FLUX 3 Image Klein đứng số 1 trong nhóm trọng số mở — trên bảng xếp hạng do chính nhà sản xuất của nó dựng nên

Con số này giờ đã ở khắp nơi. FLUX 3 Image Klein đứng đầu trong số các mô hình trọng số mở ở tác vụ văn bản thành hình ảnh, đứng đầu ở tạo sinh đa tham chiếu, đứng đầu ở chỉnh sửa ảnh — và vượt FLUX.2 [klein] 9B cũ hơn 91 Elo ở tác vụ văn bản thành hình ảnh và 70 Elo ở chỉnh sửa, trong khi có ít hơn 38% tham số. Đó là những con số trong bài đăng ra mắt của Black Forest Labs, trong các bài tóm tắt, trong thẻ mạng xã hội. Câu thường bị bỏ sót là câu đi kèm với chúng trong nguồn: đây là những đánh giá nội bộ.

Đó không phải là bê bối. Đó là cách gần như mọi mô hình hình ảnh ra mắt, và đó là phép so sánh duy nhất mà một phòng thí nghiệm có thể thực hiện trước khi bất kỳ ai khác có trọng số. Nhưng nó thay đổi điều mà người đọc nên làm với bảng xếp hạng. FLUX 3 Image Klein thực sự đã được phát hành — 5,6 tỷ tham số, trọng số mở, công bố ngày 15 tháng 10 năm 2026 theo Giấy phép FLUX Kommunity, có thể gọi với giá 0,009 USD cho mỗi 1K hình ảnh trên API của chính BFL. Điều chưa tồn tại là điểm số từ bất kỳ ai không phải Black Forest Labs. Mô hình là thật; vị trí trên bảng xếp hạng là một lời tuyên bố.

Điều mà bản phát hành thực sự đã xác lập

Hãy tách riêng các artefact khỏi phần marketing, vì chúng có sức nặng khác nhau. Các artefact có thể được kiểm chứng ngay hôm nay, bởi bất kỳ ai, mà không cần GPU:

• Trọng số — một trình tạo ảnh 5,6 tỷ tham số, với một checkpoint cơ sở để tinh chỉnh và một checkpoint chưng cất 16 bước để giảm độ trễ

• Bản dựng theo độ chính xác — BF16 ở 11,2 GB, FP8 ở 5,6 GB, cùng các bản dựng INT8 và NVFP4 được tạo bằng NVIDIA

• Giấy phép — FLUX Kommunity License: sử dụng thương mại miễn phí cho cá nhân và công ty có doanh thu hằng năm dưới 5 triệu USD; trên ngưỡng đó, phải trả phí cho giấy phép tự vận hành hoặc dùng API.

• Khả năng — tạo hình ảnh từ văn bản, chỉnh sửa, tạo với nhiều ảnh tham chiếu lên đến 10 ảnh tham chiếu, 4K nguyên bản và điều khiển hộp giới hạn

• Giá — $0.009 cho 1K hình ảnh trên API của nhà cung cấp, với mức 2K cao hơn

• Công cụ — công thức huấn luyện LoRA cho Diffusers, Ostris AI Toolkit và NVIDIA NeMo AutoModel

Tất cả những điều đó đều có trong kho lưu trữ và tài liệu. Không điều nào trong số đó phụ thuộc vào việc một benchmark là đúng. Một mô hình có thể nhỏ, nhanh, có thể cấp phép và có thể tải xuống mà không cần giỏi nhất ở bất kỳ thứ gì, và những thuộc tính đó tự chúng đã đáng có.

Điều mà bản phát hành không xác lập được là chất lượng tương đối. Bài đăng ra mắt hiển thị biểu đồ Elo thay vì in điểm số chính xác trong văn bản, nên khoảng cách chính xác giữa Klein và nhóm so sánh của nó thậm chí không thể trích dẫn đầy đủ — bạn có thể đọc các thanh, chứ không phải các con số. Các đối tượng so sánh được nêu tên là Qwen-Image 2.1 ở 7B và Krea 2 ở 12.9B, với Krea 2 bị loại khỏi so sánh chỉnh sửa vì nó không hỗ trợ chỉnh sửa. Đó là những đối chứng hợp lý. Chúng vẫn là đối chứng của chính phòng thí nghiệm, trong bộ khung thử nghiệm của chính phòng thí nghiệm, trên các prompt do phòng thí nghiệm tự chọn.

