Flux.3 — Klein

Anders als Flux.2 Klein gibt es Flux.3 Klein nur in einer Größe: 5,6 Milliarden Parameter. Die Wahl liegt woanders, zwischen zwei Formen desselben Modells. Die distillierte Variante kommt in 4 bis 16 Steps zu einem fertigen Bild, ohne CFG. Die Base-Variante braucht 50 Steps bei CFG 3.5 und ist für Fine-Tuning und LoRA-Training gedacht. Für die Bildarbeit ist die distillierte die richtige.

Der Text-Encoder ist Qwen3-VL-4B — ein Sprachmodell, das auch Bilder versteht. Das ist mehr als ein technisches Detail: Ein Sprachmodell liest einen Prompt so, wie ein Mensch ihn liest, und das wird beim Prompten wichtig. Die VAE ist dieselbe wie bei Flux.2. Wer Flux.2 Klein eingerichtet hat, hat sie schon im Ordner.

Neben Text-zu-Bild kann das Modell vorhandene Bilder bearbeiten, bis zu zehn Referenzbilder kombinieren und Bildelemente über Bounding Boxes platzieren. Black Forest Labs sieht Flux.3 Klein in den eigenen Vergleichen vor Flux.2 Klein 9B. Das sind Herstellerangaben — die eigenen Vergleiche folgen unten.

Die Messwerte — alle bei 1024×1024, warm (Modelle im Speicher), 16 Steps:

Einen Negativ-Prompt gibt es nicht. Unerwünschtes wird positiv umformuliert, wie bei Flux.2 Klein: „ein leerer Strand“ statt „keine Menschen“. Das Neue liegt woanders.

Ein Prompt wird nicht geparst. Er geht als Ganzes durch ein Sprachmodell, und das liest Struktur so, wie ein Mensch sie liest. Deshalb versteht Flux.3 Klein — wie schon Flux.2 Klein — einen frei gegliederten JSON-Prompt direkt: Kamera, Licht, Elemente, Wechselwirkungen, jeweils in einem eigenen Feld. Syntaxfehler verzeiht das Sprachmodell dabei, eigene Feldnamen interpretiert es richtig.

Der Vorteil zeigt sich beim Prüfen. Jedes Feld wird zu einem Punkt, den man am Bild abhaken kann. Und was ein eigenes Feld bekommt, kommt auch ins Bild: Die beiden Wechselwirkungen im Testprompt — das Dünengras überlappt die Kante des Decks, der Himmel spiegelt sich in der Glastür — standen jeweils in einem eigenen Feld, und beide wurden umgesetzt.

Was JSON allein nicht schafft, ist die Komposition. „Himmel über zwei Drittel des Bildes, Haus tief im Bild“ hat kein Modell umgesetzt, weder Flux.2 Klein noch Flux.3 Klein, auch nicht mit höchster Priorität im Feld. Eine Rangfolge hebt die Wichtigkeit, sie setzt keine Koordinaten.

Hier setzt Flux.3 Klein an. Jedes Bildelement bekommt eine eigene Box mit Koordinaten und eine eigene Beschreibung. Die Koordinaten sind relativ, von 0 bis 1000, und gelten deshalb für jede Bildgröße — nur das Seitenverhältnis muss feststehen, bevor man die Boxen anlegt, denn das Raster dehnt sich mit dem Format.

Black Forest Labs dokumentiert dafür ein festes Format: Fließtext mit Markern, danach eine Liste der Boxen. Es geht aber auch direkt im JSON. Die Boxen stehen einfach als Feld bbox bei den Elementen:

Von Hand lassen sich Koordinaten ausrechnen: Pixel von oben durch Bildhöhe mal 1000, Pixel von links durch Bildbreite mal 1000. Bequemer geht es in ComfyUI selbst. Im Node Create Bounding Boxes zieht man die Boxen auf einer Leinwand im Format des Ausgabebilds auf, FLUX.3 Layout Prompt hängt sie im richtigen Format an den Prompt an. Die Boxen heißen dann obj_1, obj_2 und so weiter, und der Fehler mit der Achsenreihenfolge kann nicht mehr passieren.

Flux.3 Klein kann vorhandene Bilder nach Anweisung bearbeiten und bis zu zehn Referenzbilder kombinieren, im Prompt angesprochen als <ref_image_0>, <ref_image_1> und so weiter. Black Forest Labs verspricht, dass bei einer Bearbeitung der Rest des Bildes erhalten bleibt. Die eigenen Beispiele zeigen, was das heißt: Je nach Eingriff bleiben zwischen 68 und 94 Prozent der Pixel identisch, nicht alle.

Für Produktbilder, Serien mit wiederkehrenden Figuren und Objekte, die exakt bleiben sollen, ist das der spannendste Teil des Modells. Die eigenen Tests dazu folgen.

Die Dokumentation von Black Forest Labs beschreibt das API-Modell. Einiges davon gibt es lokal nicht: Über die API recherchiert das Modell auf Wunsch im Web, um reale Dinge richtig darzustellen; es bietet feste Seitenverhältnisse und Auflösungsstufen bis 4K; es baut kurze Prompts automatisch aus; und es stellt unbearbeitete Bereiche nach einer Bearbeitung zusätzlich wieder her. Lokal setzt man Breite und Höhe direkt, der Upsampler ist ein eigenes Modell, und die Websuche fehlt ganz. Wer Beispiele aus der BFL-Dokumentation lokal nachbaut, sollte das wissen.

Flux.3 Klein steht unter einer neuen Lizenz, der FLUX Kommunity License. Sie liegt zwischen Apache 2.0 und der bisherigen Non-Commercial-Lizenz. Wer zusammen mit verbundenen Unternehmen weniger als 5 Millionen US-Dollar Jahresumsatz hat, darf die erzeugten Bilder kommerziell nutzen und das Modell dafür produktiv betreiben, ohne Lizenzgebühr. Darüber braucht es eine Lizenz von Black Forest Labs. Für Freiberufler und kleine Studios ist das eine gute Nachricht. Für die Marketingabteilung eines großen Unternehmens heißt es: vor dem produktiven Einsatz lizenzieren.

Die Lizenz verlangt außerdem, dass die erzeugten Bilder vor der Verbreitung gefiltert oder geprüft werden, und dass sie als KI-erzeugt gekennzeichnet sind, soweit das Gesetz es verlangt. Sicherheitsmechanismen des Modells zu umgehen ist ausdrücklich untersagt. Der Text-Encoder steht separat unter Apache 2.0.

Gegenüber Flux.2 Klein fällt damit ein Vorteil weg: Flux.2 Klein 4B steht unter Apache 2.0 und ist ohne Umsatzgrenze frei nutzbar. Mehr dazu in 2.1.4 — Lizenzmodelle verstehen. Maßgeblich ist die jeweils aktuelle Fassung der Lizenz; Orientierung, keine Rechtsberatung.