o prompt t2i. Ele expande uma solicitação em uma única legenda detalhada.

• Imagens de referência, sem caixas — o prompt de i2i. Ele analisa as referências e escreve uma instrução de edição que identifica cada referente pela sua aparência real. Um pedido vago é interpretado como a edição mais plausível das imagens fornecidas.

• Caixas fornecidas, texto para imagem — o prompt t2i_bbox. A saída torna-se uma legenda seguida de uma tabela de elementos JSON, uma linha por objeto em uma tela de 0 a 1000, e a legenda cita cada linha por id entre colchetes angulares.

• Caixas mais referências — o prompt i2i_bbox, que retorna um registro de anotação com um campo from que distingue conteúdo extraído de ref_image_N de conteúdo marcado como target, além de uma caixa na origem e uma caixa na saída imaginada.

Suas caixas vencem um conflito. O código converte suas coordenadas de 0 a 1 para a grade de 0 a 1000, entrega-as ao modelo como uma lista bloqueada autoritativa e, em seguida, reconcilia a resposta: qualquer linha que o modelo replanejou sob seu próprio id e que se sobreponha a uma caixa bloqueada com um intersection-over-union de 0,9 ou melhor assume o id bloqueado, e as linhas bloqueadas são regravadas literalmente, com a descrição do modelo adotada. Seu layout não é uma sugestão que o modelo possa aprimorar.

A decodificação é fixa e vale a pena copiar caso você mesmo faça a chamada: greedy, top-p 0,95, top-k 20, um teto de 3.584 novos tokens e uma penalidade de presença de 1,5 para texto para imagem contra 0,0 para edições. Essa assimetria é deliberada — a penalidade existe para impedir que o gerador de legendas se repita, e uma instrução de edição que mencione legitimamente o mesmo objeto duas vezes não deve ser punida por isso.

O que os prompts exigem — e por que seus prompts são do jeito que são

O prompt de sistema t2i é o documento mais útil do lançamento para quem achou o comportamento do FLUX 3 Image Klein estranho. Algumas de suas instruções explicam diretamente o estilo de saída do modelo:

• Comprimento. "O comprimento típico é de 100 a 350 palavras, mais para cenas complexas." O upsampler não está comprimindo seu prompt nem resumindo-o. Ele o está expandindo em aproximadamente uma ordem de magnitude, e o modelo de imagem foi treinado com legendas nessa faixa.

• Cada pessoa em foco recebe um perfil. Etnia, gênero, faixa etária, tom de pele, cabelo e vestuário — como atributos observáveis. O prompt traz os exemplos "pele clara" e "pele morena".

• O fundo ocupa cerca de um sexto da legenda. Explícito. O prompt também exige que conteúdo fora de foco e distante seja descrito como formas, cores e silhuetas, em vez de identidades ou texto legível.

• O estilo padrão é fotografia. Sem um estilo declarado, o modelo planeja uma fotografia real e começa com uma convenção de meio — "Fotografia externa em cores", "Fotografia de estúdio" — reservando "Fotorrealista" para renderizações. Um pedido de algo "realista" é convertido para a convenção fotográfica, em vez de ser repetido de volta.

• Proibições. Nenhum advérbio de atenuação. Nenhum juízo de qualidade ou emoção. Nenhuma frase de encerramento sobre o clima. As negações são reescritas como afirmações daquilo que está presente. A voz generativa é obrigatória: "esta imagem mostra" e "podemos ver" são terminantemente proibidas.

• Anti-foto-de-banco-de-imagens. O prompt pede "alguns detalhes específicos comuns e não ideais, extraídos dos próprios objetos da cena, em vez do ideal de foto de banco de imagens". Isso é uma instrução para tornar as imagens menos genéricas, escrita em um prompt de sistema.

• Manuseamento de texto. O texto renderizado deve ser transcrito literalmente entre aspas duplas no seu idioma e escrita originais, com as quebras de linha preservadas e com a tipografia, a cor e a colocação especificadas. Quando um pedido necessita de texto que não forneceu, o modelo cria um texto concreto e correto para o domínio.

Leia essa lista em contraste com uma geração decepcionante e você normalmente conseguirá descobrir qual regra não recebeu o suficiente com que trabalhar. Um retrato chapado com um fundo vazio é um pedido sem cena, sem iluminação e sem nenhum detalhe comum. Um prompt que o modelo, ainda assim, expandiu, preenchendo a lacuna com um plano genérico de sua própria escolha.

