FLUX 3 Image Klein Prompt Upsampler: 18,8 GB-modellen som BFL släppte utan att namnge den

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.

Vad som faktiskt levererades, och vilken del som inte namngavs

Börja med datumen, för de är exakta. Uppsampler-repositoriet skapades på Hugging Face kl. 20:40 UTC den 14 oktober 2026 och skrevs senast till kl. 15:32 UTC den 15 oktober – samma minutskalefönster som de FLUX 3 Image Klein-repositorier det betjänar. Lanseringsinlägget är daterat till den 15 oktober. Så detta är inte en läcka, inte en förhandsvisning och inte en checkpoint som någon sitter på: det är en förstapartsrelease publicerad tillsammans med modellen den tillhör.

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.

• Modellsidan på bfl.ai/models/flux-3-image-klein listar de icke-destillerade och destillerade versionerna och beskriver API-åtkomst som inkluderar "promptförbättring". Inte heller något kodarkiv.

• Versionsinformationen för 15 oktober listar vikterna: Klein (destillerad), Klein Base och ComfyUI-vikterna. Uppsamplaren finns inte bland dem.

• API-dokumentationen för FLUX 3 Image Klein omfattar 35 148 tecken. En skiftlägesokänslig sökning efter "upsampl" ger noll träffar.

• Referensinferenskoden på GitHub är där den äntligen dyker upp – ett README-avsnitt med rubriken "Prompt upsampling", en --no-pup-flagga i CLI:t, en --pup-memory-budget och en flux3/pup.py-modul. Vilket är det ärliga svaret på "är det dolt?": nej. Det är dokumenterat, det är integrerat, det körs som standard, och om du klonade repot skulle du stöta på det omedelbart.

Distinktionen spelar roll och är lätt att sudda ut. Det här är inte ett smygsläpp; det är ett släpp vars komponent med den mest permissiva licensen behandlades som infrastruktur. Communityn märkte det snabbare än pressen — den 15 oktober fanns det redan tredjeparts-GGUF-kvantiseringar av uppsamplaren på Hugging Face, och en spegelorganisation hade kopierat alla fyra repositorierna.

Vad uppsamplaren faktiskt är

Modellkortet är tydligt om härkomsten: det är en fullständig finjustering av Qwen3.5-9B med visionstornet fryst. Konfigurationsfilen bekräftar formen – 32 lager, ett 4 096 brett dolt tillstånd, 16 uppmärksamhetshuvuden mot 4 nyckel-värde-huvuden, ett positionstak på 262 144 token och en vokabulär på 248 320. Lagerstacken är inte enhetlig: tre av fyra lager använder linjär uppmärksamhet, med ett fulluppmärksamhetslager var fjärde. Visionstornet är 27 lager djupt med bredden 1 152, patchstorlek 16, spatial sammanslagning 2. Detta är en vision-språkmodell med hybriduppmärksamhet av aktuell generation, inte en promptmall med en språkmodell påskruvad.

På disken är det en enda bfloat16-safetensors-fil på 18,82 GB plus en tokenizer, en chattmall och en fil som är mer intressant än resten: system_prompts.json, 12,6 KB med fyra kompletta systempromptar som heter t2i, i2i, t2i_bbox och i2i_bbox. Dessa fyra promptar är modellens faktiska gränssnitt. De är också läsbara, vilket innebär att uppsamplarens beteende inte är en svart låda – du kan läsa exakt vad den instruerades att göra och sedan kontrollera om den gjorde det.

Träningen skedde i två steg, enligt kortet: övervakad finjustering på par av korta förfrågningar och deras utökade prompter, sedan preferensjustering på par av modellens egna utdata, renderade genom FLUX 3 Image Klein med ett fast seed och rankade utifrån den resulterande bilden. Det andra steget är det anmärkningsvärda. Uppsamplaren tränades inte för att skriva prompter som läser bra; den tränades på vilka av dess egna prompter som gav den bättre bilden när bildmodellen körde dem. Det är en leverantörsrapporterad metodik, inte en publicerad ablation, och ingen oberoende utvärdering av den finns.

De fyra lägena, och hur pipelinen väljer ett

Uppsamplaren är inte alltid ett text-till-bild-verktyg. Vilken systemprompt den laddar beror på vad du skickar till den, och regeln finns i bbox.py:

• Inga referensbilder, inga boxar — t2i-prompten. Den expanderar en begäran till en enda detaljerad bildtext.

