Referenzbilder mit Flux.2 Klein und Flux.3 Klein

Flux.2 Klein gibt es in zwei Größen, 4B und 9B, und in zwei Formen, destilliert und Base. Für Referenzen kommt nur die destillierte Form infrage. Beide Größen lesen damit Referenzbilder ohne Zusatzmodell.

Jede Referenz durchläuft drei Nodes: Load Image, Image Scale To Total Pixels auf 1 Megapixel und VAE Encode. Das Latent geht in einen ReferenceLatent-Node, der es an das Conditioning hängt. Pro Referenz braucht es zwei davon, einen in der positiven Kette und einen in der negativen, die aus Conditioning Zero Out kommt. Weitere Referenzen werden in beiden Ketten einfach angehängt.

Die Reihenfolge bestimmt den Namen. Die erste Referenz ist Figure 1, die zweite Figure 2. Andere Formulierungen wie „reference image one“ hat das Modell bei mir nicht zuverlässig zugeordnet.

Gesampelt wird mit euler, cfg 1 und dem Flux2Scheduler. Die leere Leinwand ist ein Empty Flux 2 Latent.

Vier Steps reichen. Im Differenzbild zu acht Steps zeigen sich die Unterschiede vor allem im Muster aus Figure 2. Mit acht Steps kommen minimal mehr Sommersprossen und etwas mehr Brillanz dazu, bei doppelter Rechenzeit. Mein Eindruck ist, dass eine größere Leinwand mehr bringt als mehr Steps. Dazu mehr im Abschnitt zu Flux.3 Klein.

Der Seed hält die Komposition nur, solange Modell, Auflösung und Steps gleich bleiben. Bei 1024 × 1024 haben vier und acht Steps die Pose nicht verändert, bei 1408 × 1408 schon. Wer eine Pose gefunden hat und danach Auflösung oder Steps ändert, sucht neu.

Ein Referenzwechsel dagegen lässt die Komposition stehen, wie die Matrix in 2.5.1 zeigt, mit der dort beschriebenen Ausnahme. Daraus ergibt sich die Arbeitsweise: die Pose einmal finden und dann Personen und Produkte darin tauschen.

Flux.2 Klein 9B lief auf einem MacBook Pro mit 64 GB, mit dem Qwen3-Encoder in 8B. Flux.2 Klein 4B lief auf einem MacBook Air mit 16 GB, mit dem Qwen3-Encoder in 4B als Q6-GGUF. Das kleinere Modell liest die Referenzen genauso. Aber die Farben sind deutlich blasser, und man merkt, dass Modell und Encoder wesentlich kleiner sind. Feine Details und die Umsetzung des Prompts bleiben sichtbar hinter 9B zurück. Das liegt an der Modellgröße, nicht am Rechner. 9B bringt eine Menge mehr, 4B läuft dafür auf 16 GB.

Auf dem Air ist das quantisierte Modell schneller als das volle. In voller Größe stand die Speicheranzeige dauerhaft auf Rot, kurz vor dem Abbruch. Als Q8 steht sie auf Gelb bis Orange, also auch am Limit, aber stabil. Auf 16 GB entscheidet der Speicher über die Zeit, nicht die Rechenleistung. Für das Air ist Q8 deshalb die richtige Wahl.

Für Flux.3 Klein ist das hier ein erster Stand: ein Motiv, wenige Seeds, nur auf dem MacBook Pro getestet. Der Test auf dem MacBook Air mit 16 GB ist in Arbeit. Das Prinzip ist dasselbe, die Verdrahtung eine andere.

Ich nutze die destillierte Variante in bf16. Das offizielle Template liefert eine int8-Fassung mit und empfiehlt bf16 ab 24 GB Speicher. Der Encoder ist Qwen3-VL in 4B, geladen mit einem CLIP Loader vom Typ flux3. Der VAE ist derselbe wie bei Flux.2 Klein.

Statt einer Kette aus ReferenceLatent-Nodes gibt es hier einen einzigen Node: Set Reference Multi Latent. Er nimmt das positive und das negative Conditioning, den VAE und die Bilder entgegen, skaliert jede Referenz auf etwa 1 Megapixel, kodiert sie und hängt sie an beide Ketten. Weitere Referenzen kommen an den nächsten freien Eingang. Die Reihenfolge bestimmt den Namen: <ref_image_0>, <ref_image_1> und so weiter.

