FLUX 3 Image Klein 开源了：一个 5.6B 模型同时干三件活，还带「画框定位」

2026年10月16日

FLUX 3 的「小号」开源了：Klein，把编辑和组合揉进同一个模型

Black Forest Labs 把 FLUX 3 的第一个小号开源了，型号叫 Klein，一个 5.6B 参数的开源权重模型，专做文生图和图像编辑。这次它没走「大而全」的路子，反而把三件事揉进同一个模型里：文生图、单参考图编辑、多参考图组合，全部走同一套前向，文本编码器用的是 Qwen3-VL-4B-Instruct。5.6B 这个数字只算图像 transformer，文本编码器另算。

最让我有反应的倒不是参数变小，而是模型背后那个「画框定位」的能力。它支持在 prompt 里直接写 bounding box，在 0 到 1000 的网格上指定元素的位置，再用文字去改颜色、挪位置、替换甚至删掉。关键在于它不像传统 layout 那样把像素锁死在框里——框只约束位置和尺度，元素可以从框里溢出去。这跟以前那种「画个框就给你贴上去」的体验不是一回事，更像是在跟模型商量构图，而不是下死命令。

另一个值得琢磨的细节，是官方在 README 里反复强调：不要不带 prompt upsampler 就用这个模型。FLUX 3 Image Klein 吃的是完整的场景 caption，你随手打一句「make it blue」这种短指令，出来的就是泛泛的通用图。官方配了个配套的 upsampler（flux-3-image-klein-pup，约 18.8GB），把短请求连同参考图扩写成一整段场景描述。用 Diffusers 时它不会自动跑，得你自己先跑 upsampler，把输出当 prompt 塞给主模型。也可以换任意一个 LLM，只要给它 system_prompts.json 里的那句系统提示词，让它把请求扩写成完整 caption 就行。

这个设计像是在倒逼使用习惯。以前我们习惯「prompt 越长越乱越难控」，现在反过来，你得先把一句话变成一段完整的画面描述，模型才肯认真干活。我第一反应是「这不麻烦吗」，转念一想，这正是它可控性的一部分——caption 负责构图，参考图负责锚定内容，两者分工，比把一切都塞进一句 prompt 干净得多。

跑起来的花费也不算离谱。用官方参考代码在 B200、1024×1024 下，不带上采样器，BF16 峰值显存 31GB，FP8 是 26GB，NVFP4 是 25GB。80GB 显存往上的卡，加上 upsample 大约要多占 28GB。对自托管来说，这个门槛已经可以认真考虑了，尤其是 FP8 和 NVFP4 两个量化变体，省下来的显存肉眼可见。要注意，变体文件大小不等于实际总显存占用，而且量化包需要支持对应格式的 loader，别只看下载体积冲动下单。

版本上它给了两条线。Klein 是蒸馏过的 checkpoint，16 步、无 guidance，面向生成、编辑和自托管，也是 BFL API 背后实际跑的那个；Klein Base 是未蒸馏版，bfloat16、50 步、guidance 3.5，留给微调、LoRA 训练和研究用。想上手直接用，拿 Klein；想改出自己风格的模型，拿 Base 去训。仓库里的下载脚本默认只拉 BF16 蒸馏主包加文本编码器和图像自编码器，量化变体要单独指定。

许可证这块得看清楚，别被「开源」俩字带跑。它用的是 FLUX Kommunity License v1.0，非商业使用允许，符合条件（含关联主体在内年度总收入低于 500 万美元）的「合格用户」可以做商业输出，但这不意味着可以随便拿去做商业微调或分发。军事用途、监控、生物识别、生成 CSAM 或非自愿私密影像这类用途被明确排除，License 第 4 节写得清清楚楚。Qwen3-VL-4B-Instruct 那个文本编码器单独是 Apache-2.0。要是营收超过那条线，或者想正规商用，得走 bfl.ai/licensing 的商业授权，不是说你买张卡就能开卖。

坦白说，这个模型最戳我的点是「unified」这个定位。以前文生图、单图编辑、多图合成在工作流里往往要接三套不同的东西，现在一套权重全包了，编辑和组合还能复用同一套 caption 和 box 的逻辑。对做产品、做 Agent 内容流水线的人来说，管线能省下不少对接成本。它也有明确短板：不擅长也不打算提供事实性信息，图里的文字渲染可能歪，box 只是约束不是硬遮罩，框太小或者要的元素太细可能不出现。这些官方都写在 Limitations 里了，没藏着掖着。

模型在 Hugging Face 上要登录并同意条款才能下，过去一个月下载量 3,241。仓库里有 BF16 主包和 FP8、NVFP4 变体，还有配套的 upsampler、GitHub 参考代码、diffusers 的 ModularPipeline 用法示例。想先看看效果，官方也放了 gallery 和 teaser。

一句话收个尾：这是一个「把编辑和组合真正揉进同一个模型」的开源权重来了，代价是你得先学会喂它一段完整的场景描述。至于它到底能不能在真实工作流里扛住，光看模型卡还说不死——得自己上手跑一轮流水线才知道。

相关链接