Black Forest Labs FLUX 3 Image Klein リリースノート

概要

Black Forest Labs (BFL) は、テキストから画像への生成、画像編集、およびマルチリファレンス生成に最適化された5.6Bパラメータモデル「FLUX 3 Image Klein」をリリースしました。このモデルはコンシューマー向けGPUで動作するように設計されており、INT8量子化を使用すればわずか8GBのVRAMで動作しつつ、より大規模なモデルに匹敵するパフォーマンスを維持します。

技術的能力とパフォーマンス

FLUX 3 Image Kleinは、BFLの画像、動画、音声に関する広範な研究から得られた知見を共有し、空間的な詳細と物理的なダイナミクスを向上させています。主な特徴は以下の通りです。

• 効率性: 5.6Bパラメータというサイズは、Qwen-Image 2.1 (7B) や Krea 2 (12.9B) といった代替モデルよりも小さく、BFLの報告によると、テキストから画像への生成および編集タスクの内部Eloランキングでトップクラスの性能を誇ります。
• ハードウェア最適化: FP8、INT8、NVFP4フォーマットをサポートしています。NVIDIA GeForce RTX 5090では、蒸留版モデルが約4秒で1MPの画像を生成します。
• 高度な制御: 最大10枚までのマルチリファレンス生成をサポートし、バウンディングボックスを使用して編集範囲を制限したり、画像内の特定の要素を配置したりすることが可能です。

デプロイメントとエコシステムのサポート

今回のリリースには、ファインチューニングを目的としたベースモデルと、低遅延のプロダクション利用を目的としたステップ蒸留モデルが含まれています。リリース時から以下のエコシステムでサポートされています。

• フレームワーク: ComfyUI、Hugging Face Diffusers、TensorRT-LLM、SGLang Diffusion、vLLM-Omniとの統合。
• トレーニング: Ostris's AI Toolkit および NVIDIA NeMo AutoModel を介したLoRAトレーニングのサポート。
• ライセンス: このモデルはFLUX Kommunity Licenseの下でリリースされており、年間収益が500万ドル未満の個人および企業は無料で商用利用可能です。

コミュニティの反応とフィードバック

Hacker Newsなどのプラットフォームにおけるコミュニティの初期反応は賛否両論です。モデルの編集能力や効率的なフットプリントを称賛するユーザーがいる一方で、特定のユースケースにおけるパフォーマンスについて懸念を示す声もあります。

• 代替モデルとの比較: 一部のユーザーは、テキストレンダリングやデザイン能力において、MOSS-Imageモデルのような新興の競合モデルの方が優れていると指摘しています。あるユーザーは「Mossの箱出しのデザイン能力には非常に感銘を受けた」と述べています。
• 安全性と出力品質: モデルの出力品質、特に人体解剖学的な正確さや「ボディホラー」のようなアーティファクトの可能性について議論が起きています。一部のコミュニティメンバーは、トレーニング中にNSFWコンテンツを過度にフィルタリングしたことが、リアルな人物を生成する能力に影響を与えたのではないかと推測しています。
• 効率性に関する考察: 10GB未満のフットプリントに膨大な視覚的知識を詰め込むこのモデルの能力は、拡散モデルと大規模言語モデルの効率性に関する広範な技術的議論を巻き起こしており、画像モデルはテキストベースのモデルよりもはるかに少ないパラメータ数で高いパフォーマンスを達成しているようだとユーザーは指摘しています。