W
AI-Wiki
ENTITY

FLUX.3 Image Klein

定义与身份

FLUX.3 Image Klein 是 Black Forest Labs 的 FLUX.3 家族轻量成员。来源文章将它称为 ComfyUI 官方刚支持的新模型,核心定位是“小体积、高效率”:用较小的 diffusion 模型体积和配套文本编码器,在消费级显卡上完成文生图、风格化出图和图片编辑。

在来源文章的实测语境中,FLUX.3 Image Klein 不是被当作超大参数模型来评估,而是被当作“单位显存下的出图质量 + 编辑保真度”模型来评估。作者认为,如果质量在线,5.4GB diffusion 模型加 4.5GB 文本编码器总量不到 10GB,使 24GB 显存的消费级显卡成为它的主场。

角色与用途

FLUX.3 Image Klein 在来源文章中的主要角色包括:

  • 本地文生图模型:用于 1024×1024、1920×1080、3840×2160 等分辨率的文本到图像生成。
  • 风格化生成模型:同一“山水村居”场景可测试水彩、水墨、浮世绘、像素风等不同艺术风格。
  • 图片编辑模型:通过 ReferenceLatent 图片编辑 范式,把原图 latent 注入条件分支,用于加物、换物、天空替换、天气替换、时间替换和人物写真编辑。
  • 消费级显卡上的生产化候选模型:来源文章把它接入自己的 AI 工具集和平台,围绕批量文生图、人物写真编辑、电商换背景等场景做完整测试。

测试模型与组件

来源文章实测的 Klein 组件配置如下:

组件配置
diffusion 模型flux3_image_klein_sd_int8_convrot.safetensors
diffusion 模型大小5.4GB
diffusion 量化int8 量化版本
文本编码器qwen3vl_4b_int8_convrot.safetensors
文本编码器大小4.5GB
VAEflux2-vae.safetensors

作者特别指出,FLUX.3 Image Klein 官方还带有配套的 Qwen3-VL 4B 文本编码器。文章中的 VAE 使用的是本机原有的 flux2-vae.safetensors。

下载来源

来源文章中的模型下载来源是 ModelScope 仓库:

  • 仓库名:black-forest-labs/flux-3-image-klein-comfy
  • 地址:https://modelscope.cn/models/black-forest-labs/flux-3-image-klein-comfy

作者称该仓库在国内下载稳定,速度比 HuggingFace 镜像还稳,并建议模型优先从 ModelScope 官方仓库一次下齐。

实测环境

来源文章的实测环境为:

项目配置
GPURTX 4090D 24GB
ComfyUI0.41.0
diffusion 模型flux3_image_klein_sd_int8_convrot.safetensors(5.4GB)
文本编码器qwen3vl_4b_int8_convrot.safetensors(4.5GB)
VAEflux2-vae.safetensors

作者认为,5.4GB diffusion 模型加 4.5GB 文本编码器的组合,对 24GB 显存的 RTX 4090D 较为宽松,因此 24GB 消费级显卡是 FLUX.3 Image Klein 的主场。

ComfyUI 工作流与默认参数

来源文章在 ComfyUI 中搭建了两个工作流模板:

  • 文生图工作流:UNETLoader → CLIPLoader(type=flux3) → EmptyFlux2LatentImage → KSampler(euler/simple, cfg=1, steps=15)。
  • 图片编辑工作流:LoadImage → ReferenceLatent 把原图 latent 注入正负两条条件分支 → SamplerCustomAdvanced。

默认推理配置为:

参数值
CFGcfg=1
步数15 步
采样器 / 调度euler/simple

作者强调,Klein 的生成参数极其简单:cfg 固定为 1,因为它是蒸馏模型,不需要额外引导系数;15 步采样已经是它的主要工作点;euler/simple 即可使用。来源文章还明确建议“15 步别加”,因为蒸馏模型 15 步已收敛,增加步数只会浪费时间。这一点可归入 蒸馏图像模型采样参数 的典型经验。

文生图实测表现

1024×1024 基础测试

来源文章首先用 1024×1024 分辨率进行文生图测试。模型已加载后,15 步推理日志显示:

  • Flux3 动态显存加载 staged 约 5557MB。
  • 15/15 步采样耗时约 2 秒,速度约 6.41 it/s。
  • AutoencoderKL staged 约 160MB。
  • Prompt 总执行时间为 3.66 秒。

文章开头将其概括为“1024px 文生图 4 秒一张”。

4K 极限压测

作者还测试了 3840×2160 的 4K 城市夜景生成。该测试使用 VAE Tiled Decode,否则可能出现 VRAM 爆掉的问题。结果为 44.50 秒出图,并且一次通过。

这一结果说明 Klein 可以尝试 4K 直出,但来源文章在总结中仍建议:如果需求是超高分辨率直出,需要权衡;4K 以上更建议先出 2K 后再放大。

10 种艺术风格

来源文章用同一个“山水村居”场景测试 10 种艺术风格,分辨率为 1920×1080。测试结果为:

  • 10 张全部通过。
  • 平均约 6.0 秒一张。
  • 水彩湿画法晕染、水墨留白、浮世绘木刻线条、像素风严格网格等风格指令均命中。
  • 作者用 Florence2 对成图 caption 复核,10 张描述与 prompt 语义全部对应。

