A Black Forest Labs (BFL) liberou, em 15 de outubro, os pesos do FLUX 3 Image Klein. É um modelo de texto para imagem com 5,6 bilhões de parâmetros (sem contar o codificador de texto). O mesmo modelo faz geração a partir de texto, edição de imagens e geração com várias referências, aceitando até 10 imagens de referência. Saída nativa em 4K, edição precisa e controle de layout por caixas delimitadoras (bounding boxes) são recursos iguais aos da versão completa, o FLUX 3 Image. É o segundo modelo da família FLUX 3 com pesos abertos, depois do FLUX 3 Action.
Já noticiamos a abertura do FLUX 3 Image para chamadas por API, mas aquela era a versão completa, de código fechado. O Klein agora é a versão de menor porte, que pode ser baixada e executada localmente.
Memória de vídeo e velocidade
A BFL lançou duas variantes: uma base, voltada a ajuste fino (fine-tuning), e outra destilada em número de passos, pensada para baixa latência, além de três versões quantizadas: FP8, INT8 e NVFP4. Os pesos do gerador ocupam 11,2 GB em BF16 e 5,6 GB em FP8; a versão INT8 roda em uma placa GeForce RTX com no mínimo 8 GB de VRAM.
As velocidades locais divulgadas pela empresa são calculadas para 1 megapixel: com a versão destilada em INT8 no ComfyUI, uma RTX 5090 leva cerca de 4 segundos por imagem, e uma RTX 4070, menos de 9 segundos. A versão destilada gera 1024×1024 em 16 passos, de 0,55 segundo em uma GB300 a 8,9 segundos em uma RTX 4070; a versão base usa 50 passos, com 1,7 segundo na GB300 e 43,8 segundos no DGX Spark. Carregar LoRAs custa cerca de 5% de tempo extra. Pela API da própria BFL, a latência mediana de ponta a ponta é de 4,54 segundos para texto para imagem e de 7,18 segundos para edição de imagens.
Comparação com outros modelos abertos
Os modelos abertos usados pela BFL como referência são todos maiores que o Klein: o Qwen-Image 2.1 tem cerca de 7 bilhões de parâmetros, o Krea 2 tem 12,9 bilhões e o FLUX.2 [klein], geração anterior da própria empresa, tem 9 bilhões. Em relação ao FLUX.2 [klein] 9B, o novo modelo tem 38% menos parâmetros, 91 pontos a mais de Elo em texto para imagem e 70 pontos a mais de Elo em edição de imagens.
A conclusão da BFL é que "FLUX 3 Image Klein ranks first in text-to-image, multi-reference generation and image editing" (fica em primeiro em texto para imagem, geração multirreferência e edição de imagens), e que, na mesma avaliação, supera também o Ideogram V4.5 e o FLUX.2 [pro], ambos de código fechado. Todas essas posições vêm da avaliação interna da BFL; os dados de testes cegos de terceiros ainda não saíram.
No campo dos modelos abertos de texto para imagem, a série Qwen-Image, da Alibaba, é a concorrente mais direta do Klein, e ambos apostam em edição e várias referências. A BFL aposta no tamanho: um pouco menos de parâmetros e um degrau a menos na exigência de VRAM. Nas palavras da empresa: "Fewer parameters make it practical to run locally and cheaper to adapt" (menos parâmetros tornam viável rodar localmente e mais barato adaptar). Para quem já roda fluxos de trabalho no ComfyUI e tem só uma placa intermediária, a troca dependerá do desempenho com prompts em chinês e da renderização de fontes chinesas, algo que a BFL não mencionou desta vez.
Licença e segurança
Os pesos usam a FLUX Kommunity License: pessoas e empresas com receita anual inferior a US$ 5 milhões podem usar comercialmente de graça, e o uso em pesquisa e não comercial também é gratuito; organizações maiores precisam comprar uma licença de autohospedagem ou migrar para a API. Desenvolvedores independentes e pequenos estúdios ficam, em geral, na faixa gratuita, e quem ultrapassar o limite de receita terá de negociar a licença à parte.
Em segurança, antes do lançamento a BFL pediu uma avaliação à organização externa Cinder, que, segundo a empresa, apontou vulnerabilidades claramente menores do que em outros modelos de pesos abertos comuns; o método e os dados da avaliação não foram divulgados. O modelo base foi treinado em NVIDIA GB200 NVL72.
Fontes: blog oficial da Black Forest Labs, CocoLoop; foram conferidos o número de parâmetros, o uso de VRAM, o tempo de geração em cada hardware e o limite de receita da licença.