FLUX 3 Image Klein 中文全解：5.6B 开源文生图与图像编辑模型实战指南

FLUX 3 Image Klein

本文为 Hugging Face 模型卡的中文翻译。原文：https://huggingface.co/black-forest-labs/flux-3-image-klein

FLUX 3 Image Klein 是一个 5.6B 的开源权重大模型，用于文生图生成和图像编辑。它接收一个提示词和最多 10 张参考图像，返回一张图像。文生图、单参考编辑和多参考合成均通过同一个模型运行，并使用 Qwen3-VL-4B-Instruct 作为文本编码器。

5.6B 参数指的是图像 Transformer；文本编码器是独立的。

本仓库包含用于生成和图像编辑的蒸馏检查点。如需微调、LoRA 训练和研究，请使用 FLUX 3 Image Klein Base。

推理代码、提示词上采样（prompt upsampling）以及边界框格式见 GitHub：black-forest-labs/flux-3-image-klein。

请勿在没有提示词上采样器的情况下使用该模型。 FLUX 3 Image Klein 接收完整的场景描述（caption），无论是文生图、图像编辑还是带边界框的布局，都是如此；直接输入简短提示词只会得到泛泛的输出。请使用我们的 flux-3-image-klein-pup（参考代码默认加载它），或使用任意你偏好的 LLM，并配上一段系统提示词，把请求扩展成一段完整的场景描述（我们的系统提示词见 system_prompts.json）。Diffusers 本身不会运行该上采样器，详见提示词上采样一节。

本仓库包含 BF16 Transformer，以及 FP8 和 NVFP4 变体，并附带 Qwen3-VL-4B-Instruct 文本编码器和图像自编码器。

检查点	格式	步数	引导系数（Guidance）	适用场景
Klein Base	未蒸馏，bfloat16	50	3.5	微调、LoRA 训练、研究
Klein	蒸馏，bfloat16	16	无	生成与编辑、自托管；BFL API 背后的检查点

核心特性

一个模型同时支持文生图、单参考图像编辑和多参考图像生成。
提示词中的边界框。可在 0 到 1000 的网格上用边界框放置元素，然后通过提示词对其重新着色、移动、替换或删除。边界框用于引导位置和比例，但不会把像素约束在硬性遮罩（mask）内。
在生成的图像中渲染文字。
依据 FLUX Kommunity License 发布。该许可证允许非商业用途，并针对符合条件的用户（Qualifying Users）提供商业输出例外，具体以许可证条款为准。详见下方许可证一节。

下载

下载根目录下的 BF16 蒸馏包（包括其文本编码器和图像自编码器），而不下载量化变体：

python 复制代码

from huggingface_hub import snapshot_download

snapshot_download(
    repo_id="black-forest-labs/flux-3-image-klein",
    local_dir="weights/flux-3-image-klein",
    allow_patterns=[
        "model.safetensors", "config.json", "manifest.json",
        "ae.safetensors", "text_encoder/*",
        "README.md", "LICENSE.md", "NOTICE.md",
    ],
)

如需下载量化的蒸馏 Transformer，请将根目录下的三个 Transformer 文件模式（model.safetensors、config.json 和 manifest.json）替换为 variants/fp8r/* 或 variants/nvfp4/*。其他组件仍需保留 ae.safetensors 和 text_encoder/*。

这些文件只是模型包，并不是完整的推理应用。请使用支持 flow-map 采样和该检查点格式的推理实现。量化包需要支持其格式的加载器；其文件大小并不代表总的 GPU 内存占用。

使用参考代码

该蒸馏检查点通过 BFL API 以 FLUX 3 Image Klein 的名义提供服务。参考推理代码位于 black-forest-labs/flux-3-image-klein。

在参考实现的代码目录中，安装该包，并下载 CLI 除本检查点之外还要加载的两个组件。CLI 从 weights/ 读取权重（可通过 WEIGHTS_DIR 指定其他根目录），上面的下载命令会把本仓库放到该目录下。

bash 复制代码

pip install -e .

