Présentation

Flux 3 Image Klein est un modèle de génération d’images texte‑à‑image, d’édition et de génération multi‑référence capable de prendre jusqu’à dix images de référence. Il s’appuie sur la même architecture que le modèle complet Flux 3 Image, offrant la génération native en 4 K, un contrôle précis via des boîtes englobantes et une édition pixel‑perfect. Le modèle comporte 5,6 milliards de paramètres et est distribué sous la FLUX Kommunity License, qui autorise une utilisation commerciale gratuite pour les entités dont le chiffre d’affaires annuel est inférieur à 5 M $.

Performances et exigences matérielles

Le poids du checkpoint en BF16 occupe 11,2 Go, tandis que la version FP8 ne nécessite que 5,6 Go. Grâce à une version INT8, le modèle fonctionne sur les GPU NVIDIA GeForce RTX équipés de 8 Go de VRAM, ce qui le rend exploitable sur des machines grand public. En mode distillé, il produit une image de 1 MP en environ 4 s sur un RTX 5090 et en moins de 9 s sur un RTX 4070 via ComfyUI. Sur la plateforme NVIDIA GB300, le même modèle distillé atteint un temps de génération inférieur à 0,6 s en précision NVFP4, avec une surcharge d’environ 5 % lorsqu’un LoRA est appliqué.

Analyse de la vitesse‑qualité et comparaison

Dans les évaluations internes, Flux 3 Image Klein se place en tête des modèles open weights pour le texte‑à‑image, la génération multi‑référence et l’édition d’images, devançant des modèles plus volumineux comme Qwen‑Image 2.1 (7 B paramètres) et Krea 2 (12,9 B). Par rapport à Flux 2 Klein (9 B), il gagne 91 points Elo en texte‑à‑image et 70 en édition, tout en réduisant le nombre de paramètres de 38 %. La courbe de vitesse‑qualité montre que, pour un même temps de latence, le modèle atteint la note la plus élevée parmi les concurrents, y compris les versions fermées Ideogram V4.5 et Flux 2 pro.

Licence, sécurité et écosystème

Outre la licence permissive, le modèle intègre plusieurs garde‑fous : filtres de données pendant le pré‑entraînement, fine‑tuning ciblé pour supprimer les comportements nuisibles et une campagne de red‑team interne complétée par l’évaluation du partenaire Cinder. Les résultats indiquent moins de vulnérabilités que les modèles open weights populaires. Le dépôt propose le checkpoint de base, le modèle distillé, ainsi que des scripts de référence (Gradio pour le contrôle par boîte englobante) et une prise en charge immédiate dans Diffusers, ComfyUI, NVIDIA NeMo AutoModel et les toolkits LoRA d’Ostris. Les développeurs peuvent ainsi fine‑tuner le modèle dès le jour 1 ou l’intégrer dans des pipelines de production via TensorRT‑LLM, vLLM‑Omni ou SGLang Diffusion.