مهر
اخبار
مدل FLUX 3 Image Klein منتشر شد؛ تولید تصویر ۴K متن‌باز روی کارت‌های ۸ گیگابایتی
شرکت Black Forest Labs مدل متن‌باز FLUX 3 Image Klein را با ۵٫۶ میلیارد پارامتر منتشر کرد؛ مدلی که تولید تصویر ۴K، ویرایش دقیق و ترکیب تا ۱۰ تصویر مرجع را روی کارت‌های گرافیک خانگی ممکن می‌کند و برای کسب‌وکارهای زیر ۵ میلیون دلار درآمد، استفاده‌ی تجاری رایگان دارد.
لیست مطالب
۱. FLUX 3 Image Klein دقیقاً چیست؟
مدل FLUX 3 Image Klein دومین مدل با وزن باز در خانواده‌ی FLUX 3 است. پیش از آن، شرکت Black Forest Labs مدل رباتیکی FLUX 3 Action را با ۷ میلیارد پارامتر عرضه کرده بود. نسخه‌ی Klein نسخه‌ی سبک و در دسترس‌تر مدل اصلی FLUX 3 Image است و بیشتر قابلیت‌های آن را حفظ کرده است. شرکت می‌گوید این مدل در یک بسته، سه کار اصلی را انجام می‌دهد: تبدیل متن به تصویر، ویرایش تصویر موجود و تولید تصویر جدید بر پایه‌ی چند تصویر مرجع.
واژه‌ی «Klein» در آلمانی یعنی «کوچک»، و نام‌گذاری هم همین پیام را می‌دهد. هدف این است که مدلی در سطح مدل‌های بزرگ، روی سخت‌افزاری اجرا شود که طراحان، استودیوهای کوچک و برنامه‌نویسان مستقل واقعاً در اختیار دارند. اگر تازه با دنیای مدل‌های بنیادی آشنا شده‌اید، مقاله‌ی OpenAI چیست؟ نقطه‌ی شروع خوبی برای شناخت بازیگران این بازار است.
۲. مشخصات فنی و نسخه‌های منتشرشده
این انتشار فقط یک فایل نیست، بلکه مجموعه‌ای از نسخه‌هاست که هر کدام برای نیاز خاصی ساخته شده‌اند. نسخه‌ی پایه (Base) برای فاین‌تیونینگ و آموزش LoRA مناسب است. نسخه‌ی Distilled که با تقطیر مراحل ساخته شده، برای تأخیر کم و تولید سریع طراحی شده است. علاوه بر این‌ها، نسخه‌های FP8، INT8 و NVFP4 با همکاری انویدیا آماده شده‌اند.
اندازه‌ی وزن‌ها هم برای کاربران خانگی جذاب است: حدود ۱۱٫۲ گیگابایت در قالب BF16 و حدود ۵٫۶ گیگابایت در قالب FP8. نسخه‌ی INT8 طبق گزارش شرکت روی کارت‌های GeForce RTX با حداقل ۸ گیگابایت حافظه‌ی گرافیکی و از طریق ComfyUI یا Diffusers اجرا می‌شود.
- تعداد پارامتر: ۵٫۶ میلیارد
- خروجی بومی: تا رزولوشن ۴K
- تصویر مرجع: تا ۱۰ تصویر در یک درخواست
- قالب‌های عددی: BF16، FP8، INT8 و NVFP4
- کنترل مکانی: کادرهای محدوده (Bounding Box) برای جای‌گذاری عناصر یا محدود کردن ویرایش
۳. ویرایش پیکسل‌به‌پیکسل و کادرهای محدوده
یکی از مشکلات قدیمی ویرایش تصویر با هوش مصنوعی این است که با تغییر یک بخش، بقیه‌ی تصویر هم کمی عوض می‌شود. Black Forest Labs برای این مشکل، قابلیتی به نام «بازسازی پیکسل» (Pixel Restoration) در API ارائه کرده که بخش‌های ویرایش‌نشده را دست‌نخورده نگه می‌دارد. کنار آن، کادرهای محدوده به شما اجازه می‌دهند دقیقاً مشخص کنید یک عنصر کجا قرار بگیرد یا ویرایش فقط در کدام ناحیه انجام شود.
