16. Oktober 2026Black Forest Labs · InferenzKuratiert

FLUX 3 Image Klein: Was hinter „5,6 Milliarden Parameter“ und „8 GB“ steckt

Zusammenfassung

Black Forest Labs hat mit FLUX 3 Image Klein ein offenes Bildmodell mit 5,6 Milliarden Parametern veröffentlicht, das Bilder erzeugt, mit bis zu zehn Referenzbildern bearbeitet und Bildelemente per Bounding Box platziert. Laut Hersteller läuft es mit INT8 schon auf Grafikkarten mit 8 GB und schlägt in internen Vergleichen größere offene Modelle. Der Beitrag erklärt die Technik und zeigt, was der Zwang zum separaten Prompt-Upsampler, die Speicherangaben und die ersten Erfahrungen aus der Community für den Betrieb auf eigener Hardware bedeuten.

Was veröffentlicht wurde

Black Forest Labs (BFL) hat FLUX 3 Image Klein am 15. Oktober 2026 freigegeben. Ein einziges Modell übernimmt Text-zu-Bild, Bildbearbeitung und Erzeugung aus bis zu zehn Referenzbildern, erzeugt nativ bis 4K und kann Elemente über Bounding Boxes gezielt platzieren oder Änderungen auf einen Bereich begrenzen. Es ist nach dem Robotikmodell FLUX 3 Action die zweite offene Veröffentlichung der FLUX-3-Familie.

Es gibt zwei Varianten: ein Basismodell für Feintuning mit 50 Schritten und Classifier-free Guidance (CFG 3,5) und ein destilliertes Modell mit 16 Schritten ohne Guidance, laut README etwa sechsmal schneller. Dazu kommen mit NVIDIA entwickelte Fassungen in FP8, INT8 und NVFP4. Unterstützung gab es ab dem ersten Tag in ComfyUI, Diffusers, TensorRT-LLM, SGLang und vLLM; LoRA-Training geht mit Diffusers, Ostris’ AI Toolkit und NVIDIA NeMo AutoModel.

FLUX 3 selbst ist ein multimodales Modell, das gemeinsam aus Bildern, Videos und Ton lernt. BFL begründet das so: Bilder liefern räumliche Details, Video Bewegung und Physik, Ton Informationen über Ereignisse. Zusammen sollen die Signale Bilder ergeben, die in der realen Welt verankert wirken.

Neu: Bildaufbau per Bounding Box

An den Prompt lässt sich eine JSON-Liste von Regionen hängen. Jede Region hat eine Kennung, eine Beschreibung und ein Rechteck; in Diffusers auf einer Skala von 0 bis 1000, im Referenzcode von 0 bis 1, jeweils von links oben. Weil die Skala normiert ist, funktioniert dieselbe Box bei jeder Bildgröße.

Bei Bearbeitungen gibt jede Region an, wo ihr Inhalt im Referenzbild liegt und wo er im Ergebnis landen soll. Eine Region mit zwei gleichen Boxen bleibt, wo sie ist. So lässt sich etwa eine Figur im Bild verschieben, während Hintergrund und andere Objekte ausdrücklich festgehalten werden. Über die API stellt BFL dafür eine Pixel-Wiederherstellung bereit, die unbearbeitete Bereiche exakt erhält.

Ohne Prompt-Upsampler geht es nicht

Das Referenz-Repository warnt mehrfach: Das Modell nie ohne den Prompt-Upsampler verwenden. Dieser Upsampler ist ein eigenes Vision-Language-Modell mit 9 Milliarden Parametern, feinabgestimmt aus Qwen3.5-9B und unter Apache 2.0 lizenziert. Er macht aus einer kurzen Anfrage eine ausführliche Bildbeschreibung; im Beispiel des README wird aus einer Zeile ein Text mit 214 Wörtern. FLUX 3 Image Klein wurde auf genau solche Beschreibungen trainiert, ein direkt eingegebener Prompt liefert laut BFL deutlich schwächere Ergebnisse.

