FLUX 3 Image Klein 對比 FLUX 3 Image Klein Pup：模型對上自家的提示詞撰寫器

儲存庫上的名稱會引人做出一個並不存在的比較。FLUX 3 Image Klein 和 FLUX 3 Image Klein Pup 看起來像同一家族中的兩個模型，就像這個部落格上其他每個「vs」頁面都會把兩個各有所長的生成器配對比較一樣。但它們並非如此。FLUX 3 Image Klein 是於 2026 年 10 月 15 日推出的 5.6B 圖像模型。FLUX 3 Image Klein Pup——在其模型卡上標題為「Prompt Upsampler」——是一個 9B 語言模型，它的全部工作就是把你的簡短提示詞改寫成該圖像模型受訓時所接收的長篇詳細描述。

真正的問題不是哪一個更好，而是第二個是否可選。Black Forest Labs 說不是：模型卡明白指出，Klein「不該在沒有前置提示詞上採樣器的情況下運行」，而且照原樣送出的簡短提示會產生泛泛的輸出。這個說法值得檢視，因為接受它會改變你的記憶體預算、延遲、授權義務，以及在一個特定情況下——你編輯的精確度。

這兩者實際上各自是什麼

分工比命名所暗示的更清楚。其中一個模型具備視覺能力，另一個則沒有，而且只有其中一個會實際處理像素。

• 角色 — Klein 生成與編輯圖像；Pup 輸出文字，且絕不渲染任何內容

• 參數量 — 生成器為 5.6B，上取樣器為 9B，因此輔助模型反而是較大的模型

• 血統 — Klein 是 FLUX 3 血統的圖像模型；Pup 是 Qwen/Qwen3.5-9B 的完整微調版本，而後者本身衍生自 Qwen3.5-9B-Base

• 磁碟上的權重 — Klein 在 BF16 下為 11.2 GB、FP8 下為 5.6 GB；Pup 的 safetensors 在 BF16 下為 18.8 GB

• 授權 — Klein 採用 FLUX Kommunity License，並設有 500 萬美元營收門檻；Pup 則採用 Apache 2.0

• 輸入 — Klein 接收文字、參考圖片與邊界框；Pup 接收相同的請求，外加最多 10 張參考圖片，並回傳一個提示詞

• 輸出 — 像素與英文文字

最後那一列是人們常忽略的。Pup 的輸出語言一律是英文，即使輸入請求是另一種語言。如果你的管線會記錄提示以供審查，審查者看到的提示並不是你的使用者所輸入的提示。

8 GB 這個數字在預設管線中無法保留。

Klein 的主要硬體宣稱是：INT8 版本可在 VRAM 低至 8 GB 的 RTX 顯示卡上執行。該說法針對的是生成器，而就其自身條件而言似乎成立——量化檢查點就是為此建構的，且隨其發布的計時數據是由 NVIDIA 測量的。

現在加入預設管線。Pup 的權重在 BF16 下為 18.8 GB，這還是在任何執行階段額外開銷之前。你無法把 18.8 GB 的權重塞進 8 GB 的 VRAM。這兩個數字描述的是兩件不同的事，而發布資料把它們放得夠近，讓讀者有理由得出結論：整套東西能在舊顯示卡上跑。事實並非如此，至少在 BFL 所說模型預期的配置下並非如此。

有三條誠實的出路，而它們的代價各不相同：

• 量化上採樣器——社群已有 Pup 的 GGUF 版本，包含 Q8_0、Q5_K_M、IQ4_XS 和 IQ3_S 變體，並搭配獨立的視覺投影器，這會大幅縮小輔助工具，但會在某種程度上犧牲提示品質

• 在其他地方執行 upsampler —— 它是文字模型，因此不需要與生成器共用 GPU，只需一次網路跳轉

• 使用 --no-pup 跳過它——免費、即時，也是 BFL 不建議採用的選項

記憶體算術是理解這組搭配時最有用的單一重點。它也解釋了一類抱怨：有人回報 Klein 很慢或放不下，但他們實際上回報的是，自己在依精簡版規模配置的硬體上，跑了文件記載的完整流程。

Pup 會對提示詞做什麼

它會擴展。像「一名男子帶著他的狗散步，午後陽光」這樣的請求，會變成涵蓋主體、場景、光線、相機與構圖的完整場景說明——模型卡將輸出描述為在其中等設定下約兩百字左右的長篇說明。影像模型接著會以那段說明作為條件，而不是以你的句子作為條件。

這是實實在在的能力，不是花招。擴散式圖像模型對提示詞的具體程度很敏感，而五個詞的提示詞幾乎把所有構圖決策都交給模型的先驗知識。上採樣器會明確且一致地做出那些決策，因此預設管線的輸出，會比把原始句子直接餵給同一個檢查點所產生的輸出，看起來更有意圖。

它也是一種失控，而且這種失控是無聲的。你的句子不會被標註——而是被替換。如果上取樣器判定午後光線是黃金時刻，而狗是邊境牧羊犬，生成器也無從知道你並不是那個意思。對探索性工作來說，這是一項特性。對拍攝清單來說，這卻是你沒要求的變數。