• Referensbilder, inga boxar — i2i-prompten. Den tittar på referenserna och skriver en redigeringsinstruktion som identifierar varje referent utifrån hur den faktiskt ser ut. En vag förfrågan tolkas som den mest sannolika redigeringen av de tillhandahållna bilderna.

• Angivna rutor, text-till-bild — t2i_bbox-prompten. Resultatet blir en bildtext följd av en JSON-elementtabell, en rad per objekt på en canvas från 0 till 1000, och bildtexten hänvisar till varje rad med ett vinkelparentes-id.

• Boxar plus referenser — i2i_bbox-prompten, som returnerar en annoteringspost med ett from-fält som skiljer innehåll hämtat från ref_image_N från innehåll markerat target, plus en box i källan och en box i den tänkta utdatan.

Dina boxar vinner en konflikt. Koden omvandlar dina koordinater från 0 till 1 till 0–1000-rutnätet, lämnar dem till modellen som en auktoritativ låst lista och stämmer sedan av svaret: varje rad som modellen har planerat om under sitt eget id och som överlappar en låst box med ett intersection-over-union på 0,9 eller bättre tar det låsta id:t, och de låsta raderna skrivs tillbaka ordagrant med modellens beskrivning antagen. Din layout är inte ett förslag som modellen får förbättra.

Avkodningen är fast och värd att kopiera om du anropar den själv: greedy, top-p 0,95, top-k 20, ett tak på 3 584 nya tokens och en närvarostraff på 1,5 för text-till-bild mot 0,0 för redigeringar. Den asymmetrin är avsiktlig – straffet finns för att hindra bildtextgeneratorn från att upprepa sig, och en redigeringsinstruktion som med rätta nämner samma objekt två gånger bör inte bestraffas för det.

Vad prompterna kräver – och varför dina prompter ser ut som de gör

t2i-systemprompten är det mest användbara dokumentet i utgåvan för alla som har uppfattat FLUX 3 Image Kleins beteende som märkligt. Några av dess instruktioner förklarar modellens utdatastil direkt:

• Längd. "Typisk längd är 100 till 350 ord, mer för komplexa scener." Upsamplern komprimerar inte din prompt eller sammanfattar den. Den utökar den med ungefär en tiopotens, och bildmodellen tränades mot bildtexter i det intervallet.

• Varje person i fokus får en profil. Etnicitet, kön, åldersintervall, hudton, hår och kläder — som observerbara attribut. Prompten ger exemplen "ljus hud" och "brun hud".

• Bakgrunden får ungefär en sjättedel av bildtexten. Explicit. Prompten kräver också att innehåll som är ur fokus och ligger långt bort beskrivs som former, färger och silhuetter snarare än identiteter eller läsbar text.

• Stil är som standard fotografi.Utan en angiven stil planerar modellen ett verkligt fotografi och inleder med en mediumkonvention — "Utomhusfotografi i fullfärg", "Studiofotografi" — och reserverar "Fotorealistisk" för renderingar. En begäran om något "realistiskt" omvandlas till fotokonventionen i stället för att upprepas tillbaka.

• Förbud. Inga hedgande adverb. Inga kvalitets- eller känslomässiga bedömningar. Ingen avslutande mening om stämning. Negationer skrivs om som påståenden om vad som är närvarande. Den generativa rösten är obligatorisk: "den här bilden visar" och "vi kan se" är totalt förbjudna.

• Anti-stockfoto. Prompten efterfrågar "några vanliga, icke-ideala detaljer hämtade från scenens egna objekt i stället för stockfoto-idealet". Det är en instruktion om att göra bilder mindre generiska, inbyggd i en systemprompt.

• Texthantering. Renderad text måste transkriberas ordagrant inom dubbla citattecken på sitt ursprungliga språk och skriftsystem, med radbrytningar bevarade samt typografi, färg och placering angivna. När en begäran behöver text som den inte tillhandahållit, tar modellen fram konkret, domänkorrekt formulering.

Läs den listan mot en generering som blev en besvikelse, och du kan oftast hitta vilken regel som inte fick tillräckligt att arbeta med. Ett platt porträtt med tom bakgrund är en begäran utan scen, utan ljussättning och utan vanliga konkreta detaljer. En prompt som modellen ändå byggde ut och fyllde luckan med en generisk plan som den själv valde.

Vad det kostar dig i minne och tid

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:

• Disk — 18,82 GB för bfloat16-vikterna, jämfört med 11,1 GB för den destillerade bildmodellens egna safetensors och cirka 11 GB för basen.

• 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.