In CLI, Demo und Python-API ist der Upsampler voreingestellt, in Diffusers läuft er bei jeder Anfrage mit. Passen Upsampler und Bildmodell nicht gemeinsam auf die Grafikkarte, empfiehlt das README, den Upsampler zuerst allein laufen zu lassen und seine Beschreibung dann mit --no-pup an das Bildmodell zu übergeben.

Was „5,6 Milliarden“ und „8 GB“ bedeuten

Die Parameterzahl gilt nur für den Bildgenerator; Textencoder zählt BFL ausdrücklich nicht mit, ebenso wenig den Upsampler. Die Generatorgewichte belegen 11,2 GB in BF16 und 5,6 GB in FP8. Der Download des schnellen Modells mit Upsampler umfasst laut README 52 GB, alles zusammen 107 GB.

Die 8 GB gelten für die INT8-Dateien in ComfyUI auf GeForce-RTX-Karten wie der RTX 3070. Der Referenzcode von BFL hat keinen INT8-Pfad; FP8 setzt Ada, Hopper oder Blackwell voraus, NVFP4 Blackwell. Auf einer B200 maß BFL mit dem Referenzcode bei 1024 × 1024 Pixeln und ohne Upsampler Spitzenwerte von 25 bis 31 GB Grafikspeicher.

Zur Geschwindigkeit nennt BFL Messungen von NVIDIA: Mit dem destillierten Modell und INT8 entsteht ein Bild mit einem Megapixel in ComfyUI in etwa 4 Sekunden auf einer RTX 5090 und in unter 9 Sekunden auf einer RTX 4070. Auf einer H200 braucht das destillierte Modell etwa 3 Sekunden, das Basismodell etwa 12. Auf einer GB300 in NVFP4 sind es unter 0,6 Sekunden; eine LoRA kostet etwa 5 Prozent mehr Zeit.

Benchmarks: interne Wertungen

Nach BFLs internen Bewertungen liegt FLUX 3 Image Klein bei Text-zu-Bild, Mehrfachreferenzen und Bearbeitung vor größeren offenen Modellen wie Qwen-Image 2.1 (7 Milliarden Parameter) und Krea 2 (12,9 Milliarden) und sogar vor den geschlossenen Modellen Ideogram V4.5 und FLUX.2 [pro]. Gegenüber dem Vorgänger FLUX.2 [klein] 9B gewinnt es 91 Elo-Punkte bei Text-zu-Bild und 70 bei der Bearbeitung, mit 38 Prozent weniger Parametern.

Bei der Latenz vergleicht BFL Zeiten über die eigene API. FLUX 3 Image Klein wurde dabei auf den Servern von BFL gemessen, die anderen Modelle vom Client aus, einschließlich Abfrage- und Netzwerkzeit; das schreibt BFL selbst dazu.

Erste Erfahrungen aus der Community

In der Hacker-News-Diskussion vom 16. Oktober fielen die Urteile gemischt aus. Mehrere Nutzer berichteten von schwachen Menschendarstellungen mit verformten Gesichtern und falschen Fingerproportionen, teils mit der Standardvorlage von ComfyUI. Ein Nutzer wies darauf hin, dass ohne den Prompt-Upsampler schwächere Ergebnisse zu erwarten sind; der Tester hatte allerdings über die BFL-API gearbeitet. Die Vermutung, das Filtern von Nacktdarstellungen aus den Trainingsdaten sei die Ursache, ist unbelegt.

Positiv bewertet wurden die Bearbeitungsfunktionen, die ein Nutzer als „really solid“ bezeichnete, und der Preis: Über die API kostet ein Bild in 1K-Auflösung ab 0,009 US-Dollar.

Lizenz und Schutzmaßnahmen

Die Gewichte stehen unter der FLUX Kommunity License. Sie erlaubt kostenlose kommerzielle Nutzung für Einzelpersonen und Unternehmen mit weniger als 5 Millionen US-Dollar Jahresumsatz sowie Forschung und nichtkommerzielle Nutzung; größere Unternehmen brauchen eine Selbsthosting-Lizenz oder die API. Der Code im GitHub-Repository steht unter Apache 2.0, die Gewichte auf Hugging Face sind erst nach Zustimmung zu den Bedingungen abrufbar.

