Vertiefende Analyse · Etwa 6 Min. Lesezeit
FLUX 3 Image Klein: die Abwägungen beim Einsatz der Veröffentlichung vom 15. Oktober
Eine historische Einordnung des Bildgenerators von BFL mit 5.6B Parametern: Checkpoints, Speicherbedarf, asymmetrische Latenztests und die Grenzen der Aussagen zu Lizenz und Sicherheit.
- Hier veröffentlicht
- Datum der Quelle
- Quelle geprüft
Black Forest Labs veröffentlichte FLUX 3 Image Klein am 15. Oktober 2026. Diese historische Analyse untersucht die damalige Ankündigung und berichtet nicht über einen neuen Start am 24. Oktober. Die praktische Frage lautet, was ein kleinerer Bildgenerator für lokale Bearbeitung und API-Bereitstellung verändert und was weiterhin geprüft werden muss.
Nachrichten anhören
Diesen Artikel vorlesen oder mit den Nachrichten fortfahren.
Vorlesen wird vorbereitet…
Gerätestimme
Browser oder Gerät verarbeiten die Sprache. AISubHub sendet den Text nicht an eine Audio-API. Stimmen und Wiedergabe bei gesperrtem Bildschirm hängen vom Gerät ab.
Beim Fortsetzen kann sich ein kurzer Satzteil wiederholen.
Auf einen Blick
- Die angegebenen 5.6B Parameter beziehen sich auf den Bildgenerator und schließen Textencoder aus; die genannten Größen der Generatorgewichte bilden keinen vollständigen Speicherbedarf zur Laufzeit ab.
- Die veröffentlichten GPU-Diagramme verwenden 16 Schritte für das destillierte Modell und 50 für das Basismodell. GPU-Generierungszeit und durchgängige API-Latenz erfassen unterschiedliche Arbeitsschritte.
- BFL beschreibt eine an Bedingungen geknüpfte kommerzielle Nutzung unter der FLUX Kommunity License. Offene Gewichte belegen weder uneingeschränkte Rechte noch einen aktuellen API-Preis, der sämtliche Kosten abdeckt.
Ein kleinerer Generator bleibt Teil eines größeren Arbeitsablaufs
Klein verarbeitet Text, Bildbearbeitungen und bis zu 10 Referenzbilder. BFL beschreibt native 4K-Generierung und Begrenzungsrahmen, die Elemente positionieren oder Bearbeitungen einschränken. Das Unternehmen führt diese Fähigkeiten auf gemeinsames Lernen aus Bildern, Video und Audio zurück; diese Erklärung macht die Veröffentlichung nicht zu einem Video- oder Audiogenerator.
Ein hypothetischer Katalogablauf soll ein Produktetikett ändern und das umgebende Foto bewahren. Begrenzungsrahmen kennzeichnen den vorgesehenen Bereich; die API bietet außerdem Pixelwiederherstellung für unveränderte Regionen. Das sind unterschiedliche Bestandteile des Ablaufs. Ihre Existenz beweist nicht, dass jeder selbst gehostete Checkpoint die vollständige Verarbeitungskette der API nachbildet.
Basis- und destillierte Checkpoints erfüllen unterschiedliche Anforderungen
Die Veröffentlichung umfasst einen Basis-Checkpoint zur Anpassung und einen schrittdestillierten Checkpoint für geringere Latenz sowie BF16-, FP8-, INT8- und NVFP4-Varianten. Die GPU-Diagramme vergleichen Basis-Inferenz mit 50 Schritten und destillierte Inferenz mit 16 Schritten. BFL nennt außerdem Unterstützung für LoRA-Training durch Diffusers, Ostris’ AI Toolkit und Rezepte für NVIDIA NeMo AutoModel.
Für Text-zu-Bild mit 1024×1024 auf einer RTX 5090 zeigen die von NVIDIA gemessenen Diagramme 4.1 Sekunden für die destillierte Variante und 12.5 für die Basisvariante; bei der Bearbeitung sind es 7.2 und 27.4 Sekunden. Jede GPU nutzt ihre schnellste Variante, und jeder Durchlauf erzeugt ein Bild. Das sind konkrete Konfigurationen und kein Versprechen, dass ein anderer Checkpoint oder eine andere Schrittzahl identische Qualität erhält.
Die Größe der Gewichte ist nicht der gesamte Speicherbedarf
BFL gibt für die Generatorgewichte 11.2 GB in BF16 und 5.6 GB in FP8 an. Die Parametervergleiche schließen Textencoder ausdrücklich aus. Ein Einsatz muss deshalb zusätzlich zu diesen Gewichten weitere Komponenten und Laufzeitspeicher einplanen; allein die kleinere Zahl belegt nicht, ob ein vollständiger Bearbeitungsablauf auf eine bestimmte GPU passt.
Laut Unternehmen kann die INT8-Variante über ComfyUI oder Diffusers auf GeForce-RTX-Hardware mit lediglich 8 GB VRAM laufen. Das ist eine an Bedingungen geknüpfte Anbieteraussage. Sie belegt nicht, dass jede Kombination aus 4K-Ausgabe, 10 Referenzen, Batchgröße und Anpassung unter dieselbe Speichergrenze fällt. Die Seite liefert keine vollständige Speichertabelle für diese Kombinationen.
