FLUX 3 Image Klein 正式登場：56 億參數、8 GB VRAM，以及授權條款中一條 500 萬美元的條款

Black Forest Labs 於 2026 年 10 月 15 日發布了FLUX 3 Image Klein：一款 5.6B 參數的開放權重圖像模型，同時也以計量端點形式運作，稱為flux-3-image-klein/，部署於該公司自家的 API 上，每 1K 張圖像 0.009 美元起。它隸屬於更大的FLUX 3 Image之下，並繼承了該模型的招牌功能——原生 4K 輸出、最多十張參考圖像，以及用於放置或編輯元素的邊界框——價格約為 1K 價格的五分之一，佔用資源也僅為其一小部分。這些是發布時的宣稱，可對照權重、授權條款與定價表來查核。而尚無法查核的，是決定多數購買決策的那一項宣稱：一款 5.6B 模型在品質上勝過更大的開放權重競爭對手。

這次發布中的每一個品質數字，都來自 Black Forest Labs 內部。公司以外沒有人發表過基準測試，而公開排行榜也還沒有 Klein 的條目。對一個才問世一天的模型來說，這很正常，而且值得先講明白，因為這篇文章其餘部分異常具體——檔案大小、每張影像的費率、授權門檻——而品質問題則與這一切截然不同。

10月15日究竟發布了什麼？

這則公告的標題為 FLUX 3 Image Klein：開放權重、56 億參數，並詳列了完整發布內容，而非僅推出單一檢查點：

• 兩個檢查點。Klein Base 是未經蒸餾的 bfloat16，以 guidance 3.5 執行 50 步，是專為微調、LoRA 訓練與研究而設計的版本。Klein distilled 則是 bfloat16、16 步且不使用 guidance，也是 B​FL API 背後的檢查點。

• 三種量化格式。FP8 與 NVFP4 版本隨 BF16 transformer 一同在主儲存庫中發布，另有在 N​VIDIA 支援下開發的 INT8 版本。ComfyUI 的重新打包版本則同時搭載 transformer 與文字編碼器的 INT8 版本。

• 一個模型，三種任務。文生圖、單參考編輯與多參考合成，全都透過同一組權重運行。參考圖像用來錨定內容，而非鎖定結構，且模型最多可接受十張參考圖。

• 0–1000 網格上的邊界框。 每個元素都會取得一個框和一段描述，寫成 [上, 左, 下, 右]/，而這個框可用來放置新元素，或將編輯限制在某個區域內。B​FL 在模型卡中明確說明，框是指引位置與縮放，而非將像素硬性限制在遮罩內——要求的小型元素可能完全不會出現，且元素可以超出其框的範圍。

• 首日執行階段支援，涵蓋 ComfyUI、Hugging Face Diffusers、TensorRT-LLM、SGLang Diffusion 與 vLLM-Omni，並可透過 Ostris 的 AI Toolkit 進行 LoRA 訓練，以及使用 NVIDIA NeMo AutoModel 中的配方。該模型是在 NVIDIA GB200 NVL72 上訓練而成。

這些儲存庫在公告發布之前就已上線——基礎版與蒸餾版儲存庫建立於 10 月 13 日，ComfyUI 與 prompt-upsampler 儲存庫則建立於 10 月 14 日——而發布貼文、API 端點與定價頁面全都在 15 日隨後推出。img src="2.png" alt="以無頭瀏覽器擷取的 black-forest-labs/flux-3-image-klein Hugging Face 儲存庫頁面，顯示授權接受閘門、flux-kommunity-license 徽章、模型大小標示為 6B 參數並採用 BF16 張量類型、上個月 3,241 次下載、219 個讚，以及列出轉接器與微調項目的模型樹狀結構，於 2026 年 10 月 16 日以英文擷取。" />

