FLUX 3 Image Klein 在开放权重模型中排名第一——而且是在其制造商自己绘制的排行榜上

如今，这个数字随处可见。FLUX 3 Image Klein 在开放权重模型的文本到图像任务中排名第一，在多参考生成中排名第一，在图像编辑中排名第一——并且在参数数量少 38% 的情况下，在文本到图像任务中以 91 Elo 的优势击败旧版 FLUX.2 [klein] 9B，在编辑任务中以 70 Elo 的优势击败它。这些数字出现在 Black Forest Labs 的发布博文、回顾文章和社交卡片中。容易被略过的，是源文中附在这些数字后面的那句话：这些是内部评估。

那不是丑闻。几乎所有图像模型都是这样发布的，而且这是实验室在其他任何人拿到权重之前唯一能做的对比。但它改变了读者应如何使用这个排名。FLUX 3 Image Klein 确实已发布——5.6B 参数、开放权重，于 2026 年 10 月 15 日在 FLUX Kommunity License 下发布，可在 BFL 自家 API 上以每 1K 张图像 $0.009 的价格调用。目前尚不存在的，是来自 Black Forest Labs 以外任何人的评分。模型是真的；排行榜位置只是一个声称。

这次发布实际确立了哪些内容

把产物和营销宣传分开，因为二者的分量不同。产物如今任何人都可以在没有 GPU 的情况下核查：

• 权重 — 一个 5.6B 参数的图像生成器，包含用于微调的基础检查点，以及用于降低延迟的 16 步蒸馏检查点

• 精度版本 — BF16 为 11.2 GB，FP8 为 5.6 GB，以及由 NVIDIA 打造的 INT8 和 NVFP4 版本

• 许可 — FLUX Kommunity License：年收入低于 500 万美元的个人和公司可免费商用；超过该收入线则需付费获取自托管许可或使用上述 API

• 能力 — 文生图、编辑、最多使用 10 张参考图像的多参考生成、原生 4K，以及边界框控制

• 价格 — 供应商 API 上每 1K 张图片 $0.009，其上还有 2K 档位

• 工具 — 适用于 Diffusers、Ostris AI Toolkit 和 NVIDIA NeMo AutoModel 的 LoRA 训练配方

所有这些都在代码仓库和文档里。这些都不依赖于某个基准测试为真。一个模型可以小而快、可授权、可下载，而不必在任何方面做到最好，而这些特性本身就值得拥有。

这次发布没有确立的是相对质量。发布帖展示的是 Elo 图表，而不是在正文中印出确切分数，因此 Klein 与其对比集之间的精确差距甚至无法完整引用——你能读到柱条，却读不到数字。具名的对比对象是 7B 的 Qwen-Image 2.1 和 12.9B 的 Krea 2，其中 Krea 2 因不支持编辑而被排除在编辑对比之外。这些是合理的对照。但它们仍然是实验室自己的对照，在实验室自己的测试框架中，使用实验室选择的提示词。

“第三方”这个词正在承担它配不上的重任

关于此次发布的许多报道将这些排名描述为第三方基准测试。它们并不是。搜索一个独立排行榜条目，结果只会找到厂商的博客文章以及十几篇对其的改写，而这些改写继承了那套说辞，却没有继承其中的限定说明。

对图像模型最有用的公开排行榜是 Artificial Analysis，它根据成对人类偏好投票得出的 Elo 进行排名。其文生图榜单 2.1 版采集于 2026 年 10 月 16 日，共有 42 个可见条目。GPT Image 2.5 Sunburst 以 1218 分位居第一。Nano Banana 2 以 1139 分位列第七。FLUX 3 Image 以 1114 分位列第十三，样本数为 5,766，榜单给出的价格为每千张图像 48 美元。FLUX.2 [klein] 9B——BFL 对比中的基线——以 1026 分位列第二十六。

FLUX 3 Image Klein 不在那个榜单上。发布时不在，八天后也不在。标记为“FLUX 3 Image”的条目是另一款产品：它是更大的、仅提供 API 的同类模型，而榜单上每千次 48 美元的数字与该模型公布的价格区间相符，而不是 Klein 的 9 美元。这一点很重要，原因很简单。在现有的唯一一个独立排名中，得分最高的开放权重图像模型不是 Klein，也根本不是 Black Forest Labs 的模型——而是 Qwen-Image-3.0-Pro，得分 1093。因此，“Klein 在开放权重模型中排名第一”的说法并没有被这个公开榜单驳倒。它只是根本没有出现在榜单上。

把 BFL 自己的 delta 放在公开榜单旁边

有一种方法可以获得大致的方向感，而不必假装它是一种测量。BFL 将其增益表述为相对于 FLUX.2 [klein] 9B 的差值，而那个较旧的模型在公开榜单上。因此，取公开分数并加上厂商的差值：

• 文生图——FLUX.2 [klein] 9B 在 Artificial Analysis 上得分为 1026，再加上 BFL 的 +91，接近 1117

• 编辑 — FLUX.2 [klein] 9B 在编辑榜上为 1015，加上 BFL 的 +70，最终接近 1085

要把这理解为算术，而不是预测。Elo 差值不能在不同评测框架之间通用。在 BFL 的提示词集上测得的 91 分差距，并不会逐点迁移到一个由不同图像上的众包投票构建的榜单上，因为投票者不同、采样窗口也不同。这项练习只对判断量级有用：它暗示某个模型在文生图任务中会落在 1100 分出头，这大致正是 FLUX 3 Image 目前所处的位置，并且明显落后于 1139 分的 Nano Banana 2。它并不暗示某个模型会以很大优势领跑开放权重阵营，当然也不暗示 +91 会转化为总排名第一。