برای تولیدکنندگان محتوا و فروشگاه‌های اینترنتی، این یعنی می‌توان لباس یک مدل را عوض کرد، پس‌زمینه‌ی عکس محصول را تغییر داد یا یک متن را اصلاح کرد، بدون اینکه چهره، نور و جزئیات اطراف خراب شود. نمونه‌های رسمی شرکت شامل کولاژی با تایپوگرافی هم هست، اما جزئیات دقیق عملکرد در نوشتن متن‌های بلند در صفحه‌ی رسمی توضیح داده نشده و بهتر است خودتان آزمایش کنید.
۴. بنچمارک‌ها؛ آنچه شرکت ادعا می‌کند
طبق ارزیابی‌های داخلی Black Forest Labs، این مدل در سه دسته‌ی تبدیل متن به تصویر، تولید با چند مرجع و ویرایش تصویر در رتبه‌ی نخست میان مدل‌های بازِ مقایسه‌شده قرار دارد. شرکت می‌گوید حتی از مدل‌های بسته‌ی Ideogram V4.5 و FLUX.2 [pro] هم در این مقایسه بالاتر است.
در مقایسه با نسل قبلی، یعنی FLUX.2 [klein] با ۹ میلیارد پارامتر، مدل جدید ۹۱ امتیاز Elo در تبدیل متن به تصویر و ۷۰ امتیاز Elo در ویرایش تصویر جلوتر است، آن هم با ۳۸ درصد پارامتر کمتر. در مقابل، رقبای بازی مثل Qwen-Image 2.1 با ۷ میلیارد پارامتر و Krea 2 با ۱۲٫۹ میلیارد پارامتر در جدول مقایسه آمده‌اند. نکته‌ی مهم این است که این اعداد از خود شرکت می‌آیند و هنوز ارزیابی مستقل گسترده‌ای از آن‌ها منتشر نشده است؛ پس تا آزمایش خودتان، آن‌ها را راهنما بدانید نه حکم نهایی. برای درک بهتر مقایسه‌ی مدل‌ها، نوشته‌ی مقایسه‌ی ChatGPT و DeepSeek نشان می‌دهد چرا بنچمارک به‌تنهایی کافی نیست.
۵. سرعت: از RTX 4070 تا GB300
سرعت مهم‌ترین دلیل توجه به نسخه‌ی Distilled است. طبق گزارش شرکت، نسخه‌ی تقطیرشده با INT8 یک تصویر یک‌مگاپیکسلی را روی RTX 5090 در حدود ۴ ثانیه و روی RTX 4070 در کمتر از ۹ ثانیه می‌سازد. در سمت دیتاسنتر، روی GB300 و با قالب NVFP4 زمان تولید زیر ۰٫۶ ثانیه گزارش شده است. همچنین سرو کردن یک LoRA فقط حدود ۵ درصد به زمان تولید اضافه می‌کند.
در API، میانه‌ی زمان پاسخ برای تصویر یک‌مگاپیکسلی (شامل صف) ۴٫۵۴ ثانیه برای تولید و ۷٫۱۸ ثانیه برای ویرایش اعلام شده است. شرکت می‌گوید این زمان از Qwen-Image 2.1، FLUX.2 [pro]، Ideogram V4.5 و Krea 2 کمتر است، آن هم با رتبه‌ی برابر یا بالاتر. البته نسخه‌ی بزرگ‌تر Krea 2 در همین مقایسه حدود ۳۱ ثانیه برای تولید زمان گرفته است.
۶. قیمت و مجوز استفاده‌ی تجاری
قیمت API با مدل flux-3-image-klein از ۰٫۰۰۹ دلار به‌ازای هر تصویر شروع می‌شود. این عدد آن را به یکی از ارزان‌ترین گزینه‌ها برای تولید انبوه تصویر تبدیل می‌کند. اگر برنامه‌ای دارید که روزانه هزاران تصویر می‌سازد، چنین قیمتی تفاوت بزرگی در هزینه‌ی ماهانه ایجاد می‌کند.
مجوز مدل «FLUX Kommunity License» است. طبق آن، افراد و شرکت‌هایی که درآمد سالانه‌شان کمتر از ۵ میلیون دلار است می‌توانند به‌صورت تجاری و رایگان از مدل استفاده کنند و استفاده‌ی پژوهشی و غیرتجاری هم آزاد است. سازمان‌های بزرگ‌تر باید از مسیر API یا مجوز میزبانی اختصاصی اقدام کنند. پیش از هر استفاده‌ی تجاری، متن کامل مجوز را بخوانید، چون ممکن است شرایط جزئی دیگری هم داشته باشد.
