FLUX 3 Image Klein চালু আছে

FLUX 3 Image Klein হলো Black Forest Labs-এর ওপেন-সোর্স AI ছবি তৈরির মডেল। এতে মাত্র 5.6B প্যারামিটার রয়েছে এবং একটি সাধারণ ভোক্তা-স্তরের GPU-তেই চালানো যায়। FLUX 3 Image Klein একই সঙ্গে টেক্সট-টু-ইমেজ, নির্দেশনাভিত্তিক ছবি সম্পাদনা এবং সর্বোচ্চ 10টি রেফারেন্স ছবি ব্যবহার করে একাধিক ছবি তৈরির সুবিধা দেয়। এতে নেটিভ 4K আউটপুট, পিক্সেল-স্তরের নির্ভুল সম্পাদনা এবং কোঅর্ডিনেট বক্সের মাধ্যমে লেআউট নিয়ন্ত্রণের সুবিধা রয়েছে। অফিসিয়াল অভ্যন্তরীণ ব্লাইন্ড টেস্টে চীনা ভাষায় ছবি তৈরি, সম্পাদনা এবং একাধিক রেফারেন্স ব্যবহারের তিনটি ক্ষেত্রেই এটি প্রথম হয়েছে, Qwen-Image 2.1 ও Krea 2-কে ছাড়িয়ে।

টেক্সট-টু-ইমেজ: সর্বোচ্চ নেটিভ 4K রেজোলিউশনে উচ্চমানের ছবি তৈরি।
নির্দেশনাভিত্তিক ছবি সম্পাদনা: প্রাকৃতিক ভাষায় ছবির যেকোনো অংশ পরিবর্তন করুন; নির্দিষ্ট না করা এলাকার পিক্সেল অপরিবর্তিত থাকে।
একাধিক রেফারেন্স ছবি থেকে তৈরি: একবারে সর্বোচ্চ 10টি রেফারেন্স ছবি গ্রহণ করে এবং চরিত্র, স্টাইল বা পণ্যের সামঞ্জস্য বজায় রাখে।
কোঅর্ডিনেট বক্স লেআউট নিয়ন্ত্রণ: 0–1000 গ্রিডের কোঅর্ডিনেট বক্স ব্যবহার করে উপাদানের অবস্থান নির্দিষ্ট বা সম্পাদনার এলাকা সীমাবদ্ধ করুন।
একীভূত ওজনের আর্কিটেকচার: তৈরি, সম্পাদনা ও একাধিক রেফারেন্সের কাজ একই 5.6B প্যারামিটারের ওজন ব্যবহার করে, তাই মডেল বদলানোর প্রয়োজন নেই।
ভোক্তা-স্তরের হার্ডওয়্যারে চালানো যায়: INT8 কোয়ান্টাইজড সংস্করণ 8GB VRAM-এর GPU-তে চলে এবং ডিস্টিলড সংস্করণ 4 ধাপেই ছবি তৈরি করে।
ফাইন-টিউনিং ইকোসিস্টেম: ওপেন ওজনের সঙ্গে LoRA প্রশিক্ষণ সমর্থন রয়েছে, যা স্টাইল, ব্র্যান্ড বা ওয়ার্কফ্লো কাস্টমাইজ করতে পারে।

WeChat-এ ফলো করে “开源” লিখে উত্তর পাঠালে AI ওপেন-সোর্স প্রকল্পের গ্রুপে যোগ দিন
Rectified Flow জেনারেশন প্যারাডাইম: প্রচলিত ডিফিউশন মডেল যেখানে নয়েজ থেকে ছবিতে যাওয়ার বাঁকানো এলোমেলো পথ শেখে, FLUX পরিবার সেখানে নয়েজ ও ডেটাকে যুক্ত করা প্রায় সরল পথ শেখে। এটি স্টোক্যাস্টিক ডিফারেনশিয়াল সমীকরণের বদলে সাধারণ ডিফারেনশিয়াল সমীকরণ সমাধান করে স্যাম্পলিং সম্পন্ন করে। পথ যত সরল হয়, প্রয়োজনীয় ইন্টিগ্রেশন ধাপ তত কমে; তাই ডিস্টিলড সংস্করণে মাত্র 16 ধাপ, এমনকি 4 ধাপের স্যাম্পলিংয়েও উচ্চমানের ফল পাওয়া যায়।
MMDiT ডুয়াল-স্ট্রিম Transformer ব্যাকবোন: মডেলটির কেন্দ্রে রয়েছে মাল্টিমোডাল ডিফিউশন Transformer। ছবি token ও টেক্সট token প্রাথমিক ডুয়াল-স্ট্রিম ব্লকে যৌথভাবে প্রক্রিয়াকৃত হয় এবং শেয়ার্ড অ্যাটেনশনের মাধ্যমে তথ্য বিনিময় করে। এরপর সিঙ্গেল-স্ট্রিম ব্লকে সেগুলো একসঙ্গে পরিশোধিত হয়। ফলে প্রতিটি স্তরেই টেক্সট নির্দেশনা ভিজ্যুয়াল জেনারেশনের সঙ্গে গভীরভাবে যুক্ত থাকে, যা জটিল প্রম্পট অনুসরণ ও টেক্সট রেন্ডারিংয়ের কাঠামোগত ভিত্তি।
স্বাধীন টেক্সট এনকোডার আর্কিটেকচার: 5.6B প্যারামিটার কেবল ছবি তৈরির মূল অংশকে নির্দেশ করে। টেক্সট বোঝার কাজ করে আলাদা Qwen3-VL-4B-Instruct এনকোডার। এই বিচ্ছিন্ন নকশায় সেমান্টিক বোঝার ক্ষমতা ও জেনারেশন ব্যাকবোন স্বাধীনভাবে আপগ্রেড করা যায়। অর্থাৎ বাস্তব ডিপ্লয়মেন্টে এনকোডারের মেমরি খরচও হিসাব করতে হবে।
মাল্টিমোডাল যৌথ প্রশিক্ষণ স্থানান্তর: Klein সরাসরি FLUX 3-এর বৃহৎ মডেলের প্রি-ট্রেনিং ফলাফল গ্রহণ করেছে এবং ছবি, ভিডিও ও অডিও—এই তিনটি মোডালিটিতে যৌথভাবে প্রশিক্ষিত হয়েছে। বিভিন্ন মোডালিটি পরস্পরকে সীমাবদ্ধ করার এই পদ্ধতি ছোট মডেলটিকে তার প্যারামিটার-আকারের তুলনায় বেশি ভিজ্যুয়াল বোঝার ক্ষমতা দেয়।

