انتشار مدل بازوزن FLUX 3 Image Klein؛ تولید تصویر باکیفیت روی پردازنده‌های گرافیکی ۸ گیگابایتی

شرکت Black Forest Labs (سازندهٔ خانواده مدل‌های موفق FLUX) نسخهٔ سبک‌تر مدل پرچمدار خود را با نام FLUX 3 Image Klein منتشر کرده است. این مدل با ۵٫۶ میلیارد پارامتر و وزن‌های باز (Open Weights)، با هدف ایجاد توازن میان کیفیت، سرعت و امکان اجرای محلی روی سخت‌افزارهای ردهٔ مصرف‌کننده طراحی شده است.

ویژگی‌های فنی و قابلیت‌های کلیدی

مدل Klein با وجود ابعاد فشرده‌تر نسبت به رقبای خود (نظیر مدل‌های ۷ و ۱۲ میلیارد پارامتری)، قابلیت‌های اصلی نسخهٔ کامل FLUX 3 را حفظ کرده است. مهم‌ترین توانمندی‌های این مدل عبارت‌اند از:

• ویرایش موضعی و کنترل دقیق: پشتیبانی از Bounding Box برای تعیین محل قرارگیری المان‌ها یا محدود کردن ویرایش‌ها به محدوده‌ای خاص به همراه قابلیت بازسازی در سطح پیکسل (Pixel Restoration).
• تولید بر پایهٔ مراجع چندگانه: قابلیت دریافت هم‌زمان تا ۱۰ تصویر مرجع برای هدایت فرایند خروجی.
• کیفیت خروجی: توانایی تولید تصویر با رزولوشن بومی 4K و بهره‌گیری از داده‌های مشترک تصویری، ویدئویی و صوتی برای درک بهتر فیزیک صحنه.

این نسخه در دو حالت اصلی عرضه شده است: مدل پایه (Base Model) که برای فرایند Fine-tuning و آموزش LoRA مناسب است، و مدل تقطیرشده (Distilled Model) که برای استنتاج با تأخیر بسیار پایین بهینه‌سازی شده است.

بهینه‌سازی برای سخت‌افزارهای تجاری و مصرفی

یکی از بزرگ‌ترین چالش‌های توسعه‌دهندگان در کار با مدل‌های انتشار تصویر، نیاز بالا به حافظهٔ گرافیکی (VRAM) بوده است. BFL با همکاری NVIDIA، ساختارهای کوانتیزه‌شدهٔ متنوعی از جمله FP8، INT8 و NVFP4 را توسعه داده است:

• وزن‌های مدل در فرمت BF16 به حدود ۱۱٫۲ گیگابایت و در حالت FP8 به ۵٫۶ گیگابایت حافظه نیاز دارند.
• با استفاده از نسخهٔ INT8، اجرای محلی مدل روی کارت‌های گرافیک NVIDIA با حداقل ۸ گیگابایت VRAM (از طریق بسترهایی نظیر ComfyUI یا Diffusers) ممکن شده است.
• زمان تولید یک تصویر ۱ مگاپیکسلی در ComfyUI روی کارت RTX 5090 حدود ۴ ثانیه و روی RTX 4070 کمتر از ۹ ثانیه است؛ در حالی که روی پردازنده‌های پیشرفته GB300 با فرمت NVFP4 این زمان به زیر ۰٫۶ ثانیه می‌رسد.

توسعه‌دهندگان همچنین از روز نخست به ابزارهای آمادهٔ آموزش LoRA (مانند Ostris AI Toolkit و بسته‌های NVIDIA NeMo AutoModel) و فریم‌ورک‌های سرویس‌دهی سریع مانند TensorRT-LLM، SGLang Diffusion و vLLM-Omni دسترسی دارند.

مدل تجاری و مجوز استفاده

این مدل تحت لایسنس اختصاصی FLUX Kommunity منتشر شده است. استفادهٔ تجاری برای افراد و شرکت‌هایی که درآمد سالانهٔ آن‌ها کمتر از ۵ میلیون دلار است، کاملاً رایگان خواهد بود. همچنین BFL دسترسی ابری به مدل را از طریق API اختصاصی خود با قیمت بسیار رقابتی (از ۰٫۰۰۹ دلار به ازای هر ۱۰۰۰ تصویر در مدل تقطیرشده) در دسترس قرار داده است.

بازخوردها و نکات فنی جامعه توسعه‌دهندگان

در بحث‌های پیرامون این انتشار در Hacker News، توسعه‌دهندگان به موارد متعددی اشاره کرده‌اند:

• قدرت بالای ویرایش در برابر تولید پایه: کاربران اشاره کرده‌اند که قابلیت‌های Inpainting و ویرایش دقیق مدل عملکردی بسیار باثبات دارد، هرچند برخی معتقدند کیفیت خالص تبدیل متن به تصویر (Text-to-Image) در مقایسه با نسخه‌های سنگین‌تر FLUX یا رقبایی مثل MOSS Image ممکن است کمی پایین‌تر باشد.
• فیلترهای محتوایی و آناتومی انسان: یکی از نقدهای مطرح‌شده، افت کیفیت مدل در تولید فیگورهای انسانی است که برخی آن را ناشی از فیلترهای امنیتی سخت‌گیرانه روی داده‌های آموزشی و حذف محتوای NSFW می‌دانند.
• صرفه‌جویی در هزینه: سرعت بالا و قیمت اقتصادی در محیط‌های ابری به عنوان مزیتی بزرگ برای استارتاپ‌ها شناخته شده است؛ به‌ویژه در مقایسه با رقبای ابری دیگر که هزینهٔ استنتاج بالاتری مطالبه می‌کنند.