Der Node hat einen dritten Ausgang, ein leeres Latent in der Größe der Referenz. Das ist dieselbe Falle wie bei Flux.2 Klein. Ich lasse ihn unbenutzt und setze die Leinwand mit einem eigenen Empty Flux 2 Latent. Gesampelt wird mit einem KSampler, 16 Steps, cfg 1, euler, Scheduler simple.

Gleicher Prompt, gleicher Seed, eine andere Porträt-Referenz. Solange beide Porträts ähnlich ausgerichtet sind, ändert sich nur die Frau. Pose, Pullover und Hose bleiben stehen. Ist das Porträt aber gewinkelt, dreht Flux.3 Klein die ganze Figur mit, nicht nur den Kopf. Flux.2 Klein hat dieselbe gewinkelte Referenz zwar übernommen, die frontale Pose aus dem Prompt aber gehalten. Flux.3 Klein gewichtet Referenzbilder deutlich stärker.

Für die Identität nehme ich deshalb frontale Porträts, wie auf einer Sedcard, und nicht zu eng angeschnitten. Mein Eindruck ist, dass das Modell die Proportionen besser trifft, wenn auf dem Porträt etwas vom Oberkörper zu sehen ist. Alles, was eine Referenz an Haltung mitbringt, konkurriert sonst mit der Pose im Prompt, und bei Flux.3 Klein setzt sich eher die Referenz durch.

Bei 1024 × 1024 und 16 Steps braucht ein Bild auf dem Pro etwa zwölf Minuten, zwischen 710 und 720 Sekunden. Das ist gut doppelt so lang wie Flux.2 Klein 9B mit vier Steps. Bei 1408 × 1408 sind es 990 Sekunden, also nur gut ein Drittel mehr bei fast doppelter Bildfläche. Flux.2 Klein 9B braucht dort mit vier Steps 867 Sekunden. In der höheren Auflösung liegen die beiden Modelle damit fast gleichauf.

Flux.2 Klein und Flux.3 Klein werden in 1408 × 1408 erheblich besser: feinere Haut, klarerer Strick, eine lockerere Haltung. Die Leinwand ist einfach größer. In einer Ganzkörperaufnahme nimmt das Gesicht nur einen kleinen Teil des Bildes ein. Bei 1024 × 1024 bleiben dafür wenige Pixel, bei 1408 × 1408 fast doppelt so viele.

Bei Flux.3 Klein ist die höhere Auflösung noch zwingender als bei Flux.2 Klein, und sie kostet verhältnismäßig wenig Zeit. Meine Empfehlung für Flux.3 Klein ist deshalb: mindestens 1408 × 1408.

Flux.2 Klein ist schneller und läuft als 4B auf 16 GB, unter einer Lizenz, die auch kommerziell frei ist. Für Kurse, für kleine Rechner und für alles, was oft iteriert werden muss, ist es die erste Wahl.

Flux.3 Klein braucht 16 Steps und bei 1024 × 1024 deutlich mehr Zeit, bei 1408 × 1408 kaum noch. Es steht unter der FLUX Kommunity License, die bis zu einem Jahresumsatz von 5 Millionen US-Dollar kostenfrei ist. Dafür kann es etwas, das Flux.2 Klein fehlt: Es liest Bounding Boxes und platziert Elemente nach Koordinaten. Mehr dazu in 2.3.5. Ob sich eine referenzierte Person per Box an eine bestimmte Stelle setzen lässt, teste ich als Nächstes.

In meinen bisherigen Bildern setzt Flux.3 Klein wörtlicher um, Flux.2 Klein hat mehr Ausdruck. Wenn das neuere Modell stärker auf Prompttreue und präzise Umsetzung trainiert ist, verliert das ältere dadurch nicht an Bedeutung. Es lohnt sich nicht, immer dem neuesten Modell hinterherzulaufen. Wer ein Modell kennt, weiß, wo es trägt und wo es kippt, und diese Erfahrung ist mehr wert als der nächste Versionssprung.