হার্ডওয়্যার যাচাই: ডিস্টিলড BF16 সংস্করণের জন্য 11.2GB VRAM দরকার। 8GB GPU হলে INT8/FP8 কোয়ান্টাইজড সংস্করণ বেছে নিন; FP8-এর আকার মাত্র 5.6GB।
ওজন ডাউনলোড: Hugging Face-এর black-forest-labs/FLUX.3-Klein রিপোজিটরি থেকে প্রয়োজনীয় নির্ভুলতার ওজন ডাউনলোড করুন এবং সংশ্লিষ্ট Qwen3-VL-4B টেক্সট এনকোডারও ডাউনলোড করুন।
লাইসেন্স গ্রহণ: ডাউনলোডের আগে রিপোজিটরিতে “Agree and access repository” ক্লিক করে FLUX Kommunity License-এ সম্মতি দিতে হবে। বাণিজ্যিক ব্যবহারের আগে বার্ষিক আয় 5 মিলিয়ন মার্কিন ডলারের সীমার নিচে কি না যাচাই করুন।
ডিপ্লয়মেন্ট পদ্ধতি বেছে নিন: ComfyUI ব্যবহারকারীরা Manager থেকে BFL-এর অফিসিয়াল প্লাগইন ইনস্টল করে নোড গ্রাফে Klein মডেল বেছে নিতে পারেন, অথবা Diffusers ব্যবহার করে কয়েক লাইনের Python কোডে লোড করতে পারেন।
প্রম্পট লিখুন: সাধারণ টেক্সট-টু-ইমেজের জন্য সরাসরি বর্ণনা লিখুন। জটিল লেআউটের ক্ষেত্রে অফিসিয়াল Prompt Upsampler চালু করে প্রম্পট স্বয়ংক্রিয়ভাবে উন্নত করার পরামর্শ দেওয়া হয়।
কোঅর্ডিনেট বক্স লেআউট ব্যবহার: প্রম্পটে টেক্সট, মূল বিষয়সহ বিভিন্ন উপাদানের জন্য [y_min, x_min, y_max, x_max] কোঅর্ডিনেট বক্স দিন। মডেল গ্রিড অনুযায়ী উপাদানগুলো নির্ভুলভাবে স্থাপন করবে।
ছবি সম্পাদনা: মূল ছবি আপলোড করে প্রাকৃতিক ভাষায় পরিবর্তনের বর্ণনা দিন, যেমন「এই রাস্তাটিকে তুষারময় দৃশ্যে পরিণত করো」। নির্দিষ্ট না করা এলাকার পিক্সেল অপরিবর্তিত থাকবে।
একাধিক রেফারেন্স ছবি থেকে তৈরি: API বা UI-তে সর্বোচ্চ 10টি রেফারেন্স ছবি আপলোড করে ব্যাখ্যামূলক টেক্সট দিন। মডেল রেফারেন্স বিষয়ের সামঞ্জস্য বজায় রেখে নতুন ছবি তৈরি করবে।
প্যারামিটার ঠিক করে ছবি তৈরি: ডিস্টিলড সংস্করণে CFG ছাড়াই সরাসরি ব্যবহার করুন। Base সংস্করণের জন্য CFG 3.5 ও 50 ধাপ প্রস্তাবিত। VRAM কম হলে রেজোলিউশন কমান বা কোয়ান্টাইজেশন চালু করুন।