Từ “third-party” đang gánh vác một trọng trách mà nó chưa xứng đáng được giao.

Nhiều bài đưa tin về bản phát hành này mô tả các bảng xếp hạng như thể chúng là điểm chuẩn của bên thứ ba. Thực tế không phải vậy. Khi tìm một mục xếp hạng độc lập, người ta chỉ thấy bài blog của chính nhà cung cấp cùng hàng chục bài viết lại từ đó, và những bài viết lại này kế thừa nguyên cách đóng khung ấy mà không kế thừa điều lưu ý đi kèm.

Bảng công khai hữu ích nhất dành cho các mô hình hình ảnh là Artificial Analysis, bảng xếp hạng theo Elo dựa trên bình chọn sở thích từng cặp của con người. Bảng text-to-image của nó, phiên bản 2.1, được ghi nhận vào ngày 16 tháng 10 năm 2026, có 42 mục hiển thị. GPT Image 2.5 Sunburst đứng đầu với 1218. Nano Banana 2 đứng thứ bảy với 1139. FLUX 3 Image đứng thứ mười ba với 1114, trên 5.766 mẫu, được bảng định giá ở mức $48 mỗi nghìn hình ảnh. FLUX.2 [klein] 9B — mốc cơ sở trong so sánh của BFL — đứng thứ hai mươi sáu với 1026.

FLUX 3 Image Klein không có trên bảng đó. Không phải lúc ra mắt, cũng không phải tám ngày sau đó. Mục được dán nhãn "FLUX 3 Image" là một sản phẩm khác: đó là sản phẩm anh em lớn hơn chỉ dùng API, và con số 48 đô la mỗi nghìn trên bảng khớp với khoảng giá đã công bố của mô hình đó, chứ không phải mức 9 đô la của Klein. Điều này quan trọng vì một lý do đơn giản. Trên bảng xếp hạng độc lập duy nhất hiện có, mô hình hình ảnh trọng số mở có điểm cao nhất không phải Klein và cũng không phải mô hình nào của Black Forest Labs — mà là Qwen-Image-3.0-Pro với 1093 điểm. Do đó, tuyên bố rằng Klein đứng đầu trong số các mô hình trọng số mở không bị bảng công khai đó phản bác. Nó chỉ đơn giản là không xuất hiện trên bảng mà thôi.

Đặt delta riêng của BFL bên cạnh một bảng công khai

Có một cách để có được một ước lượng thô mà không giả vờ rằng đó là một phép đo. BFL công bố mức cải thiện của mình dưới dạng delta so với FLUX.2 [klein] 9B, và mô hình cũ hơn đó có mặt trên bảng xếp hạng công khai. Vậy hãy lấy điểm công khai và cộng delta của nhà cung cấp:

• Văn bản thành hình ảnh — FLUX.2 [klein] 9B đạt 1026 trên Artificial Analysis, cộng với +91 của BFL, đạt gần 1117

• Chỉnh sửa — FLUX.2 [klein] 9B đạt 1015 trên bảng chỉnh sửa, cộng với +70 của BFL, cho tổng gần 1085

Hãy hiểu đó là số học, không phải là một dự đoán. Chênh lệch Elo không thể chuyển nguyên giữa các harness. Khoảng cách 91 điểm đo trên bộ prompt của BFL không chuyển một-đổi-một sang một bảng được xây từ phiếu bầu đám đông trên các hình ảnh khác, với người bầu khác và cửa sổ lấy mẫu khác. Bài tập này chỉ hữu ích về mặt quy mô: nó gợi ý một mô hình sẽ rơi vào vùng 1100 thấp trong text-to-image, tức đại khái là nơi FLUX 3 Image đã đứng và kém Nano Banana 2 ở 1139 một khoảng khá thoải mái. Nó không gợi ý một mô hình sẽ đứng đầu nhóm trọng số mở với cách biệt lớn, và chắc chắn không gợi ý rằng +91 chuyển thành hạng nhất tổng thể.

