FLUX 3 Image Klein vs FLUX 3 Image Klein Pup: En modell mot sin egen promptskrivare

Namnet på repositoriet inbjuder till en jämförelse som inte finns. FLUX 3 Image Klein och FLUX 3 Image Klein Pup ser ut som två modeller i en familj, på samma sätt som varje annan "vs"-sida på den här bloggen ställer två generatorer med olika styrkor mot varandra. De är inte det. FLUX 3 Image Klein är den 5,6B stora bildmodellen som släpptes den 15 oktober 2026. FLUX 3 Image Klein Pup – med titeln "Prompt Upsampler" på sitt modellkort – är en 9B språkmodell vars enda uppgift är att skriva om din korta prompt till den långa, detaljerade bildtext som bildmodellen tränades på att ta emot.

Så den verkliga frågan är inte vilken som är bättre. Det är huruvida den andra är valfri. Black Forest Labs säger att den inte är det: modellkortet anger tydligt att Klein "inte är avsett att köras utan en prompt-uppsamplare framför sig" och att en kort prompt som skickas som den skrivits ger generiska utdata. Det påståendet är det som är värt att granska, eftersom att acceptera det förändrar din minnesbudget, din latens, dina licensskyldigheter och – i ett specifikt fall – precisionen i dina redigeringar.

Vad var och en av de två faktiskt är

Uppdelningen är renare än namngivningen antyder. Den ena modellen har seende, den andra inte, och bara en av dem rör någonsin en pixel.

• Roll — Klein genererar och redigerar bilder; Pup producerar text och renderar aldrig något

• Parametrar – 5,6B för generatorn, 9B för uppsamplaren, så hjälparen är den större modellen

• Härstamning – Klein är en bildmodell i FLUX 3-familjen; Pup är en fullständig finjustering av Qwen/Qwen3.5-9B, som i sin tur härstammar från Qwen3.5-9B-Base

• Vikter på disk – 11,2 GB i BF16 och 5,6 GB i FP8 för Klein; 18,8 GB för Pups safetensors i BF16

• Licens – FLUX Kommunity License för Klein, med sin intäktsgräns på 5 miljoner dollar; Apache 2.0 för Pup

• Indata — Klein tar text, referensbilder och avgränsningsrutor; Pup tar samma begäran plus upp till 10 referensbilder och returnerar en prompt

• Utdata – pixlar kontra engelsk text

Den sista raden är den som folk missar. Pups utdataspråk är alltid engelska, även när indataförfrågan är på ett annat språk. Om din pipeline loggar prompts för granskning är prompten som din granskare ser inte prompten som din användare skrev.

Siffran 8 GB överlever inte standardflödet

Huvudpåståendet om hårdvara för Klein är att INT8-bygget körs på ett RTX-kort med så lite som 8 GB VRAM. Det påståendet gäller generatorn och förefaller hålla på sina egna villkor – den kvantiserade checkpointen är byggd för det, och tidsmätningarna som publicerats tillsammans med den mättes av NVIDIA.

Lägg nu till standardpipelinen. Pups vikter är 18,8 GB i BF16 innan någon runtime-overhead. Du kan inte få plats med 18,8 GB vikter i 8 GB VRAM. De två siffrorna beskriver två olika saker, och release-materialet placerar dem tillräckligt nära varandra för att en läsare rimligen ska kunna dra slutsatsen att hela saken körs på ett gammalt kort. Det gör den inte, inte i den konfiguration som BFL säger att modellen förväntar sig.