图片编辑能力

来源文章称图片编辑是 Klein 的“隐藏王牌”。它使用上一轮生成的 10 张风格图作为底图,每张执行一条编辑指令,测试结果如下:

编辑类型案例结果
加物水墨画山顶加宝塔 / 像素画加篝火5/5
换物向日葵→薰衣草田2/2
天空替换水彩白天→晚霞1/1
天气替换赛博朋克雨→雪1/1
时间替换装饰艺术昼→夜1/1

其中,水墨加宝塔案例中,模型只在最高峰顶添加一座塔,墨色浓淡和朱红印章位置保留。赛博朋克雨转雪案例中,霓虹倒影被改成积雪反光,作者认为其物理逻辑正确。

对于 1920×1080 图片编辑,来源文章给出的平均速度约为 10.0 秒一张。

人物编辑与身份保持

来源文章进一步测试了人物编辑。测试方式是先用 Klein 文生图生成 10 张多样化人物底图,覆盖不同性别、年龄、族裔、职业和景别,再执行 10 条编辑指令,覆盖 8 类人物编辑能力。

文章列举的代表案例包括:

  • 小女孩双马尾改成齐耳短发加发卡,同时保留雀斑数量和逆光发丝边缘。
  • 家庭合影加入金毛幼犬,四人一狗光影统一,父母孩子没有明显漂移。

该轮结论是:身份保持,平均 10 秒一张,整轮没有出现一次“换装换脸”。作者认为,Klein 的 ReferenceLatent 范式对人物主体的保真能力处于其测过的开源编辑模型中较好的一档。

边界也被记录下来:球衣上的 AI 伪文字在编辑后有轻微形变,这是扩散模型处理文字的通病;低分辨率时脸部也可能出现崩坏。

竖版写真与画布约束

来源文章还测试了接近商业场景的 1080×1920 竖版写真编辑:

  • 源图:4 张白底证件照风格的中国美女源图。
  • 指令:10 条编辑指令。
  • 输出:统一 1080×1920 竖版。
  • 实际生成:先生成 1088×1920,再用 Lanczos 精调,因为 Klein 只吃 16 的倍数。

代表案例包括:

  • 白底替换为西湖柳堤背景,发丝边缘、皮肤受光与新背景光线一致。
  • 红汉服加古庭院双替换,绣花纹样精细,背景透视正确,脸部 identity 保持不变。

全链路时间统计为:

环节耗时
上传底图平均 30ms
任务提交平均 497ms
服务端生成(15 步)10~11s
端到端(一次通过样本)平均 11s

作者指出,服务端纯推理占端到端时间的 96%,工程链路本身几乎不耗时。

优点

来源文章总结的优点包括:

优点说明
小5.4GB diffusion + 4.5GB 编码器,24GB 显存较宽松
快1024P 约 4 秒,1920×1080 图片编辑约 10 秒,4K 约 44 秒
编辑强人物“不换脸”在作者实测中表现突出
参数简单cfg=1、15 步、euler/simple,没有复杂调参
国内下载友好ModelScope 可直接下载,不依赖科学上网

不足与边界

来源文章记录的不足和边界包括:

  • 文字渲染一般:编辑时已有伪文字可能轻微形变,精确文字渲染不是其强项。
  • pad 白边陷阱:方图 pad 成竖版后,白边可能被模型当成需要保留的原图内容,导致背景替换只填充中间区域,上下白条保留。
  • 高分辨率风险:4K 测试可一次通过,但需要 VAE Tiled Decode;否则可能 VRAM 爆掉。
  • 尺寸约束:竖版写真测试中,Klein 需要 16 的倍数,因此使用 1088×1920 生成后再精调到 1080×1920。
  • 低分辨率人脸问题:来源文章提到分辨率低时脸可能有些崩。

pad 白边问题的解决方法是,在指令中显式声明“白区是待替换的 padding,新背景需铺满 9:16 全画布”。作者认为这不是模型能力缺陷,而是输入预处理和指令工程的配合问题。业务上,竖版编辑优先使用原生竖图;如果必须 pad,则在指令中加入全画布声明。

使用建议

来源文章给出的建议包括:

  • 直接使用 ComfyUI 0.41 或更高版本;旧版节点注册不全,升级后更稳。
  • 模型优先从 ModelScope 的 black-forest-labs/flux-3-image-klein-comfy 仓库下载。
  • 图片编辑指令加入 keep unchanged,例如 keep the face/pose unchanged,有助于提升稳定性。
  • 竖版编辑优先用原生竖图,避免 pad 白边陷阱;如果必须 pad,要声明新背景铺满全画布。
  • 保持 15 步推理,不建议盲目加步数。

来源文章中的生产化判断

来源文章认为,如果需求是批量文生图、风格化出图、人物写真编辑、电商换背景,FLUX.3 Image Klein 值得接入生产;其组合优势是 4 秒一张的出图速度、人物编辑不换脸和零 API 成本。

如果需求是图文中的精确文字渲染或超高分辨率直出,仍需要权衡。文章最终用 41 条用例零失败来支持结论:一块 24GB 的 RTX 4090D 可以跑通文生图、图片编辑和人物写真的完整业务闭环。该判断也可归入 本地图像生成模型生产化评测 的案例。

相关条目