Nếu bạn muốn phiên bản một dòng thẳng thắn: một mô hình đạt mức thấp 1100 rất có thể sẽ là mô hình trọng số mở tốt nhất trên bảng xếp hạng đó, vì mô hình dẫn đầu hiện tại ở đó là 1093. Vậy nên hướng tuyên bố của BFL là hợp lý. Độ lớn thì chưa được xác minh, và khoảng cách so với đối thủ trọng số mở gần nhất có thể nhỏ hơn nhiều so với cách định vị khi ra mắt ngụ ý.

Những gì chúng tôi thấy khi chạy nó

Kinh nghiệm của chính chúng tôi với mô hình chỉ ra một điều cụ thể hơn "mô hình hình ảnh trọng số mở tốt nhất". Chúng tôi đã chạy FLUX 3 Image Klein qua API của nhà cung cấp, không có bộ lời nhắc cố định hay rubric đánh giá, nên hãy coi đây là một quan sát thay vì một kết quả. Năng lực nổi bật là chỉnh sửa chính xác, cục bộ: thay đổi một đối tượng trong cảnh, di chuyển một phần tử vào một vùng giới hạn, hoặc áp dụng một chỉ dẫn mà vẫn giữ nguyên phần còn lại của khung hình. Những trường hợp gần như mọi thứ đều được phép thay đổi — thay đổi toàn bộ phong cách, thay đổi ánh sáng toàn diện — khó tách biệt hơn nhiều so với thế hệ trước.

Đó là trọng tâm ngược lại so với phần lớn cuộc tranh luận công khai. Cách đóng khung khi ra mắt xoay quanh việc Klein có thể chỉnh sửa hay không, và liệu nó có đánh bại những mô hình có giá gấp năm lần hay không. Câu hỏi hữu ích hơn cho bất kỳ ai làm công việc sản xuất là liệu nó có thể chỉnh sửa trong phạm vi hẹp. Chỉnh sửa chính xác là nơi hộp giới hạn và nền được giữ nguyên thực sự quan trọng, nơi một mô hình nhỏ hoặc giữ được phần còn lại của cảnh hoặc lặng lẽ vẽ lại nó, và nơi chi phí của một lần thử lại không chỉ là tiền mà còn là một chu kỳ đánh giá.

Biên tập là lời khẳng định xứng đáng với bài kiểm tra khắc nghiệt nhất.

Trong ba tuyên bố đứng đầu, chỉnh sửa là điều đáng hoài nghi nhất, vì một lý do mang tính cấu trúc. Chất lượng chuyển văn bản thành hình ảnh nhìn chung dễ đánh giá — một đám đông có thể xem hai hình ảnh và chọn một. Chất lượng chỉnh sửa phụ thuộc vào việc tuân theo chỉ dẫn, và tuân theo chỉ dẫn chính xác là thứ mà bộ lệnh nhắc của chính nhà cung cấp có vị thế tốt nhất để tâng bốc. Nếu các lệnh nhắc đánh giá của bạn được viết bởi những người đã tinh chỉnh mô hình, bạn đang đo lường giao điểm của hai thứ mà bạn kiểm soát.

Còn có một chi tiết trong pipeline ảnh hưởng đến mọi so sánh tự chạy. Klein được phát hành kèm một bộ upsampler prompt riêng — một bản fine-tune 9B của Qwen3.5-9B có tên flux-3-image-klein-pup — được bật mặc định và BFL nói rằng mô hình không được thiết kế để chạy nếu thiếu nó. Điều đó có nghĩa là một benchmark làm theo cách đơn giản, gửi prompt nguyên văn như người dùng gõ, đang đo một hệ thống khác với hệ thống mà nhà cung cấp đã đánh giá. Bất kỳ bài kiểm thử độc lập nào đáng đọc đều cần nêu rõ upsampler có được bật hay không, vì cùng một checkpoint có thể tạo ra đầu ra khác biệt đáng kể tùy theo câu trả lời đó. Đó là quá nhiều khía cạnh phương pháp luận cho một khẳng định hiện chỉ dựa trên một slide của một phòng thí nghiệm.

