FLUX 3 Image Klein آپریشن میں

FLUX 3 Image Klein، Black Forest Labs کا اوپن سورس AI امیج جنریشن ماڈل ہے، جس میں صرف 5.6B پیرامیٹرز ہیں اور اسے ایک عام صارف گریڈ گرافکس کارڈ پر چلایا جا سکتا ہے۔ FLUX 3 Image Klein ٹیکسٹ سے تصویر، ہدایتی امیج ایڈیٹنگ اور زیادہ سے زیادہ 10 حوالہ جاتی تصاویر کے ساتھ ملٹی امیج جنریشن کو بیک وقت سپورٹ کرتا ہے۔ اس میں مقامی 4K آؤٹ پٹ، پکسل کی سطح پر درست ایڈیٹنگ اور کوآرڈینیٹ باکس کے ذریعے لے آؤٹ کنٹرول کی صلاحیت موجود ہے۔ کمپنی کے داخلی بلائنڈ ٹیسٹ میں چینی ٹیکسٹ سے تصویر، ایڈیٹنگ اور متعدد حوالہ جاتی تصاویر، تینوں شعبوں میں یہ پہلے نمبر پر رہا اور Qwen-Image 2.1 اور Krea 2 سے بہتر کارکردگی دکھائی۔

ٹیکسٹ سے تصویر: زیادہ سے زیادہ مقامی 4K ریزولوشن میں اعلیٰ معیار کی تصاویر تیار کرتا ہے۔
ہدایتی امیج ایڈیٹنگ: قدرتی زبان کے ذریعے تصویر کے کسی بھی حصے میں ترمیم کریں؛ غیر متعین حصے کے پکسلز تبدیل نہیں ہوتے۔
متعدد حوالہ جاتی تصاویر سے جنریشن: ایک بار میں زیادہ سے زیادہ 10 حوالہ جاتی تصاویر وصول کر کے کردار، انداز یا پروڈکٹ کی یکسانیت برقرار رکھتا ہے۔
کوآرڈینیٹ باکس لے آؤٹ کنٹرول: 0–1000 گرڈ کوآرڈینیٹ باکس کے ذریعے عناصر کی جگہ یا ایڈیٹنگ کا علاقہ درست طور پر متعین کریں۔
یکساں وزن والا آرکیٹیکچر: جنریشن، ایڈیٹنگ اور متعدد حوالہ جاتی کاموں کے لیے ایک ہی 5.6B پیرامیٹر وزن استعمال ہوتا ہے، ماڈل تبدیل کرنے کی ضرورت نہیں۔
صارف گریڈ ہارڈویئر پر اجرا: INT8 کوانٹائزڈ ورژن 8GB VRAM والے گرافکس کارڈ پر چل سکتا ہے، جبکہ ڈسٹلڈ ورژن 4 مراحل میں تصویر تیار کرتا ہے۔
فائن ٹیوننگ ایکو سسٹم: اوپن ویٹس کے ساتھ LoRA ٹریننگ سپورٹ موجود ہے، جس سے انداز، برانڈ یا ورک فلو کو حسب ضرورت بنایا جا سکتا ہے۔

WeChat پر فالو کریں اور “开源” کا جواب دے کر AI اوپن سورس پروجیکٹ گروپ میں شامل ہوں
Rectified Flow جنریشن پیراڈائم: روایتی ڈفیوژن ماڈلز کے برعکس، جو شور سے تصویر تک خم دار بے ترتیب راستہ سیکھتے ہیں، FLUX خاندان شور اور ڈیٹا کو ملانے والا تقریباً سیدھا راستہ سیکھتا ہے۔ یہ بے ترتیب تفاضلی مساوات کے بجائے عام تفاضلی مساوات حل کر کے سیمپلنگ مکمل کرتا ہے۔ راستہ جتنا سیدھا ہو، درکار انٹیگریشن مراحل اتنے ہی کم ہوتے ہیں؛ اسی لیے ڈسٹلڈ ورژن اعلیٰ معیار کے نتائج کے لیے صرف 16 یا 4 مراحل کی سیمپلنگ کا محتاج ہے۔
MMDiT ڈوئل اسٹریم Transformer بیک بون: ماڈل کی بنیاد ملٹی موڈل ڈفیوژن Transformer ہے۔ امیج ٹوکنز اور ٹیکسٹ ٹوکنز کو ابتدائی ڈوئل اسٹریم بلاکس میں مشترکہ طور پر پروسیس کیا جاتا ہے، مشترکہ توجہ کے ذریعے معلومات کا تبادلہ ہوتا ہے، پھر سنگل اسٹریم بلاکس میں انہیں یکجا کر کے بہتر بنایا جاتا ہے۔ اس طرح ٹیکسٹ ہدایات ہر پرت میں بصری جنریشن کے ساتھ گہرائی سے جڑی رہتی ہیں، جو پیچیدہ پرامپٹس پر عمل اور ٹیکسٹ رینڈرنگ کی بنیادی ساخت فراہم کرتی ہے۔
آزاد ٹیکسٹ انکوڈر آرکیٹیکچر: 5.6B پیرامیٹرز صرف امیج بیک بون کے لیے ہیں، جبکہ ٹیکسٹ کی سمجھ Qwen3-VL-4B-Instruct کے الگ انکوڈر کے ذریعے حاصل ہوتی ہے۔ یہ علیحدہ ڈیزائن معنوی فہم اور جنریشن بیک بون کو آزادانہ طور پر اپ گریڈ کرنے دیتا ہے، تاہم عملی تعیناتی میں VRAM کے استعمال میں انکوڈر کی لاگت بھی شامل کرنا ضروری ہے۔
ملٹی موڈل مشترکہ تربیت کی منتقلی: Klein، FLUX 3 کے بڑے ماڈل کی پری ٹریننگ سے براہِ راست فائدہ اٹھاتا ہے۔ اسے تصویر، ویڈیو اور آڈیو، تینوں موڈلز پر مشترکہ طور پر تربیت دی گئی ہے۔ مختلف موڈلز کو ایک دوسرے کے لیے پابندی کے طور پر استعمال کرنے کا طریقہ چھوٹے ماڈل کو اس کے پیرامیٹر سائز سے بڑھ کر بصری فہم فراہم کرتا ہے۔