8 GB 的說法，以及是誰測量的

「單張消費級 GPU 就能跑」是最常被引用的那句話，而 B​FL 確實給了它一個數字：在 INT8 版本下，Klein 可透過 ComfyUI 或 Diffusers，在 VRAM 低至 8 GB 的 GeForce RTX GPU 上運行。根據該部落格文章，生成器權重本身在 BF16 下為 11.2 GB，在 FP8 下為 5.6 GB。

The speed figures come from N​VIDIA, not from Black Forest Labs, and they are specific about the setup: the step-distilled model with the INT8 build produces a 1 MP image in about 4 seconds on an RTX 5090 and under 9 seconds on an RTX 4070, measured in ComfyUI. On a GB300 running NVFP4, the same distilled model lands under 0.6 seconds. Serving a LoRA adds roughly 5% to generation time.

有一個結構性注意事項存在於 B​FL 隨這些數字一同發布的延遲圖表中，而該文章本身也揭露了這一點：Klein 是在 B​FL 自家伺服器上進行測時，而被比較的模型——Q​wen-Image 2.1、FLUX.2 [pro]、I​deogram V4.5 與 K​rea 2——則是從用戶端進行測時，其中包含輪詢與網路時間。RTX 的數據是 N​VIDIA 的 ComfyUI 測量結果。這兩組數據都不是獨立的品質基準。

坦白說，品質主張的真實立場

B​FL 的立場是，Klein 在其內部評估中「在文字轉圖像、多參考生成與圖像編輯方面排名第一，領先於規模更大的開放權重模型」，且在自身比較中排名高於閉源模型。相較於自家先前的小型模型 FLUX.2 [klein] 9B，B​FL 回報在參數減少 38% 的情況下，文字轉圖像提升 91 Elo、圖像編輯提升 70 Elo。

那些是廠商自行回報且未經重現的。有兩個細節讓它們更容易權衡。第一，比較組合：Q​wen-Image 2.1 為 7B，K​rea 2 為 12.9B，參數量依各發行方回報的數字計算，且每次計算都排除文字編碼器——同樣的計算方式讓 Klein 成為「5.6B」，卻在一旁附上 8.9 GB 的 Qwen3-VL-4B-Instruct 文字編碼器。第二，B​FL 沒有放進圖表的那個模型：體型較大的同系列產品 FLUX 3 Image，並未出現在自家較小模型的比較中。任何地方都沒有公開數字說明 Klein 落後它多少。

獨立榜單還沒跟上。截至 10 月 16 日，Artificial Analysis 在其文生圖排行榜上已有 FLUX 3 Image 的條目，卻沒有 Klein 的，所以這個模型完全沒有第三方 Elo 評分。第一個不是來自 B​FL 的數字，才會是值得關注的那個。

代價為何，以及曲線如何彎曲

API 費率是這次發布中最犀利的一點。就 B​FL 公布的圖像定價而言，蒸餾版 Klein checkpoint 是：

• 768 × 768 — 每張圖片 $0.008

• 1K — 每張圖片 $0.009

• 1.5K — 每張圖片 $0.011

• 2K — 每張圖片 $0.014

• 4K — 每張圖片 $0.036

同一份表格把 FLUX 3 Image 在這五個層級的定價列為 $0.041、$0.048、$0.07、$0.10 和 $0.607。這在 1K 是 5.3 倍的差距，在 4K 則大約是 17 倍，而這就是 Klein 全部的商業論據：如果你的工作負載是大量的 4K 文字轉圖像，較小的模型並不是你得忍受的降級，而是一筆會相差一個數量級的費用項目。

注意曲線的形狀，而不是入門價格。Klein 最便宜的方案是 $0.008，但費率到 2K 前大致持平，接著在 4K 時跳漲 2.6 倍，而 FLUX 3 Image 則跳漲超過 6 倍。如果你的輸出是 1K，這兩個模型在價格上夠接近，應由品質來決定。如果輸出是 4K，兩者根本不能相提並論。