Det finns tre ärliga utvägar, och de kostar olika mycket:

• Kvantisera uppsamplaren – det finns community-byggda GGUF-versioner för Pup i Q8_0-, Q5_K_M-, IQ4_XS- och IQ3_S-varianter med en separat visionsprojektor, vilket krymper hjälparen avsevärt till viss kostnad för promptkvaliteten

• Kör uppsamplaren någon annanstans — den är en textmodell, så den behöver inte dela GPU med generatorn, bara ett nätverkshopp

• Hoppa över det med --no-pup — gratis, omedelbart och det alternativ som BFL avråder från

Minnesaritmetiken är det enskilt mest användbara att förstå när det gäller den här kombinationen. Den förklarar också en typ av klagomål: någon rapporterar att Klein är långsam eller inte får plats, och vad de egentligen rapporterar är att de körde den dokumenterade pipeline på hårdvara dimensionerad för den avskalade varianten.

Vad Pup gör med en prompt

Det expanderar. En förfrågan som ”en man som går med sin hund, eftermiddagssol” blir en helscensbildtext som täcker motiv, miljö, ljus, kamera och komposition – modellkortet beskriver utdata som en lång bildtext på ungefär ett par hundra ord vid medelinställningen. Bildmodellen betingas sedan på den bildtexten i stället för på din mening.

Det här är en verklig förmåga, inte en gimmick. Diffusionsbaserade bildmodeller är känsliga för hur specifik prompten är, och en prompt på fem ord lämnar nästan varje kompositionsbeslut till modellens priorer. En uppsamplare fattar dessa beslut explicit och konsekvent, vilket är anledningen till att utdata från standardpipelinen ser mer avsiktlig ut än utdata från samma checkpoint som matas med den råa meningen.

Det är också en förlust av kontroll, och förlusten är tyst. Din mening annoteras inte – den ersätts. Om uppskalaren beslutar att eftermiddagsljuset är gyllene timmen och att hunden är en bordercollie, har generatorn inget sätt att veta att du inte menade det. För utforskande arbete är det en funktion. För en taglista är det en variabel du inte bad om.

Fyra lägen, och varför läget spelar större roll än prompten

Pup är inte en enda modell med ett enda beteende. Den väljer en systemprompt utifrån uppgiften, och det finns fyra: text-till-bild, bild-till-bild, text-till-bild med avgränsningsrutor och bild-till-bild med avgränsningsrutor. Fel läge ger en välskriven prompt för fel uppgift, vilket är ett fel som ser ut som ett kvalitetsproblem med modellen men inte är det.

Samplingsinställningarna skiljer sig också mellan lägena, och skillnaden är inte kosmetisk. Avkodningen är girig vid temperatur noll med max 3 584 nya tokens och tänkande inaktiverat. Närvarostraffet är 1,5 för text-till-bild och 0 för redigeringar. Den nollan är avsiktlig: ett repetitionsstraff uppmuntrar modellen att introducera nytt material, vilket är precis vad man inte vill när uppgiften är att återge en redigeringsinstruktion troget. Referensbilder skalas också om olika beroende på hur många du anger – cirka 1 megapixel för en, 724² för två, 512² för tre eller fler – så ett jobb med tio referenser betingar på mycket mindre bilder än ett jobb med en referens.

Licensen är delad mitt itu

Det här är delen som nästan inte får någon uppmärksamhet och förmodligen borde få det. De två halvorna av pipelinen lyder under olika licenser. Klein är FLUX Kommunity License: gratis för kommersiellt bruk under 5 miljoner USD i årliga intäkter, betald licensiering över det. Pup är Apache 2.0, helt utan intäktsvillkor.

{{1}}Så ett företag över tröskelvärdet kan använda prompt-uppsamplaren fritt och behöver fortfarande en licens för att använda generatorn som den matar.{{/1}} {{2}}Och ett företag under tröskelvärdet som vill finjustera promptsidan har långt större spelrum än ett som vill finjustera bildsidan.{{/2}} {{3}}Om du planerar att lansera bör du läsa de två licenserna separat i stället för att behandla "the Klein stack" som en enda sak.{{/3}} {{4}}Den tillåtande hälften är den hälften som är lätt att förbise.{{/4}}

Vad ändras egentligen när du stänger av det?

Att stänga av Pup är en flagga, och effekterna är asymmetriska mellan uppgifter.