Các con số tốc độ thuộc về NVIDIA

Một nhóm số liệu trong bản phát hành có nguồn gốc khác với các tuyên bố về chất lượng, và đáng được ghi nhận một cách thỏa đáng. Các con số độ trễ — khoảng 4 giây cho một ảnh 1MP trên RTX 5090 ở INT8 với 16 bước, dưới 9 giây trên RTX 4070, 0,55 giây trên GB300 — do NVIDIA đo, với các kết quả RTX được chạy qua ComfyUI. Đó vẫn là phép đo gắn chặt với nhà cung cấp, vì NVIDIA đã tham gia xây dựng các checkpoint lượng tử hóa, nhưng đó là phép đo phần cứng chứ không phải đánh giá theo sở thích, và các phép đo phần cứng dễ tái lập hơn nhiều. Nếu bạn có card đó, bạn có thể kiểm tra trong một buổi chiều.

Tuyên bố về 8 GB VRAM cũng đáng được xử lý theo cách tương tự. Điều đó đúng với bản dựng generator INT8. Điều đó không đúng với toàn bộ pipeline được đề xuất, vì bộ nâng mẫu prompt là một bản tải xuống BF16 riêng biệt nặng 18,8 GB và cần bộ nhớ riêng. Một người dùng đọc "chạy trên 8 GB" rồi bật pipeline mặc định sẽ phát hiện ra tuyên bố nào đã được giới hạn phạm vi và tuyên bố nào thì không.

Cách tự kiểm tra điều này

Bài kiểm tra trung thực rẻ nhất không phải là một bảng xếp hạng. Đó là hai mươi lời nhắc của chính bạn, chạy hai lần — một lần với upsampler và một lần không — trên những tác vụ bạn thực sự quan tâm, được chấm điểm dựa trên việc liệu bạn có tung ra đầu ra hay không. Klein khiến việc này trở nên thực tế một cách bất thường vì các trọng số có thể tải xuống và giấy phép cho phép sử dụng thương mại dưới mức doanh thu 5 triệu đô la, nên bài kiểm tra không yêu cầu tài khoản với bất kỳ ai.

Đối với mọi thứ còn lại, một lớp định tuyến là cách rẻ nhất để chạy cùng một prompt trên các endpoint của nhiều nhà cung cấp dưới một khóa duy nhất, và đó chính là mục đích của OrcaRouter: một API tương thích OpenAI trên hơn 200 mô hình, 0% phụ phí với giá niêm yết của nhà cung cấp được chuyển thẳng qua, và tự động chuyển đổi dự phòng khi một endpoint bị suy giảm. Cần nói rõ rằng đây không phải là con đường đến Klein. Danh mục của chúng tôi có 210 mô hình và không có mục FLUX nào cả, vì vậy với mô hình này, các lựa chọn trung thực hiện nay là API riêng của BFL hoặc một checkpoint tự lưu trữ. Chúng tôi thà nói thẳng như vậy còn hơn ngụ ý điều khác.

Điều gì sẽ giải quyết được nó?

Ba điều, theo thứ tự tăng dần về mức độ hữu ích. Thứ nhất, Klein xuất hiện như một mục riêng trên một bảng xếp hạng độc lập — không bị gộp với FLUX 3 Image, vốn là một mô hình khác với mức giá khác. Thứ hai, mục đó trụ được qua vài nghìn lượt bình chọn thay vì vài trăm, vì Elo ban đầu trên một mô hình mới thường nhiễu và có xu hướng trôi xuống khi phiếu bình chọn vì tính mới lạ phai đi. Thứ ba, ai đó công bố một so sánh chỉnh sửa nêu rõ thiết lập upsampler của nó, vì nếu không có điều đó thì các con số không thể so sánh tương thích với nhau.

Cho đến lúc đó, câu diễn đạt chính xác hẹp hơn tiêu đề và hữu ích hơn cả hai thái cực. FLUX 3 Image Klein là một mô hình hình ảnh trọng số mở 5,6 tỷ tham số với giá 0,009 USD mỗi 1K ảnh, chạy trên phần cứng tiêu dùng, mà nhà cung cấp báo cáo là mô hình trọng số mở tốt nhất trong tạo văn bản thành hình ảnh, tạo sinh đa tham chiếu và chỉnh sửa. Nửa đầu của câu đó đã được xác minh. Nửa sau là một tuyên bố có tác giả được nêu tên, và tác giả chính là phòng thí nghiệm đã tạo ra nó.