5.6Bパラメーターの新モデル「FLUX 3 Image Klein」、オープンウェイトで登場

Black Forest Labsは2026年10月15日、テキストからの画像生成、画像編集、最大10枚の参照画像に対応した複数画像参照生成が可能な、5.6BパラメーターのオープンウェイトモデルFLUX 3 Image Kleinを公開した。

機能とモデル構成

このモデルは、フルサイズのFLUX 3 Imageモデルと主要な機能を共有している。ネイティブな4K生成、ピクセル単位で精密な編集に加え、要素の配置場所を指定したり、編集範囲を定めた領域に限定したりできるバウンディングボックスに対応する。Black Forest Labsによると、このモデルは画像、動画、音声を横断してFLUX 3ファミリーが培ってきた共通の知見を基盤としている。画像は空間的な詳細を、動画は動きや物理的な力学を、音声は出来事や相互作用に関する情報をもたらし、こうした信号によって、現実世界に根差した画像を生成できるという。

今回の公開には、ファインチューニング向けのベースモデルと、低レイテンシーでの生成を目的としたステップ蒸留モデルが含まれる。また、NVIDIAの協力のもと開発されたFP8、INT8、NVFP4版も提供される。生成モデルの重みが必要とするメモリ容量はBF16で11.2 GB、FP8で5.6 GB。INT8版では、ComfyUIまたはDiffusersを使うことで、VRAMがわずか8 GBのNVIDIA GeForce RTX GPUでも動作する。同社によると、パラメーター数を抑えたことで、ローカルで実用的に実行でき、より低コストで調整できるほか、ノートパソコン上で直接、デバイス内の画像編集に適したモデルになっている。

公表された評価・性能結果

Black Forest Labsが公表した社内評価では、FLUX 3 Image Kleinはテキストからの画像生成、複数画像参照生成、画像編集で首位に立ち、より大規模なオープンウェイトモデルを上回った。また、比較対象となったクローズドモデルのIdeogram V4.5とFLUX.2 proよりも高い評価を得たという。パラメーター数は5.6Bで、この比較に含まれるオープンモデルの中では最小。Qwen-Image 2.1は7B、Krea 2は12.9Bとなっている。同社によると、従来モデルFLUX.2 klein 9Bと比べ、パラメーター数を38%減らしながら、テキストからの画像生成でEloが91、画像編集で70向上した。

同社は、FLUX 3 Image Kleinが速度と品質のパレートフロンティアも拡張すると説明している。BFL API経由でのレイテンシーはQwen-Image 2.1、FLUX.2 pro、Ideogram V4.5、Krea 2より低く、1MP画像のテキストからの生成ではAPIレイテンシーの中央値が4.54秒、編集では7.18秒だったという。公表された測定方法では、リクエストの送信から完成した1MP画像の取得までを、キュー待ち時間も含めてエンドツーエンドで計測した。FLUX 3 Image Kleinは同社のサーバー上で測定し、その他のモデルはクライアント側で、ポーリングとネットワークの所要時間を含めて測定した。Krea 2はMediumプランで計測し、Largeプランのテキストからの画像生成には31.1秒かかった。

ローカル推論について、同社はINT8版の蒸留モデルを使うと、ComfyUI経由でNVIDIA GeForce RTX 5090では約4秒、RTX 4070では9秒未満で1MP画像を生成できると報告した。公開時に発表された性能チャートはNVIDIAが測定し、RTXの結果はComfyUIで記録したものだ。1024×1024の画像をテキストから生成する場合、16ステップの蒸留モデルではGB300の0.55秒からRTX 4070の8.9秒まで、50ステップのベースモデルではGB300とDGX Stationの1.7秒からDGX Sparkの43.8秒までの結果が示されている。各GPUで最も速いモデル構成を示したチャートであり、エンドツーエンドのAPIレイテンシーではなく、GPU自体での生成時間を測定している。

提供状況、ライセンス、安全性

蒸留モデルはBFL APIでflux-3-image-kleinとして利用でき、プロンプトのアップサンプリングとピクセル復元にも対応する。同社によると、ピクセル復元では画像の未編集領域が正確に維持される。料金は画像1K枚あたり0.009ドルから。ベースモデルと蒸留モデルの重みはHugging Faceで公開されており、バウンディングボックス制御のGradioデモを備えた推論用サンプルコードはGitHubで入手できる。Hugging Face Spacesでもデモが公開されている。

公開初日からComfyUI、Hugging Face Diffusers、TensorRT-LLM、SGLang Diffusion、vLLM-Omniに対応する。このモデルはNVIDIA GB200 NVL72で学習され、NVIDIAのアクセラレーテッドコンピューティングプラットフォーム向けに最適化された。同社によると、NVIDIA GB300では、蒸留モデルがNVFP4で1MP画像を0.6秒未満で生成する。また、LoRAを適用すると生成時間は約5%増加するという。

ベースチェックポイントはファインチューニング向けに構築されている。DiffusersとOstrisのAI Toolkitは公開初日からLoRAの学習に対応し、NVIDIAのNeMo AutoModelには、公開されたチェックポイントから直接実行できる学習レシピが用意されている。重みはFLUX Kommunity Licenseのもとで公開されており、年間売上高が500万ドル未満の個人および企業は、研究目的や非商用利用に加え、商用利用も無料で行える。これを上回る規模の組織は、セルフホスト型ライセンスの選択肢またはAPIを通じて商用利用できる。

Black Forest Labsによると、事前学習では有害なコンテンツへの露出を抑えるためにデータセットをフィルタリングし、学習後には有害な振る舞いを抑制するため、対象を絞ったファインチューニングを実施している。また、FLUX 3 Image Kleinのチェックポイントは社内でレッドチーム評価を受け、外部の安全性評価パートナーであるCinderによる評価も実施された。その結果、ほかの人気オープンウェイトモデルと比べて脆弱性が大幅に少ないことが示されたという。FLUX 3 Image KleinはFLUX 3ファミリーから公開された2番目のオープンウェイトモデルで、1つ目はロボット制御向けの同社製7Bモデル、FLUX 3 Actionだった。同社は今後もモデルを公開する予定だとしている。