• Text-till-bild — den största regressionen. Korta prompter blir generiska, vilket är precis det fel BFL varnar för, och gapet ökar ju kortare din prompt är

• Multireferens – det är uppskalaren som förvandlar "placera dessa tre personer i ett rum" till en beskrivning som tar hänsyn till alla tre referenserna; utan den blir referensföljsamheten märkbart lösare

• Bounding-box-layout – läget finns för att omvandla rumslig avsikt till en bildtext som bevarar den, så att ta bort det lägger bördan tillbaka på din formulering

• Precis redigering – det minst självklara fallet, och det där det kan hjälpa att stänga av den

Den sista punkten är den kontraintuitiva, och den kommer från samma ställe som straffet för noll närvaro. En redigeringsinstruktion är vanligtvis snäv: ändra det här objektet, flytta det här elementet, ta bort den här saken. Uppsamplarens uppgift är att expandera, så den expanderar scenen runt din instruktion liksom instruktionen själv. När redigeringen är genuint lokal är den omgivande expansionen i bästa fall brus. När den motsäger något i bildrutan är den värre än brus.

Vår egen erfarenhet av att köra Klein på lokaliserade redigeringar – att ändra ett objekt, flytta ett element till ett avgränsat område, hålla resten av bildrutan intakt – är att modellen är som mest övertygande i just detta snäva läge. Vilket gör frågan om uppskalaren skarpare snarare än mjukare: uppgiften där generatorn är starkast är också uppgiften där hjälpmodellens expansion är minst välkommen. Testa båda inställningarna på dina egna redigeringsprompter innan du bestämmer dig. Detta är ett fall där leverantörens generella råd och din specifika arbetsbelastning rimligen kan gå isär.

Beslutet, i praktiken

Om du anropar leverantörens API i stället för att ladda ner något är det mesta av detta irrelevant. Den värdbaserade slutpunkten tillämpar sin egen prompt-upsampling och pixelåterställning på serversidan, så du köper redan beteendet med expanderad prompt vare sig du tänker på det eller inte. Valet blir bara verkligt när du tar vikterna.

När du gör det är uppdelningen ungefär så här. Behåll Pup om dina prompter är korta, ditt arbete är utforskande eller du genererar snarare än redigerar. Släpp det, eller kör en kvantiserad version, om ditt grafikkort är litet, dina redigeringar är snäva och bokstavliga, eller dina prompter redan är långa och specifika nog att expansion mest tillför påhitt. Kvantisera det om du vill ha båda och kan acceptera viss förlust i promptkvalitet i utbyte mot att hela pipelinen får plats på en enhet.

En praktisk kommentar om att prova detta billigt: de två halvorna misslyckas oberoende av varandra, och ett routningslager är det vanliga sättet att undvika att satsa en produktionsväg på en enda slutpunkt. OrcaRouter kör ett OpenAI-kompatibelt API över 200+ modeller med 0 % påslag – leverantörens listpris förs vidare oförändrat – och automatisk failover mellan leverantörer, så en försämrad slutpunkt blir inte ett misslyckat jobb. Det hjälper dig inte med Klein i sig, som inte finns i vår katalog över 210 modeller och inte är något vi tillhandahåller. För den här pipelinen är vikterna och leverantörens API routarna; routningsargumentet spelar roll för de modeller du sätter runt den.

Vad skulle ändra svaret

En publicerad ablation. Ingen har släppt en sida-vid-sida-jämförelse av Klein med och utan Pup på samma prompter, poängsatt av någon annan än labbet, och det är den enda saknade tabellen som gör att det här fortfarande är en bedömningsfråga. Tills den finns är den försvarbara hållningen den oglamorösa: uppsamplaren är en del av systemet så som det är utformat, 8 GB-påståendet täcker inte den, och den enda arbetsbelastning där du rimligen kan åsidosätta standardinställningen är den där den här modellen är starkast.