Interne Qualitätswerte und API-Latenz brauchen ihren Messkontext
Die interne Auswertung von BFL platziert Klein vor den Modellen im eigenen Vergleich. Gegenüber FLUX.2 [klein] 9B meldet BFL Zuwächse von 91 Elo bei Text-zu-Bild und 70 bei der Bearbeitung bei 38% weniger Generatorparametern. Elo-Differenzen sind Unterschiede in Präferenzbewertungen und keine prozentualen Genauigkeitsgewinne. Die geringere Parameterzahl bedeutet auch nicht 38% weniger Gesamtspeicher oder Betriebskosten.
Das Diagramm zur API-Latenz nennt 4.54 Sekunden für Text-zu-Bild und 7.18 für Bearbeitung bei 1 MP. Anders als die reine GPU-Generierungszeit umfasst die API-Darstellung Warteschlangen und zusätzliche Verarbeitung. Entscheidend ist, dass BFL Klein auf eigenen Servern misst, die Konkurrenz dagegen auf Clientseite einschließlich Polling und Netzwerkzeit. Diese Asymmetrie begrenzt einen sauberen Geschwindigkeitsvergleich; sie sagt die Anwendungslatenz der Lesenden nicht unmittelbar voraus.
Zugang, kommerzielle Rechte und Preiseinheit bleiben getrennte Fragen
Die historische Veröffentlichung bietet offene Gewichte und API-Zugang. BFL beschreibt die FLUX Kommunity License so, dass sie Privatpersonen und Unternehmen mit einem Jahresumsatz unter US$5 Millionen die kostenlose kommerzielle Nutzung neben Forschung und nicht kommerzieller Nutzung erlaubt. Größere Organisationen verweist BFL auf Lizenzen für selbst gehosteten Betrieb oder die API. Das ist die Beschreibung von BFL; AISubHub hat weder die vollständige Lizenz gelesen noch eine rechtliche Prüfung vorgenommen.
Die Ankündigung nennt einen API-Einstiegspreis von US$0.009 je „1K-Bild“. Daraus darf kein Preis für 1000 Bilder werden. Dieser datierte Artikel belegt keine vollständige aktuelle Abrechnung für Auflösung, Verarbeitung oder andere Bedingungen. Lokale Inferenz, Gebühren einer gehosteten API und die Erlaubnis zur kommerziellen Bereitstellung sind getrennte Entscheidungen; aus diesem Artikel wird kein Abonnementpreis übernommen.
Sicherheitsaussagen liefern Fragen, keinen abgeschlossenen Abnahmetest
BFL beschreibt Datenfilter im Vortraining, gezieltes Nachtraining und internes Red-Teaming mit einer Bewertung durch den externen Sicherheitspartner Cinder. Das Unternehmen meldet weniger Schwachstellen als bei anderen verbreiteten Modellen mit offenen Gewichten. Diese Ergebnisse bleiben BFL und dem genannten Partner zugeschrieben; die verlinkte Seite zur Sicherheitsmethodik wurde nicht gelesen, und die Ankündigung belegt keine Sicherheit für jeden Anwendungsfall.
Analyse von AISubHub: Ein Abnahmetest sollte die gewünschte Bearbeitung und den Erhalt unveränderter Regionen prüfen und danach die Latenz aus der Anwendung mit der gewählten Variante und Auflösung messen. Tatsächliche Speichernutzung und geltende Lizenzbedingungen sind gesondert zu prüfen. Das sind vorgeschlagene Prüfungen und keine von uns erzielten Ergebnisse. Ein kleinerer Generator kann die Einsatzmöglichkeiten erweitern, während Fragen zu Qualität, Integration und Berechtigungen bei den Betreibenden verbleiben.
Warum es wichtig ist
Klein bietet mehrere Bereitstellungswege statt eines einzigen austauschbaren Pakets. Sinnvoll ist der Vergleich eines konkreten Checkpoints, einer Variante und eines Arbeitsablaufs mit den Anforderungen der Anwendung an Qualität, Latenz, Speicher und Rechte.
Grenzen und Verfügbarkeit
Diese Analyse verwendet den vollständigen offiziellen Artikel vom 15. Oktober und seine 6 statischen Bilder. AISubHub hat weder Gewichte heruntergeladen, die API getestet, die vollständige Lizenz geprüft noch den Link zur Sicherheitsmethodik verfolgt. Die Messungen des Anbieters wurden nicht unabhängig reproduziert. Spätere Benchmark-Beiträge in sozialen Medien bleiben ausgeschlossen; die historische Veröffentlichung wird nicht als heute neu gestartetes Modell gezählt.
Quellen und Belege
Datum der Quelle: · Quelle geprüft:
KI-gestützte redaktionelle Beiträge, anhand der genannten Primärquellen geprüft. Anbieterangaben werden zugeordnet; eine Aufnahme ist keine Empfehlung.