FLUX 3 Image Klein Đang hoạt động

FLUX 3 Image Klein là mô hình tạo ảnh AI mã nguồn mở của Black Forest Labs, chỉ có 5,6B tham số và có thể chạy trên một GPU phổ thông dành cho người dùng cá nhân. FLUX 3 Image Klein đồng thời hỗ trợ chuyển văn bản thành hình ảnh, chỉnh sửa ảnh bằng chỉ dẫn và tạo ảnh từ nhiều hình tham chiếu, tối đa 10 ảnh, với khả năng xuất 4K nguyên bản, chỉnh sửa chính xác đến từng pixel và kiểm soát bố cục bằng khung tọa độ. Trong các bài kiểm tra mù nội bộ chính thức về tạo ảnh tiếng Trung, chỉnh sửa và nhiều ảnh tham chiếu, mô hình đều đứng đầu, vượt qua Qwen-Image 2.1 và Krea 2.

Chuyển văn bản thành hình ảnh: Hỗ trợ tạo ảnh chất lượng cao với độ phân giải nguyên bản lên đến 4K.
Chỉnh sửa ảnh bằng chỉ dẫn: Dùng ngôn ngữ tự nhiên để sửa bất kỳ phần nào của ảnh; các pixel ở vùng không được chỉ định vẫn giữ nguyên.
Tạo ảnh từ nhiều hình tham chiếu: Có thể tiếp nhận tối đa 10 ảnh tham chiếu trong một lần, duy trì tính nhất quán của nhân vật, phong cách hoặc sản phẩm.
Kiểm soát bố cục bằng khung tọa độ: Dùng khung tọa độ lưới 0–1000 để chỉ định chính xác vị trí thành phần hoặc giới hạn vùng chỉnh sửa.
Kiến trúc trọng số thống nhất: Các tác vụ tạo ảnh, chỉnh sửa và nhiều ảnh tham chiếu dùng chung một bộ trọng số 5,6B tham số, không cần chuyển đổi mô hình.
Chạy được trên phần cứng phổ thông: Bản lượng tử hóa INT8 có thể chạy trên GPU với 8GB VRAM, trong khi bản chưng cất tạo ảnh chỉ với 4 bước.
Hệ sinh thái tinh chỉnh: Trọng số mở đi kèm hỗ trợ huấn luyện LoRA, cho phép tùy chỉnh phong cách, thương hiệu hoặc quy trình làm việc.

Theo dõi WeChat và trả lời “开源” để tham gia nhóm trao đổi dự án AI mã nguồn mở
Mô hình tạo ảnh theo dòng hiệu chỉnh (Rectified Flow): Khác với các mô hình khuếch tán truyền thống học đường đi ngẫu nhiên quanh co từ nhiễu đến hình ảnh, họ FLUX học đường đi gần như thẳng nối nhiễu với dữ liệu. Quá trình lấy mẫu được thực hiện bằng cách giải phương trình vi phân thường thay vì phương trình vi phân ngẫu nhiên. Đường đi càng thẳng thì số bước tích phân cần thiết càng ít, vì vậy bản chưng cất chỉ cần lấy mẫu ở cấp độ 16 bước hoặc 4 bước để đạt kết quả chất lượng cao.
Trục Transformer hai luồng MMDiT: Mô hình lấy Transformer khuếch tán đa phương thức làm cốt lõi. Token hình ảnh và token văn bản được xử lý kết hợp trong các khối hai luồng ban đầu, trao đổi thông tin qua cơ chế chú ý dùng chung, sau đó được tinh luyện thống nhất trong các khối một luồng. Nhờ đó, chỉ dẫn văn bản được kết hợp sâu với quá trình tạo hình ảnh ở mọi tầng, tạo nền tảng kiến trúc cho khả năng tuân thủ prompt phức tạp và kết xuất văn bản.
Kiến trúc bộ mã hóa văn bản độc lập: 5,6B tham số chỉ đề cập đến phần lõi hình ảnh; việc hiểu văn bản do bộ mã hóa Qwen3-VL-4B-Instruct bên ngoài đảm nhiệm. Thiết kế tách rời cho phép nâng cấp độc lập năng lực hiểu ngữ nghĩa và phần lõi tạo ảnh, đồng nghĩa với việc khi triển khai thực tế cần tính cả dung lượng VRAM của bộ mã hóa.
Huấn luyện kết hợp đa phương thức: Klein kế thừa trực tiếp thành quả tiền huấn luyện của mô hình lớn FLUX 3, được huấn luyện kết hợp trên ba phương thức hình ảnh, video và âm thanh. Cơ chế dùng các phương thức khác nhau để ràng buộc lẫn nhau giúp mô hình nhỏ đạt năng lực hiểu hình ảnh vượt xa quy mô tham số.