ہارڈویئر کی تصدیق: ڈسٹلڈ BF16 ورژن کے لیے 11.2GB VRAM درکار ہے؛ 8GB گرافکس کارڈ کے لیے INT8/FP8 کوانٹائزڈ ورژن منتخب کریں، جس کا FP8 سائز صرف 5.6GB ہے۔
ویٹس ڈاؤن لوڈ کریں: Hugging Face کے black-forest-labs/FLUX.3-Klein ریپوزٹری سے مطلوبہ پریسیژن کے ویٹس حاصل کریں اور متعلقہ Qwen3-VL-4B ٹیکسٹ انکوڈر بھی ڈاؤن لوڈ کریں۔
لائسنس قبول کریں: ڈاؤن لوڈ سے پہلے ریپوزٹری میں “Agree and access repository” پر کلک کر کے FLUX Kommunity License قبول کریں۔ تجارتی استعمال سے پہلے تصدیق کریں کہ سالانہ آمدنی 500 万 امریکی ڈالر کی حد سے کم ہے۔
تعیناتی کا طریقہ منتخب کریں: ComfyUI صارفین Manager میں BFL کا آفیشل پلگ اِن انسٹال کر کے نوڈ گراف میں Klein ماڈل منتخب کر سکتے ہیں، یا Diffusers کے ذریعے چند سطروں کی Python کوڈ سے لوڈ کر سکتے ہیں۔
پرامپٹ لکھیں: عام ٹیکسٹ ٹو امیج کے لیے براہِ راست وضاحت لکھیں؛ پیچیدہ لے آؤٹ کے لیے آفیشل Prompt Upsampler فعال کر کے پرامپٹ کو خودکار طور پر بہتر بنائیں۔
کوآرڈینیٹ باکس لے آؤٹ استعمال کریں: پرامپٹ میں ٹیکسٹ، مرکزی موضوع اور دیگر عناصر کے لیے [y_min, x_min, y_max, x_max] کوآرڈینیٹ باکس درج کریں؛ ماڈل عناصر کو گرڈ کے مطابق درست جگہ پر رکھے گا۔
امیج ایڈیٹنگ: اصل تصویر اپ لوڈ کر کے قدرتی زبان میں ترمیم کی وضاحت کریں، مثلاً「اس گلی کو برفانی منظر میں بدل دو」؛ غیر متعین حصوں کے پکسلز تبدیل نہیں ہوں گے۔
متعدد حوالہ جاتی تصاویر سے جنریشن: API یا UI میں زیادہ سے زیادہ 10 حوالہ جاتی تصاویر اور وضاحتی متن اپ لوڈ کریں؛ ماڈل حوالہ جاتی موضوعات کی یکسانیت برقرار رکھتے ہوئے نئی تصویر بنائے گا۔
پیرامیٹر ترتیب دے کر تصویر بنائیں: ڈسٹلڈ ورژن کو CFG کے بغیر براہِ راست استعمال کریں؛ Base ورژن کے لیے CFG 3.5 اور 50 مراحل تجویز کیے جاتے ہیں۔ VRAM کم ہو تو ریزولوشن گھٹائیں یا کوانٹائزیشن فعال کریں۔