授權條款決定你實際上能否出貨

FLUX Kommunity License v1.0 下的權重可免費用於非商業用途，且該授權對「合格使用者」——年化總收入低於 500 萬美元的個人與公司——授予商業輸出例外。超過此門檻，若要商業部署 Klein，就意味著需向 BFL 取得自架授權，或透過 API 使用。

請仔細閱讀措辭，因為兩份摘要的涵蓋範圍並不一致。發布貼文將此例外描述為「個人及年收入低於 $5M 的公司可免費商用」。模型卡則將同一例外界定為涵蓋合資格使用者（Qualifying Users）的商業輸出生成，並補充說明它「並非對商業微調或散布的一攬子許可」。對一個計畫以專有資料微調 Klein，並將所得模型內建於產品中出貨的團隊而言，發布貼文並非能回答此問題的文件。完整的授權條款本文才是。

在你圍繞 Klein 設計資料管線之前，還有一項條款值得了解：該授權限制使用這個模型、其衍生品或其輸出，來改進另一個執行類似 FLUX 模型功能的 AI 模型。為訓練競爭性圖像模型而生成合成資料，正是這項條款所針對的情況。

你絕對不能跳過的一件事

Klein 不接受簡短的提示詞。模型卡與 BFL 的頁面用不同說法表達了同一件事：它預期收到涵蓋構圖、主體、背景與光線的完整場景描述，而直接輸入一行請求只會得到泛泛的輸出。因此參考實作在每次生成前——無論是文字生圖還是編輯——都會先執行提示詞上採樣器，而模型卡對此直言不諱：不要在沒有提示詞上採樣器的情況下使用此模型。

這個代價是真實的。BFL 的 upsampler，flux-3-image-klein-pup/，是一個獨立的 18.8 GB BF16 下載檔，當它與生成器一同執行時，會在一張 80 GB 的顯示卡上額外佔用約 28 GB 的 GPU 記憶體。官方記載的退出做法是自己提供替代方案：任何 LLM 都能取而代之，只要你餵給它 BFL 的系統提示詞，並傳入它回傳的描述文字。對任何規劃在裝置端或低 VRAM 環境部署的人來說，upsampler 正是那個悄悄撐破 8 GB 預算的環節，而解決方法是在其他地方執行描述生成，並以 prompt-as-typed 旗標把完成的描述文字送給 Klein。

著手處理，以及接下來會發生什麼

權重放在 Hugging Face 上，藏在授權接受閘門之後，同一組織底下還附有參考推論程式碼，以及用於邊界框控制的 Gradio 示範。託管端點是廠商自家的 API。Klein 目前不在 OrcaRouter 的目錄裡，所以這裡沒有東西可以讓我們路由，而我們寧可直說，也不願暗示並非如此。OrcaRouter 真正能提供的，是真實影像管線的另一半：那些託管的影像模型收錄於目錄中，與其他 200 多個模型共用同一把金鑰，供應商的定價以 0% 加價直接轉嫁，而且當某家供應商不穩時會自動容錯移轉。最終用 Klein 跑大量 4K 工作、並在互動路徑上呼叫託管模型的團隊，做的正是單一端點所設計要支援的那種分工。

未來兩週值得關注的範圍比往常更窄。有三件事能為這些未解問題給出答案：Klein 的獨立 Elo，最好能與 BFL 用來自我基準比較的 Qwen 和 Krea 模型列在同一張排行榜上；INT8 版本有回報的記憶體數據，而且是在上取樣器實際參與流程的情況下，而非只有生成器；以及初步了解微調對模型行為的影響，畢竟 LoRA 訓練從第一天就獲得支援，而授權條款對這些微調可用於哪些用途頗有主見。在上述第一項出爐之前，請把每一項品質比較——包括本文中的那一項——都當成廠商自家的圖表。

基準測試會過時，價格會波動，但失敗紀錄不會：這一類模型背後有據可查的 AI 事故與代理失誤，全都收錄於the OrcaRouter AI Incident Archive，其中每一筆紀錄都附有自己的來源、嚴重程度、可信度評級與爭議標記。