# 安全分类器，始终加载
hf download Falconsai/nsfw_image_detection --local-dir weights/nsfw-classifier
# 提示词上采样器（18.8 GB），默认开启；--no-pup 会按原样发送提示词，适用于由其他 LLM 撰写描述的场景
hf download black-forest-labs/flux-3-image-klein-pup --local-dir weights/pup

# 文生图
python scripts/cli.py 'A chunky knitted diorama: three white cable-knit icebergs with tiny pale blue houses, a cream banner embroidered "KNITTED ICEBERG VILLAGE", a giant magenta knitted whale tail bursting from a yarn sea' \
  --model distilled --out knitted.png

# 图像编辑；使用多个参考图时重复传入 --image
python scripts/cli.py 'the same scene at night under a knitted full moon, embroidered stars above the peaks' \
  --model distilled --image knitted.png --out knitted_night.png

使用 Diffusers

FLUX 3 Image Klein 使用模块化流水线（modular pipeline）。传入 prompt 进行文生图，或同时传入 image 和提示词进行编辑；image 可以是单张图像，也可以是参考图像列表。该模型接收完整的场景描述，而不是简短提示词：按原样发送请求只会得到泛泛的输出。下面的每个请求都会先经过提示词上采样器，它是一个独立的 9B 模型（black-forest-labs/flux-3-image-klein-pup），流水线本身不会自动运行它。请将其与流水线一起加载，然后生成：

bash 复制代码

pip install git+https://github.com/huggingface/diffusers.git

python 复制代码

import json

import torch
from diffusers import ModularPipeline
from huggingface_hub import hf_hub_download
from transformers import AutoProcessor, Qwen3_5ForConditionalGeneration

pipe = ModularPipeline.from_pretrained("black-forest-labs/flux-3-image-klein")
pipe.load_components(dtype=torch.bfloat16)
pipe.to("cuda")

pup_id = "black-forest-labs/flux-3-image-klein-pup"
processor = AutoProcessor.from_pretrained(pup_id)
upsampler = Qwen3_5ForConditionalGeneration.from_pretrained(pup_id, dtype=torch.bfloat16, device_map="auto").eval()
system_prompts = json.load(open(hf_hub_download(pup_id, "system_prompts.json")))


def upsample(prompt, images=()):
    if images:
        text = (
            "Reference images follow in order (the first image, the second image, ...).\n"
            f"User request: {prompt}\nOutput the caption."
        )
        content = [{"type": "image", "image": image} for image in images] + [{"type": "text", "text": text}]
        messages = [{"role": "system", "content": system_prompts["i2i"]}, {"role": "user", "content": content}]
    else:
        messages = [{"role": "system", "content": system_prompts["t2i"]}, {"role": "user", "content": prompt}]
    inputs = processor.apply_chat_template(
        messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", enable_thinking=False
    ).to(upsampler.device)
    with torch.no_grad():
        output = upsampler.generate(**inputs, max_new_tokens=3584, do_sample=False)
    return processor.decode(output[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True).strip()


caption = upsample('A chunky knitted diorama: three white cable-knit icebergs with tiny pale blue houses, a cream banner embroidered "KNITTED ICEBERG VILLAGE", a giant magenta knitted whale tail bursting from a yarn sea')
image = pipe(prompt=caption, generator=torch.Generator().manual_seed(1), output="images")[0]
image.save("knitted.png")

night = pipe(
    prompt=upsample("the same scene at night under a knitted full moon, embroidered stars above the peaks", [image]),
    image=image,
    generator=torch.Generator().manual_seed(1),
    output="images",
)[0]
night.save("knitted_night.png")

提示词上采样

提示词上采样器会把一个简短请求（编辑时还会结合参考图像）转换成模型所需的完整场景描述：媒介与风格、场景、光照与镜头，以及每个主体的颜色、材质和在画面中的位置。参考 CLI 默认运行它。上面的 upsample 使用 Transformers 运行它：文生图使用 system_prompts["t2i"]；编辑时使用 system_prompts["i2i"]，并把参考图像放在用户消息的最前面，采用贪心解码、关闭 thinking。其模型卡中包含解码设置和布局形式（t2i_bbox、i2i_bbox），后者接收一组边界框，并在描述之后写出边界框表格。

任何其他 LLM 都可以替代它：把 system_prompts["t2i"]（或带参考图的 "i2i"）作为系统提示词，把请求作为用户消息，再将它返回的描述作为 prompt 传入即可。