如果你想要一句诚实的版本：一个低 1100 分段的成绩很可能会成为该榜单上最好的开放权重模型，因为目前那里的领先者是 1093。所以 BFL 这一说法的方向是可信的。其幅度尚未得到验证，而且相对于最接近的开放权重竞争对手的领先优势，可能远小于发布时的宣传口径所暗示的程度。

运行它时我们看到了什么

我们自己对该模型的使用体验，指向的结论比“最佳开放权重图像模型”更为具体。我们通过厂商的 API 运行了 FLUX 3 Image Klein，但没有采用固定提示词集或评分标准，因此请将其视为一项观察，而非结果。真正突出的能力是精准的局部编辑：更改场景中的单个物体、将某个元素移入限定区域，或执行一项本应让画面其余部分保持不变的指令。而在几乎允许一切发生改变的情形下——例如整体风格重塑、全面改变光照——则很难将其与上一代区分开来。

这与大多数公开争论的侧重点相反。发布时的叙事关注的是 Klein 究竟能不能编辑，以及它是否能胜过成本高出五倍的模型。对于任何从事生产工作的人来说，更有用的问题是它能否精准地编辑。精确编辑才真正体现边界框和保留背景的价值，才看得出小模型是会保住场景的其余部分，还是会悄悄把它重绘掉，也才让一次重试的代价不只是金钱，还包括一轮审核。

编辑是最应经受最严苛检验的主张。

在这些“第一名”的说法中，最应持怀疑态度的是编辑，原因在于结构性。文本到图像的质量大体上一目了然——一群人看两张图片就能挑出更好的一张。编辑质量取决于指令遵循，而指令遵循恰恰是厂商自己的提示词集最有条件去美化的东西。如果你的评估提示词是由调校模型的人写的，那你衡量的就是你所能控制的两件事的交集。

还有一个会影响每一次自行运行对比的流水线细节。Klein 附带一个单独的提示词上采样器——它是 Qwen3.5-9B 的 9B 微调版本，名为 flux-3-image-klein-pup——该上采样器默认开启，而且 BFL 表示该模型并非设计为在没有它的情况下运行。这意味着，一个直接按用户输入发送提示词的简单基准测试，所测量的系统与供应商评估的系统并不相同。任何值得一读的独立测试都需要说明上采样器是否开启，因为同一个检查点可能会因该答案而产生明显不同的输出。对于一个目前仅建立在一家实验室幻灯片上的说法来说，这涉及的方法论层面太多了。

速度数据属于 NVIDIA

发布材料中有一组数据与质量声明的来源不同，值得恰当地标明出处。延迟数据——在 RTX 5090 上以 INT8、16 步运行 1MP 图像约需 4 秒，在 RTX 4070 上不到 9 秒，在 GB300 上为 0.55 秒——由 NVIDIA 测量，其中 RTX 的结果通过 ComfyUI 运行得出。这仍然是带有厂商关联的测量，因为 NVIDIA 参与构建了量化检查点，但它是硬件测量，而非偏好判断，而硬件测量要容易复现得多。如果你有这张卡，一个下午就能验证。

8 GB 显存这一说法也应得到同样的审视。它对 INT8 生成器版本成立，但对整个推荐流水线并不成立，因为提示词上采样器是一个独立的 18.8 GB BF16 下载项，需要占用自己的内存。用户读到“可在 8 GB 上运行”，随后启用默认流水线时，就会发现哪个说法限定了范围，哪个没有。

如何自行检查这个

最便宜、最诚实的测试不是排行榜，而是你自己的二十条提示词，跑两遍——一遍用上采样器，一遍不用——在你真正关心的任务上，以你是否会交付输出作为评分标准。Klein 让这件事变得异常可行，因为权重可下载，而且许可证允许在营收低于 500 万美元时商用，所以这个测试不需要向任何服务商注册账户。

至于其他所有情况，路由层是用一个密钥在多家供应商的端点上运行同一提示词的最便宜方式，这正是 OrcaRouter 的用途：一个兼容 OpenAI 的 API 覆盖 200+ 模型，0% 加价，直接按供应商的标价透传，并在端点性能下降时自动故障转移。值得明确说明的是，这并不是通往 Klein 的途径。我们的目录有 210 个模型，完全不包含 FLUX 条目，因此对于这个模型，今天诚实的选项是 BFL 自己的 API 或自托管 checkpoint。我们宁愿这样说，也不愿作相反暗示。

什么能解决这件事

三件事，按有用程度从低到高排列。第一，Klein 在独立榜单上作为单独条目出现——而不是与 FLUX 3 Image 合并，后者是另一款不同价位的模型。第二，这个条目能经受住几千票的检验，而不只是几百票，因为新模型的早期 Elo 分数噪声很大，而且随着新鲜感投票消退，往往还会往下漂。第三，有人发布一份编辑对比，并说明其使用的上采样器设置，因为不说明这一点，这些数字就不可比。

在此之前，准确的表述比标题更窄，也比两种极端都更有用。FLUX 3 Image Klein 是一个 5.6B 的开放权重图像模型，每 1K 图像收费 $0.009，可在消费级硬件上运行；其供应商称它是文本到图像、多参考生成和编辑方面最好的开放权重模型。这句话的前半部分已得到验证。后半部分是一项有具名作者的主张，而作者正是构建它的实验室。