• Avstängningsbrytaren är en flagga. --no-pup skickar din prompt som den skrivits. Demon har samma växlingsknapp, och prompt-upsamplingen i det hostade API:et är en del av slutpunkten i stället för en separat post i den publicerade prislistan: $0.008 vid 768 kvadrat, $0.009 vid 1K, $0.011 vid 1.5K, $0.014 vid 2K och $0.036 vid 4K, med generering och redigering till samma pris.

• Referensbilder skalas ned innan uppskalaren ser dem. En referens begränsas till ungefär en megapixel; två får 724 pixlar i kvadrat vardera; tre eller fler får 512 pixlar i kvadrat vardera, omkodade till JPEG med kvalitet 92. Modellkortet listar detta som en begränsning i klartext – små detaljer i en referens kan beskrivas felaktigt – och det är mekanismen bakom ett specifikt fel du kan återskapa: be om en redigering som beror på en liten tryckt detalj och instruktionen kan komma tillbaka med en felaktig beskrivning, eftersom uppskalaren aldrig såg den i full upplösning. Bildmodellen får din originalbild.

Licensen är den del som är värd att bråka om

Här är asymmetrin, uttalad rakt på sak. Vikterna för FLUX 3 Image Klein omfattas av FLUX Kommunity License, som tillåter fri kommersiell användning endast för enskilda och företag med under 5 miljoner dollar i årlig omsättning, medan större organisationer hänvisas till egenhostad licensiering eller API:et. Startar du en kommersiell licensförfrågan för en produkt är modellen du levererar inte den enda artefakten som omfattas.

Fyra repositorier ingick i den här utgåvan. Tre av dem – den destillerade modellen, basmodellen och ComfyUI-vikterna – listas av Hugging Face-API:et som gated: auto, vilket innebär att du måste acceptera villkoren innan du kan ladda ner filerna. Ett är inte gated alls och omfattas av Apache License 2.0: prompt-uppsamlaren. Det är också det enda av de fyra vars modellkort direkt anger en tillåtande licens, och referensrepositoriets egen README drar gränsen uttryckligen – koden är Apache 2.0, Klein-vikterna är FLUX Kommunity och "prompt-uppsamlaren är 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.

Vad är bekräftat, och vad är inte

Bekräftat från repositoryt och Hugging Face-API:et, allt går att kontrollera igen: filförteckningen och bytestorlekarna, Apache 2.0-licensen, avsaknaden av åtkomstgrind, Qwen3.5-9B-basmodellen, de fyra systempromptarna och deras fullständiga text, avkodningsparametrarna, referensförbehandlingsbudgeten, box-reconciliation-beteendet, beskrivningen av tvåstegsträningen och de publicerade begränsningarna.

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.

Även öppet: siffrorna på själva repositoriet är små. Tretton nedladdningar och tio gillamarkeringar på uppsamplaren, mot 3 241 nedladdningar och 128 gillamarkeringar på den destillerade bildmodellen, tjugofyra timmar efter släppet. Det är inte bevis för att modellen är oviktig – det är bevis för att nästan ingen visste att den fanns.

Var OrcaRouter passar in, och var det inte gör det

Den ärliga versionen först: OrcaRouter har ingen modell från Black Forest Labs. Katalogen kontrollerades i stället för att antas, och det finns ingen FLUX-post i den. Inget nedan antyder något annat.

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.

Det är dock värt att vara precis om begränsningen i det rådet. Om du verkligen vill finjustera uppsamplaren under Apache 2.0 behöver du vikterna på din egen hårdvara och en runtime som kan servera en 9B visionsspråkmodell. OrcaRouter gör inte den delen, och licensfrågan ovan är upp till dig att lösa.

Vad skulle göra det här till en större historia?

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.

Fram till dess är den praktiska tolkningen snäv och oglamorös. Eftersom den nedladdade bildmodellen är åtkomstbegränsad och dess licens har en intäktströskel, kommer de flesta som vill bygga på FLUX 3 Image Klein att börja med API:et, där uppskalaren inte är ett beslut du fattar – det är något som endpointen gör, inprisat i en prislista som börjar på 0,008 dollar per bild. De som bör bry sig om repot är de som självhostar, och för dem är det användbara faktum den här veckan helt enkelt att den del av utgåvan som har den mest tillåtande licensen också är den som ingen berättade om för dem.

För en modell vars fellägen fortfarande är odokumenterade är den användbara motsvarigheten registret över vad som redan har gått fel på andra håll: de dokumenterade AI-incidenterna och agentfelen kring modeller i den här klassen samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstridd status.