প্যারামিটার দক্ষতা: মাত্র 5.6B প্যারামিটার নিয়ে অফিসিয়াল ব্লাইন্ড টেস্টে 7B-এর Qwen-Image 2.1 ও 12.9B-এর Krea 2-কে ছাড়িয়েছে এবং ক্লোজড-সোর্স Ideogram V4.5-কেও পেছনে ফেলেছে।
কম হার্ডওয়্যার চাহিদা: INT8 কোয়ান্টাইজড সংস্করণ 8GB VRAM-এর সাধারণ ভোক্তা-স্তরের GPU-তে চলে, ফলে একই শ্রেণির ফ্ল্যাগশিপ সক্ষমতার মধ্যে এটি ডিপ্লয়মেন্ট খরচে সবচেয়ে সাশ্রয়ী ওপেন-সোর্স সমাধান।
তিন কাজের জন্য এক ওজন: টেক্সট-টু-ইমেজ, ছবি সম্পাদনা ও একাধিক রেফারেন্স ছবি থেকে তৈরি—সবই একই ওজন ব্যবহার করে; ভিন্ন কাজের জন্য মডেল বদলানো বা একাধিক মডেল একত্র করার প্রয়োজন নেই।
লেআউট নিয়ন্ত্রণ: কোঅর্ডিনেট বক্স দিয়ে উপাদানের অবস্থান নির্ভুলভাবে নিয়ন্ত্রণ করা যায়। আগে এই সুবিধা মূলত বড় ক্লোজড-সোর্স মডেলেই দেখা যেত; ওপেন-সোর্স ক্ষেত্রে এখনো সমমানের প্রতিদ্বন্দ্বী নেই।
পিক্সেল-স্তরের সম্পাদনা বিশ্বস্ততা: সম্পাদনার সময় নির্দিষ্ট না করা এলাকার পিক্সেল সম্পূর্ণ অপরিবর্তিত থাকে, তাই ই-কমার্স ও ডিজাইনের মতো মূল ছবিতে কোনো ক্ষতি না চাওয়া কাজে উপযোগী।
নেটিভ 4K আউটপুট: আপস্কেলিংয়ের প্রয়োজন ছাড়াই সরাসরি 4K রেজোলিউশনের ছবি তৈরি করে, ফলে দ্বিতীয়বার প্রক্রিয়াকরণে ছবির মান কমে না।

প্রকল্পের অফিসিয়াল ওয়েবসাইট: https://bfl.ai/models/flux-3-image-klein
HuggingFace মডেল সংগ্রহ: https://huggingface.co/collections/black-forest-labs/flux-3-image-klein

আন্তর্জাতিক ই-কমার্সের প্রধান ছবি ব্যাচে তৈরি: 10টি রেফারেন্স ছবি আপলোড করে কোঅর্ডিনেট বক্সের মাধ্যমে পণ্য, বিক্রয়-বার্তা ও মূল্য-ট্যাগের অবস্থান নির্দিষ্ট করুন। একবারেই বিভিন্ন ভাষার 4K পণ্যের প্রধান ছবি তৈরি করুন।
ই-কমার্সে ঋতুভিত্তিক ছবি সম্পাদনা: বিদ্যমান পণ্যের ছবিতে「এই রাস্তাটিকে তুষারময় দৃশ্যে পরিণত করো」লিখলে পুরো ব্যাকগ্রাউন্ড ঋতু অনুযায়ী বদলে যাবে, অথচ পণ্যের মূল অংশের প্রতিটি পিক্সেল অক্ষত থাকবে। শীতকালীন সংস্করণ তৈরি করতে আলাদা রিটাচিংয়ের খরচ লাগবে না।
পোস্টার ও Banner দ্রুত লেআউট: 0–1000 গ্রিডের কোঅর্ডিনেট বক্সে শিরোনাম, Logo ও মূল ছবির অবস্থান একে একে নির্ধারণ করুন এবং সরাসরি এমন প্রচারমূলক পোস্টার তৈরি করুন যেখানে টেক্সটের অবস্থান সরে যাবে না।
বই/ম্যাগাজিনের প্রচ্ছদ ডিজাইন: কোঅর্ডিনেট বক্স দিয়ে বইয়ের নাম ও ইলাস্ট্রেশনের আপেক্ষিক অবস্থান নির্দিষ্ট করুন। নেটিভ 4K আউটপুট সরাসরি প্রিন্টের রেজোলিউশন পূরণ করে, তাই লেআউট সফটওয়্যারে দ্বিতীয়বার সমন্বয়ের প্রয়োজন হয় না।
ব্র্যান্ড LoRA কাস্টমাইজেশন: নিজস্ব পণ্যের ছবি দিয়ে LoRA প্রশিক্ষণ দিন। এরপর তৈরি প্রতিটি ছবিতে ব্র্যান্ডের রং, ফন্ট ও পণ্যের চেহারা স্বয়ংক্রিয়ভাবে নির্দিষ্ট থাকবে, ফলে একই স্টাইলের সোশ্যাল মিডিয়া উপকরণ ব্যাচে তৈরি করা যাবে।