BFL filterte nach eigenen Angaben schädliche Inhalte aus den Trainingsdaten und ließ die Modelle intern sowie vom externen Partner Cinder angreifen. Im Referenzcode sind die Sicherheitsprüfungen standardmäßig aus; mit --safety prüft er Prompts, Referenzbilder und Ergebnisse auf geschützte Figuren, Marken, Personen des öffentlichen Lebens und Nacktheit. Erzeugte Bilder tragen EXIF-Angaben wie „Software: AI generated“.

Ideen

Ein Modell übernimmt Bilderzeugung, Bearbeitung und Mehrfachreferenzen.
Bounding Boxes im Prompt legen fest, wo welches Element erscheint.
Ein Prompt-Upsampler mit 9 Milliarden Parametern ist Pflicht.
Parameterzahlen von Bildmodellen zählen Textencoder und Upsampler meist nicht mit.
Das destillierte Modell braucht 16 statt 50 Schritte.
INT8 in ComfyUI bringt das Modell auf Grafikkarten mit 8 GB.

Einsichten

Kleine Bildmodelle verlagern Arbeit in Hilfsmodelle: Der Generator schrumpft, aber ohne den größeren Upsampler bricht die Qualität ein. Für den Betrieb zählt die ganze Kette, nicht die Zahl im Titel.
Die Hardwareangabe hängt am Werkzeug: 8 GB gelten für die INT8-Dateien in ComfyUI, nicht für den Referenzcode des Herstellers.
Herstellerbenchmarks und erste Praxisberichte können weit auseinanderliegen; eigene Tests mit typischen Motiven bleiben nötig.

Fakten

Der Bildgenerator hat 5,6 Milliarden Parameter und belegt 11,2 GB in BF16 sowie 5,6 GB in FP8.
Bis zu zehn Referenzbilder lassen sich in einer Bearbeitung kombinieren.
Der Prompt-Upsampler basiert auf Qwen3.5-9B und steht unter Apache 2.0.
Der Download des schnellen Modells mit Upsampler umfasst 52 GB, alle Teile 107 GB.
Die kostenlose kommerzielle Nutzung gilt bis 5 Millionen US-Dollar Jahresumsatz.

Referenzen

Kritik

Die Schlagzeile „5,6 Milliarden Parameter, läuft mit 8 GB“ unterschlägt die Pflichtkomponenten: Textencoder und ein Upsampler mit 9 Milliarden Parametern kommen hinzu, der Download umfasst 52 GB, und der Referenzcode braucht auf einer B200 25 bis 31 GB Grafikspeicher.
Die Qualitätsvergleiche beruhen auf internen Elo-Wertungen von BFL, und die Latenz wurde für das eigene Modell auf den eigenen Servern, für die Konkurrenz vom Client aus gemessen. Unabhängige Vergleiche fehlen bisher.

Bemerkungen

Der Modellname „Klein“ ist deutsch; BFL nutzte ihn schon beim Vorgänger FLUX.2 [klein].
Die Installation im README nutzt Python 3.12 und PyTorch-Pakete für CUDA 13.0; getestet hat BFL sie auf einer B200.

Empfehlungen

Für Grafikkarten mit wenig Speicher, ab 8 GB, die INT8-Dateien aus dem Repository flux-3-image-klein-comfy in ComfyUI nutzen.
Den Upsampler bei knappem Grafikspeicher getrennt laufen lassen und die Beschreibung mit --no-pup übergeben, nicht einfach weglassen.
Vor einem Wechsel von FLUX.2 [klein] eigene Testmotive vergleichen, besonders Menschen und Hände.
Bei öffentlich erreichbaren Diensten --safety aktivieren und die Umsatzgrenze der Lizenz prüfen.

Ankündigung lesen

Im Webarchiv suchen