FLUX.3 Image Klein in Diffusers: 5,6 Mrd. offene Gewichte mit Layout-Steuerung per Bounding Box

Serguey Asael Shinder17 October 2026, 08:322 Min. Lesezeit

Hugging Face hat am 15. Oktober 2026 mitgeteilt, dass FLUX.3 Image Klein, das jüngste offene Bildmodell von Black Forest Labs, vom ersten Tag an in der Bibliothek Diffusers läuft. Die Modellkarte nennt 5,6 Milliarden offene Gewichte. Ein einziges Modell erledigt Text-zu-Bild, Bild-zu-Bild mit mehreren Referenzbildern und etwas Neues für die Familie: Layout-Steuerung über Bounding Boxes im Prompt.

Zwei Checkpoints. Beide liegen in der Sammlung FLUX.3 Image Klein auf dem Hub:

• black-forest-labs/flux-3-image-klein – zeitschrittdestilliert für schnelle Inferenz, 16 Schritte, ohne Classifier-Free Guidance;
• black-forest-labs/flux-3-image-klein-base – das Basismodell, 50 Schritte mit CFG und gedacht fürs Fine-Tuning.

Layout-Steuerung. Hinter die Bildbeschreibung kann der Prompt eine JSON-Liste von Regionen setzen, jede mit id, bbox und desc, auf die die Beschreibung als <id> verweist. Boxen werden als [y_min, x_min, y_max, x_max] auf einer Skala von 0 bis 1000 angegeben, damit dieselbe Box bei jeder Bildgröße passt. Bei Bearbeitungen nennt jede Region eine src_bbox in der Referenz und eine tgt_bbox im Ergebnis; sind beide gleich, bleibt der Bereich, wo er ist. Mehrere Referenzbilder heißen <ref_image_0>, <ref_image_1> usw. – in der Reihenfolge der Übergabe.

Tempo und Speicher. Gemessen mit dem destillierten Checkpoint auf einer einzelnen H100 80 GB, gemittelt über drei Läufe: Text-zu-Bild mit 1024 × 1024 in 1,93 s, Bild-zu-Bild mit einer Referenz von 1024 × 1024 in 3,87 s, Layout-Bearbeitung mit einer Referenz von 1360 × 768 in 4,10 s. Eine Referenz verdoppelt die Zeit etwa, weil sie jedem Transformer-Aufruf 4.096 Token hinzufügt. Der Spitzenbedarf nach der Inferenz liegt bei 20,72 GiB in bf16, 16,27 GiB mit zeilenweisem FP8 auf einer H100 und 15,3 GiB mit NVFP4 auf einer RTX 6000. Die quantisierten Dateien lädt from_single_file; FP8 verlangt Compute Capability 8.9 oder neuer, NVFP4 Blackwell und FlashInfer. Laut Beitrag sparen beide Speicher, beschleunigen aber nicht.

Architektur. FLUX.3 ist ein latentes Flow-Modell und nutzt den VAE von FLUX.2: Ein Token deckt 16 × 16 Pixel ab, ein Bild mit 1024 × 1024 sind also 4.096 Token. Als Text-Encoder dient Qwen3-VL; das Modell liest die Zustände aus acht seiner 36 Schichten und projiziert sie auf die Transformer-Breite von 3.072. Der Transformer durchläuft zuerst 5 Blöcke je Strom mit getrennten Gewichten für Text, Bild und Referenzen, dann 28 gemeinsame Blöcke über die verkettete Sequenz. Bei FLUX.2 sahen sich die Ströme von Anfang an gegenseitig, FLUX.3 hält sie zunächst getrennt.

Training. Diffusers liefert DreamBooth-LoRA-Skripte für Text-zu-Bild und für anweisungsbasierte Bildbearbeitung, mit einem Beispiel, das einen Tarotkarten-Stil lernt. Die Lizenzbedingungen nennt der Beitrag nicht.

Quelle: Hugging Face Blog, „Welcome FLUX.3 Image Klein in Diffusers“ — https://huggingface.co/blog/flux-3