پیرامیٹر کی کارکردگی: صرف 5.6B پیرامیٹرز کے باوجود اس نے آفیشل بلائنڈ ٹیسٹ میں 7B والے Qwen-Image 2.1 اور 12.9B والے Krea 2 کو پیچھے چھوڑ دیا اور بند ماڈل Ideogram V4.5 سے بھی بہتر کارکردگی دکھائی۔
کم ہارڈویئر لاگت: INT8 کوانٹائزڈ ورژن 8GB VRAM والے عام صارف گریڈ گرافکس کارڈ پر چل سکتا ہے، اس لیے ہم پلہ اعلیٰ صلاحیتوں میں یہ کم ترین تعیناتی لاگت والا اوپن سورس حل ہے۔
تین کام، ایک ہی وزن: ٹیکسٹ سے تصویر، امیج ایڈیٹنگ اور متعدد حوالہ جاتی تصاویر سے جنریشن ایک ہی وزن استعمال کرتے ہیں؛ مختلف کاموں کے لیے ماڈل تبدیل یا متعدد ماڈلز یکجا کرنے کی ضرورت نہیں۔
لے آؤٹ کنٹرول: کوآرڈینیٹ باکس عناصر کی جگہ کو درست طور پر کنٹرول کرتا ہے۔ یہ صلاحیت پہلے صرف بڑے بند ماڈلز میں نظر آتی تھی، جبکہ اوپن سورس میدان میں اس کا ہم پلہ حریف موجود نہیں۔
پکسل کی سطح پر ایڈیٹنگ کی وفاداری: ایڈیٹنگ کے دوران غیر متعین حصوں کے پکسلز مکمل طور پر برقرار رہتے ہیں، جو ای کامرس اور ڈیزائن جیسے اصل تصویر کو نقصان نہ پہنچانے والے کاموں کے لیے موزوں ہے۔
مقامی 4K آؤٹ پٹ: سپر ریزولوشن کی اضافی زنجیر کے بغیر براہِ راست 4K ریزولوشن تیار کرتا ہے، جس سے دوسری پروسیسنگ میں ہونے والا معیار کا نقصان ختم ہو جاتا ہے۔

پروجیکٹ کی آفیشل ویب سائٹ：https://bfl.ai/models/flux-3-image-klein
HuggingFace ماڈل ریپوزٹری：https://huggingface.co/collections/black-forest-labs/flux-3-image-klein

بین الاقوامی ای کامرس کے لیے مرکزی پروڈکٹ تصاویر کی بڑی تعداد میں تیاری: 10 حوالہ جاتی تصاویر اپ لوڈ کریں، کوآرڈینیٹ باکس کے ذریعے پروڈکٹ، نمایاں خصوصیات اور قیمت کے ٹیگ کی جگہ متعین کریں، اور ایک ہی بار میں متعدد زبانوں میں 4K پروڈکٹ تصاویر تیار کریں۔
ای کامرس موسمی تصویر ایڈیٹنگ: موجودہ پروڈکٹ تصویر پر「اس گلی کو برفانی منظر میں بدل دو」لکھیں؛ پس منظر مکمل طور پر بدل جائے گا جبکہ پروڈکٹ کے اصل پکسلز ایک ایک کر کے محفوظ رہیں گے، یوں سردیوں کا ورژن بغیر ری ٹچنگ لاگت کے تیار ہوگا۔
پوسٹر اور بینر کی تیز لے آؤٹ تیاری: 0–1000 گرڈ کوآرڈینیٹ باکس میں عنوان، Logo اور مرکزی تصویر کی جگہ الگ الگ متعین کریں، اور ایسا ایونٹ پوسٹر براہِ راست تیار کریں جس میں ٹیکسٹ اپنی جگہ سے نہ ہٹے۔
کتاب یا میگزین کے سرورق کا ڈیزائن: کوآرڈینیٹ باکس کے ذریعے کتاب کے نام اور عکاسی کی باہمی جگہ مقرر کریں؛ مقامی 4K آؤٹ پٹ براہِ راست پرنٹ ریزولوشن کی ضروریات پوری کرتا ہے، اس لیے لے آؤٹ سافٹ ویئر میں دوبارہ ایڈجسٹمنٹ کی ضرورت نہیں رہتی۔
برانڈ LoRA حسب ضرورت: اپنی پروڈکٹ تصاویر سے LoRA تربیت دیں، جس کے بعد تمام تیار کردہ تصاویر میں برانڈ کے رنگ، فونٹ اور پروڈکٹ کی ظاہری شکل خودکار طور پر برقرار رہے گی، اور یکساں انداز کا سوشل میڈیا مواد بڑی تعداد میں تیار کیا جا سکے گا۔