四種模式，以及為什麼模式比提示詞更重要

Pup 並不是只具備單一行為模式的單一模型。它會依任務選用不同的系統提示詞，共有四種：文生圖、圖生圖、帶邊界框的文生圖，以及帶邊界框的圖生圖。選錯模式會產出一段寫得很好、卻針對錯誤任務的提示詞——這種失誤表面上像是模型品質的問題，但實際上並不是。

取樣設定也隨模式而異，而且這種差異並非表面功夫。在溫度為零時採用貪婪解碼，最多產生 3,584 個新權杖，並停用思考。文生圖的存在懲罰為 1.5，編輯則為 0。那個零是刻意設定的：重複懲罰會鼓勵模型引入新內容，而當任務是忠實重述編輯指令時，這正是你不想要的。參考圖片也會依你提供的數量而有不同的縮放大小——一張時約 1 百萬像素，兩張時為 724²，三張以上時為 512²——因此十張參考圖的作業所依據的圖像，會比一張參考圖的作業小得多。

授權對半分。

這部分幾乎無人關注，但或許值得重視。這條 pipeline 的兩半採用不同的授權條款。Klein 採用 FLUX Kommunity License：年營收低於 500 萬美元可免費商用，超過則需付費授權。Pup 則是 Apache 2.0，完全沒有營收條件。

所以，達到門檻的公司可以自由使用提示詞上採樣器，但仍需要授權條款才能使用它所饋入的生成器。而低於門檻的公司，若想微調提示詞這一端，遠比想微調圖像那一端有更大的自由度。如果你打算推出產品，請分別閱讀兩份授權條款，而不是把「Klein stack」當成單一整體。寬鬆的那一半，正是容易被忽略的那一半。

當你把它關掉時，實際上有什麼改變？

關閉 Pup 只需一個旗標，而且效果在不同任務之間並不對稱。

• 文生圖 — 最大的退步。簡短的提示詞會變得籠統空泛，而這正是 BFL 所警告的失敗情況；而且你的提示詞越短，差距就越大。

• 多參考 — 上採樣器正是把「把這三個人放進同一個房間」轉化為能涵蓋全部三個參考的描述的關鍵；少了它，參考遵循度會明顯變得鬆散

• 邊界框版面配置——此模式的存在，是為了將空間意圖轉換成能保留該意圖的說明文字，因此移除它會把負擔重新放回你的措辭上

• 精確編輯——最不明確的情況，也是關閉它會有所幫助的情況

最後那個要點是反直覺的，而且它和「零存在懲罰」出自同一個地方。編輯指令通常範圍很窄：改變這個物件、移動這個元素、移除這個東西。上採樣器的工作是擴張，所以它會連同指令本身一起，把你指令周圍的場景也擴張。當編輯確實是局部性的，這種周圍的擴張充其量只是雜訊。當它與畫面中的某些東西相矛盾時，它比雜訊更糟。

我們自己在局部編輯上執行 Klein 的經驗——改變單一物件、把某個元素移入限定區域、其餘畫面維持不變——是：模型正是在這種狹窄模式下最有說服力。這反而讓上採樣器問題更尖銳而非更緩和：生成器最強的工作，也正是最不歡迎輔助工具擴張的工作。決定前，請用你自己的編輯提示詞測試這兩種設定。這正是廠商一體適用的建議與你特定工作負載可能合理相左的情況。

實際上，這項決策

如果你呼叫的是供應商 API，而不是自行下載任何東西，那麼這裡所說的絕大部分內容都無關緊要。託管端點會在伺服器端自行進行提示詞擴充與像素還原，所以不管你是否有意識到，你其實已經在使用擴充後的提示詞行為了。唯有當你取得權重時，這個選擇才真正成立。

當你這麼做時，取捨大致如下。如果你的提示詞很短、工作屬於探索性質，或你是在生成而非編輯，就保留 Pup。如果你的顯示卡較小、編輯範圍狹窄且字面，或你的提示詞已經夠長且夠具體，擴充大多只會增加臆造內容，那就捨棄它，或執行量化版本。如果你兩者都想要，且能接受提示詞品質有些損失，以換取把整條管線放進單一裝置，那就對它做量化。

關於以低成本嘗試這件事，有個實務上的提醒：這兩個部分會各自獨立失效，而路由層通常是避免把生產路徑押在單一端點上的做法。OrcaRouter 以 0% 加價——供應商定價原樣傳遞——提供一個相容 OpenAI 的 API，涵蓋 200+ 個模型，並支援跨供應商自動容錯移轉，因此某個端點降級不會變成失敗的工作。這對 Klein 本身沒有幫助；Klein 不在我們 210 個模型的目錄中，也不是我們提供的服務。就這條管線來說，權重與供應商 API 就是路由；而路由的論點，對你放在它周邊的模型才有意義。

什麼會改變答案？

一份已發表的消融實驗。沒有人發表過 Klein 在有無 Pup 的情況下、使用相同提示詞的並排比較，而且是由實驗室以外的人評分，而正是那張缺失的表格，讓這件事仍只能靠判斷。在它出現之前，站得住腳的立場是那個不光鮮的立場：上採樣器是系統設計的一部分，8 GB 的說法並不涵蓋它，而唯一你可能合理覆寫預設值的工作負載，正是這個模型最強的一項。