提示词编写

描述决定构图；参考图像用于锚定内容，但不会锁定结构。

始终运行提示词上采样器，可以使用我们的，也可以使用你自己的 LLM：该模型接收完整的场景描述（取景、主体、背景、光照），按原样发送简短提示词只会得到泛泛的输出。一句简短的编辑指令（例如 "make it blue"）会重新定义整个镜头。
进行编辑时，提示词上采样器会根据指令和参考图像写出描述：一段对参考图像的完整描述，并将编辑内容融入其中。若要指定风格，请描述其属性（配色、笔触、质感），而不是直接点名某件艺术作品。
若要指定布局，请在描述后附加一个 JSON 元素列表。每个边界框为 [top, left, bottom, right]，位于 0 到 1000 的网格上；并在描述中用 <id> 标记该元素：

text 复制代码

Minimalist graphic illustration featuring a black silhouette of a person <silhouette_1> centered against a solid, vibrant chartreuse background <background_1>. The figure is captured in a dynamic, mid-stride running pose, facing toward the left side of the frame. [{"id": "background_1", "bbox": [0, 0, 1000, 1000], "desc": "A flat field of neon yellow-green with a subtle paper texture and fine, organic grain."}, {"id": "silhouette_1", "bbox": [150, 150, 850, 850], "desc": "A black silhouette of a person in motion, made of dense stippled ink."}]

若要通过边界框进行编辑，请将第 n 张参考图称为 <ref_image_n>，并为每个元素提供 from、src_bbox 和 tgt_bbox；目标设为 null 表示删除该元素。完整格式及示例见：边界框。

局限性

该模型并不旨在也无法提供事实性信息。
虽然模型可以输出文字，但渲染出的文字可能不准确或出现扭曲。
作为一个统计模型，该检查点可能体现或放大训练数据中存在的偏见。
模型可能无法生成与提示词相符的输出。
提示词遵循程度在很大程度上受提示词风格影响。简短提示词会产生泛泛的输出。
边界框只设定位置和比例，并不是硬性遮罩：元素可能超出其边界框，而请求的小元素可能不会出现。编辑可能会改变所请求区域之外的内容。

硬件

使用参考代码、B200、1024x1024、关闭提示词上采样器时的峰值 GPU 内存：BF16 为 31 GB，FP8 为 26 GB，NVFP4 为 25 GB。在 80 GB GPU 上，提示词上采样器会增加约 28 GB 占用。

超出范围的使用

完整限制请参见 FLUX Kommunity License 第 4 节。这些限制包括：军事用途；监控（包括相关的研究与开发）；生物特征处理；非法、不安全、欺诈、诽谤或滥用性活动；生成非法内容，包括儿童性虐待材料或未经同意的私密图像；侵犯第三方权利，包括形象权或数字复制权；以及使用该模型、其衍生作品或其输出，来改进另一个执行与 FLUX 模型或衍生作品类似功能的 AI 模型。

该许可证还涵盖出口管制和制裁。其商业使用例外并非对商业微调或分发的全面许可。请查阅完整许可证，了解适用于每种用途的条款。

本模型卡中的任何内容均不得解释为、或被视作对模型发布所依据许可证的限制或修改。

负责任的 AI 开发

Black Forest Labs 致力于负责任的模型开发与部署。在发布 FLUX 3 Image Klein 之前，我们评估并缓解了多项风险，包括儿童性虐待材料（CSAM）和未经同意的私密图像（NCII）。有关我们的缓解措施、评估流程、内容溯源功能和政策的详细信息，请参阅我们的文章：Capable, Open, and Safe: Combating AI Misuse。如需报告安全问题，请联系 safety@blackforestlabs.ai。

许可证

该模型依据 FLUX Kommunity License v.1.0 发布：允许非商业用途，并允许年化总收入（包括关联方）低于 500 万美元的符合条件的用户（Qualifying Users）进行商业输出生成，具体以许可证条款为准。其他用途请参见商业许可。

Qwen3-VL-4B-Instruct 文本编码器采用 Apache-2.0 许可证。

商标与知识产权

使用 Black Forest Labs 和 FLUX 商标需事先获得书面许可，除非是必要的署名或必要的描述性引用。使用不得引起混淆，也不得暗示赞助或背书。第三方商标仍受其所有者政策的约束。

引用

如果你在作品中使用了 FLUX 3 Image，请引用：

bibtex 复制代码

@misc{bfl2026flux3image,
  author       = {{Black Forest Labs}},
  title        = {{FLUX} 3 Image Klein},
  year         = {2026},
  url          = {https://bfl.ai/blog/flux-3-image-klein},
}