Kiểm tra phần cứng: Bản chưng cất BF16 cần 11.2GB VRAM; GPU 8GB nên dùng bản lượng tử hóa INT8/FP8, trong đó bản FP8 chỉ có dung lượng 5.6GB.
Tải trọng số: Tải trọng số ở độ chính xác cần thiết từ kho black-forest-labs/FLUX.3-Klein trên Hugging Face, đồng thời tải bộ mã hóa văn bản Qwen3-VL-4B đi kèm.
Chấp nhận giấy phép: Nhấp vào “Agree and access repository” trong kho để đồng ý với FLUX Kommunity License trước khi tải xuống; trước khi sử dụng thương mại, hãy kiểm tra doanh thu hằng năm có dưới ngưỡng 5 triệu USD hay không.
Chọn phương thức triển khai: Người dùng ComfyUI cài plugin chính thức của BFL trong Manager rồi chọn mô hình Klein trong sơ đồ node, hoặc dùng Diffusers để tải mô hình bằng vài dòng mã Python.
Viết prompt: Với tạo ảnh từ văn bản thông thường, chỉ cần viết mô tả; với bố cục phức tạp, nên bật Prompt Upsampler chính thức để tự động tối ưu prompt.
Sử dụng bố cục bằng khung tọa độ: Trong prompt, gắn khung tọa độ [y_min, x_min, y_max, x_max] cho các thành phần như văn bản và chủ thể; mô hình sẽ đặt chúng chính xác theo lưới.
Chỉnh sửa ảnh: Tải ảnh gốc lên và mô tả nội dung cần sửa bằng ngôn ngữ tự nhiên, chẳng hạn như «biến con phố này thành cảnh tuyết», các pixel ở vùng không được chỉ định vẫn giữ nguyên.
Tạo ảnh từ nhiều hình tham chiếu: Tải tối đa 10 ảnh tham chiếu lên API hoặc UI kèm phần mô tả; mô hình sẽ tạo ảnh mới trong khi duy trì tính nhất quán của chủ thể tham chiếu.
Điều chỉnh để tạo ảnh: Bản chưng cất có thể dùng trực tiếp mà không cần CFG; bản Base nên dùng CFG 3.5 và 50 bước. Khi thiếu VRAM, hãy giảm độ phân giải hoặc bật lượng tử hóa.

Hiệu quả tham số: Chỉ với 5,6B tham số, mô hình vượt qua Qwen-Image 2.1 với 7B và Krea 2 với 12.9B trong các bài kiểm tra mù chính thức, đồng thời vượt qua Ideogram V4.5 đóng.
Yêu cầu phần cứng thấp: Bản lượng tử hóa INT8 có thể chạy trên GPU phổ thông dành cho người dùng cá nhân với 8GB VRAM, là giải pháp mã nguồn mở có chi phí triển khai thấp nhất trong nhóm mô hình hàng đầu cùng loại.
Một bộ trọng số cho ba tác vụ: Tạo ảnh từ văn bản, chỉnh sửa ảnh và tạo ảnh từ nhiều hình tham chiếu dùng chung một bộ trọng số, không cần chuyển đổi hoặc kết hợp nhiều mô hình cho các tác vụ khác nhau.
Khả năng kiểm soát bố cục: Khung tọa độ cho phép kiểm soát chính xác vị trí thành phần. Trước đây tính năng này chỉ xuất hiện ở các mô hình đóng cao cấp; trong hệ sinh thái mã nguồn mở hiện chưa có đối thủ cùng cấp.
Độ trung thực khi chỉnh sửa đến từng pixel: Các pixel ở vùng không được chỉ định hoàn toàn không thay đổi trong quá trình chỉnh sửa, đáp ứng các tình huống như thương mại điện tử và thiết kế cần giữ nguyên ảnh gốc.
Xuất 4K nguyên bản: Tạo trực tiếp ảnh 4K mà không cần quy trình phóng đại siêu phân giải, tránh hao hụt chất lượng do xử lý lần hai.

Trang web dự án：https://bfl.ai/models/flux-3-image-klein
Kho mô hình HuggingFace：https://huggingface.co/collections/black-forest-labs/flux-3-image-klein

Sản xuất hàng loạt ảnh chính cho thương mại điện tử xuyên biên giới: Tải lên 10 ảnh tham chiếu, dùng khung tọa độ để chỉ định vị trí sản phẩm, điểm nổi bật và nhãn giá, sau đó tạo hàng loạt ảnh chính sản phẩm 4K đa ngôn ngữ trong một lần.
Chỉnh sửa ảnh sản phẩm theo mùa: Nhập «biến con phố này thành cảnh tuyết» cho ảnh sản phẩm hiện có; toàn bộ nền chuyển sang mùa đông trong khi từng pixel của sản phẩm vẫn được giữ nguyên, tạo phiên bản mùa đông mà không tốn chi phí chỉnh sửa.
Dàn trang nhanh poster và banner: Xác định lần lượt vị trí tiêu đề, logo và ảnh chủ thể trong khung tọa độ lưới 0–1000, tạo trực tiếp poster sự kiện với văn bản không bị lệch vị trí.
Thiết kế bìa sách/tạp chí: Dùng khung tọa độ để cố định vị trí tương đối giữa tên sách và hình minh họa. Đầu ra 4K nguyên bản đáp ứng trực tiếp độ phân giải in ấn, không cần điều chỉnh lần hai bằng phần mềm dàn trang.
Tùy chỉnh LoRA cho thương hiệu: Dùng ảnh sản phẩm của thương hiệu để huấn luyện LoRA; sau đó mọi ảnh tạo ra đều tự động giữ màu thương hiệu, phông chữ và diện mạo sản phẩm, cho phép sản xuất hàng loạt tài liệu mạng xã hội với phong cách nhất quán.