O que isso custa a você em memória e tempo

O upsampler vem ativado por padrão no próprio pipeline da B​FL, e o motivo prático de se importar é que "ativado por padrão" significa um segundo modelo residente enquanto o primeiro gera. Do código de referência e da documentação:

• Disco — 18,82 GB para os pesos bfloat16, contra 11,1 GB para os safetensors do próprio modelo de imagem destilado e cerca de 11 GB para o modelo base.

• VRAM — a implementação de referência concede ao upsampler uma parcela da GPU, com valor padrão de 0,35 na API Python e 0,85 na linha de comando do módulo autônomo. A tabela de memória da B​FL, medida em um B200, chega a 31 GB em bf16 para o modelo de imagem com --no-pup; a parcela reservada do upsampler fica por cima disso.

• A história dos 8 GB fica mais complicada. A manchete da B​FL é que a versão INT8 do FLUX 3 Image Klein roda em uma GPU RTX com apenas 8 GB de VRAM, e esse é o modelo de imagem. No repositório do ComfyUI, o upsampler de prompt é distribuído como um arquivo separado de codificador de texto INT8 de 9,75 GB. Ninguém publicou uma configuração em que tanto uma placa de 8 GB quanto o upsampler fiquem residentes ao mesmo tempo.

• O interruptor de desligamento é uma flag. --no-pup envia seu prompt como digitado. A demonstração tem o mesmo botão de alternância, e o upsampling de prompt da API hospedada faz parte do endpoint, em vez de ser um item separado na tabela de preços publicada: US$ 0,008 em 768 quadrados, US$ 0,009 em 1K, US$ 0,011 em 1,5K, US$ 0,014 em 2K e US$ 0,036 em 4K, com geração e edição pelo mesmo preço.

• As referências são reduzidas antes que o upsampler as veja.Uma referência é limitada a cerca de um megapixel; duas recebem 724×724 cada; três ou mais recebem 512×512 cada, recodificadas para JPEG com qualidade 92. A ficha do modelo lista isso como uma limitação, com todas as letras — pequenos detalhes em uma referência podem ser descritos incorretamente — e é o mecanismo por trás de uma falha específica que você pode reproduzir: peça uma edição que dependa de um pequeno detalhe impresso e a instrução pode voltar descrevendo a coisa errada, porque o upsampler nunca o viu em resolução total. O modelo de imagem recebe o seu original.

A licença é a parte que vale a pena discutir

Aqui está a assimetria, dita de forma clara. Os pesos do FLUX 3 Image Klein estão sob a FLUX Kommunity License, que permite uso comercial gratuito apenas para pessoas físicas e empresas com receita anual inferior a US$ 5 milhões, com organizações maiores encaminhadas para licenciamento auto-hospedado ou para a API. Acione uma consulta de licença comercial sobre um produto e o modelo que você está enviando não é o único artefato em escopo.

Quatro repositórios fizeram parte desta versão. Três deles — o modelo destilado, o modelo base e os pesos do ComfyUI — estão listados pela API do Hugging Face como gated: auto, o que significa que você precisa aceitar os termos antes de poder baixar os arquivos. Um deles não é gated de forma alguma e está sob a Apache License 2.0: o upsampler de prompt. É também o único dos quatro cujo model card declara diretamente uma licença permissiva, e o README do próprio repositório de referência traça a linha explicitamente — o código é Apache 2.0, os pesos Klein são FLUX Kommunity, e "o upsampler de prompt é Apache 2.0."

O que isso lhe rende depende da questão não resolvida. Se o upsampler for genuinamente um artefato autônomo, ele é um modelo de visão-linguagem de classe 9B que você pode ajustar, redistribuir e lançar em um produto comercial sem limite de receita, e atualmente é a maneira mais barata de adquirir essa capacidade de um laboratório de imagens de ponta sob termos que não exigem um advogado. Se ele for destinado apenas como uma dependência do código de referência do B​FL, então reaproveitá-lo para outra finalidade acarreta um risco que nenhum documento atualmente resolve.

O que está confirmado e o que não está

Confirmado a partir do repositório e da API do Hugging Face, tudo novamente verificável: o inventário de ficheiros e os tamanhos em bytes, a licença Apache 2.0, a ausência de barreira de acesso, a base Qwen3.5-9B, os quatro prompts de sistema e o seu texto integral, os parâmetros de descodificação, o orçamento de pré-processamento de referência, o comportamento de reconciliação de caixas, a descrição do treino em duas fases e as limitações publicadas.

Não confirmado, e declarado em aberto em vez de conjecturado: se a B​FL considera o upsampler um produto com suporte ou uma dependência interna; se o cabeçalho Apache 2.0 foi uma decisão deliberada de licenciamento ou um padrão herdado do Qwen3.5-9B; o quanto o upsampler realmente melhora a saída, já que nenhum terceiro realizou uma comparação controlada e a B​FL não publicou nenhuma ablação; se a etapa de ajuste de preferências generaliza além dos prompts em seu conjunto de treinamento; e se o arquivo INT8 ComfyUI de 9,75 GB é o mesmo modelo em precisão inferior ou um modelo preparado de forma diferente, já que o cartão do modelo desse repositório está restrito e não pôde ser lido.

Também aberto: os números no próprio repositório são pequenos. Treze downloads e dez curtidas no upsampler, contra 3.241 downloads e 128 curtidas no modelo de imagem destilado, vinte e quatro horas após o lançamento. Isso não é evidência de que o modelo não seja importante — é evidência de que quase ninguém sabia que ele estava lá.

Onde o OrcaRouter se encaixa, e onde não

A versão honesta primeiro: A OrcaRouter não hospeda nenhum modelo da Black Forest Labs. O catálogo foi verificado em vez de presumido, e não há nenhuma entrada FLUX nele. Nada abaixo implica o contrário.

O que está no catálogo é o conjunto de comparação. Se você vai passar um fim de semana testando se a expansão de prompt ajuda suas imagens, o experimento interessante é rodar a mesma solicitação pelo FLUX 3 Image Klein com o upsampler ligado e desligado, e depois contra um modelo de imagem hospedado que faz seu próprio tratamento de prompt — os modelos de imagem do G​oogle, os da O​penAI, os do G​rok — para ver se a diferença que você está medindo é do upsampler ou do gerador. Esses modelos hospedados são acessíveis a partir de uma única chave no OrcaRouter, pelo preço de tabela do provedor, sem nenhuma margem adicionada, então o custo do experimento é a própria tarifa do provedor e nada além dela. Essa é uma forma mais barata de responder à pergunta do que baixar 18,82 GB quatro vezes.

No entanto, vale a pena ser preciso sobre o limite desse conselho. Se você realmente quiser fazer fine-tune do upsampler sob a Apache 2.0, vai precisar dos pesos no seu próprio hardware e de um runtime capaz de servir um modelo de visão e linguagem de 9B. O OrcaRouter não faz essa parte, e a questão da licença acima é sua para resolver.

O que transformaria isto numa história maior?

Quatro coisas, em ordem aproximada do quanto elas mudariam. Primeiro, uma menção nominal da B​FL — um model card, uma página de documentação, uma linha nas notas de lançamento — que resolveria o enquadramento aqui e provavelmente forçaria uma atualização deste texto. Segundo, uma avaliação controlada, nossa ou de qualquer pessoa, de imagens geradas com e sem o upsampler em uma seed fixa; esse número está atualmente ausente e é o que todo mundo realmente quer. Terceiro, uma declaração sobre se a licença Apache 2.0 é deliberada, já que é isso que torna o artefato interessante em vez de meramente não listado. Quarto, o mesmo tratamento aplicado ao restante da família FLUX 3: se o padrão do upsampler se mantiver, outros níveis serão lançados com modelos auxiliares permissivos anexados e não anunciados.

Até lá, a leitura prática é restrita e sem glamour. Como o modelo de imagem baixado tem acesso restrito e sua licença traz um limite de faturamento, a maioria das pessoas que quer construir sobre o FLUX 3 Image Klein começará pela API, onde o upsampler não é uma decisão sua — é algo que o endpoint faz, precificado em uma tabela de preços que começa em US$ 0,008 por imagem. As pessoas que deveriam se importar com o repositório são as que fazem auto-hospedagem e, para elas, o fato útil desta semana é simplesmente que a parte do lançamento com a licença mais permissiva também é aquela sobre a qual ninguém lhes falou.

Para um modelo cujos modos de falha ainda não estão documentados, a contraparte útil é o registro do que já deu errado em outros lugares: os incidentes de IA documentados e as falhas de agentes em torno de modelos desta classe são coletados em o OrcaRouter AI Incident Archive, onde cada entrada carrega suas próprias fontes, gravidade, grau de confiança e indicador de disputa.