۷. چطور از آن استفاده کنیم؟
وزن‌های نسخه‌ی پایه و Distilled روی Hugging Face قرار گرفته‌اند و کد مرجع استنتاج روی GitHub هست، همراه با یک دموی Gradio برای کنترل با کادر محدوده. برای کسانی که نمی‌خواهند چیزی نصب کنند، Hugging Face Spaces و محیط Playground خود شرکت هم در دسترس است. مدل از روز اول در ComfyUI، کتابخانه‌ی Diffusers، TensorRT-LLM، SGLang Diffusion و vLLM-Omni پشتیبانی می‌شود.
برای آموزش LoRA هم می‌توان از AI Toolkit ساخته‌ی Ostris و دستورهای NeMo AutoModel انویدیا استفاده کرد. مسیر ساده برای شروع این است:
- ComfyUI را به‌روز کنید و گردش‌کار آماده‌ی FLUX 3 Image Klein را بارگذاری کنید.
- اگر کارت شما ۸ تا ۱۲ گیگابایت حافظه دارد، نسخه‌ی INT8 یا FP8 را انتخاب کنید.
- برای سرعت، نسخه‌ی Distilled و برای آموزش سبک‌های شخصی، نسخه‌ی Base را به کار ببرید.
- برای ویرایش دقیق، تصویر مرجع و کادر محدوده را همزمان بدهید.
کیفیت خروجی به پرامپت هم بستگی دارد. اگر در نوشتن دستور تصویر تازه‌کار هستید، راهنمای نوشتن پرامپت برای مبتدی‌ها و آموزش‌های چت‌جی‌پی‌تی در سایت کمک می‌کنند توصیف‌هایتان دقیق‌تر شود.
۸. ایمنی و ارزیابی بیرونی
Black Forest Labs می‌گوید برای کاهش خطر سوءاستفاده، داده‌ها را در مرحله‌ی پیش‌آموزش فیلتر کرده و در پس‌آموزش هم تنظیم‌های هدفمند انجام داده است. چک‌پوینت‌ها به‌صورت داخلی تیم قرمز شده‌اند و شرکت بیرونی Cinder هم آن‌ها را بررسی کرده و به گفته‌ی BFL، آسیب‌پذیری‌های کمتری نسبت به دیگر مدل‌های متن‌باز محبوب پیدا کرده است. با این حال، هر مدل متن‌بازی را می‌توان فاین‌تیون کرد، پس مسئولیت استفاده‌ی درست روی دوش کاربر است. نگاه واقع‌بینانه به محدودیت‌های این فناوری را در مقاله‌ی توانایی‌ها و محدودیت‌های هوش مصنوعی در دنیای واقعی بخوانید.
۹. این خبر برای کسب‌وکارها چه معنایی دارد؟
ترکیب سه عامل، این انتشار را مهم می‌کند: مدل کوچک و سریع، مجوز تجاری برای شرکت‌های کوچک و هزینه‌ی بسیار پایین. فروشگاه‌های آنلاین می‌توانند عکس محصول را در سبک‌های مختلف بسازند، آژانس‌های تبلیغاتی می‌توانند پیش‌نمایش کمپین را در چند دقیقه تولید کنند و استودیوهای بازی می‌توانند مدل را با سبک بصری خودشان آموزش دهند. توضیح بیشتر درباره‌ی نقش این ابزارها در رشد شرکت‌ها را در اهمیت هوش مصنوعی در کسب‌وکار می‌خوانید.
در عین حال، اجرای محلی یعنی داده‌های شما از سیستم خودتان بیرون نمی‌رود، که برای تیم‌های حساس به حریم خصوصی مزیت جدی است. اخبار مشابه را در بخش اخبار هوش مصنوعی دنبال کنید، و اگر می‌خواهید بدانید چرا ابزارها به‌تنهایی مهندس نمی‌شوند، توهم توسعه‌دهنده‌ی تنها در برابر مهندس واقعی را ببینید.
پرسش‌های متداول
آیا FLUX 3 Image Klein رایگان است؟
وزن‌ها برای استفاده‌ی پژوهشی و غیرتجاری رایگان است و شرکت‌ها و افراد با درآمد سالانه‌ی کمتر از ۵ میلیون دلار هم می‌توانند به‌صورت تجاری و رایگان از آن بهره ببرند. API پولی است و از ۰٫۰۰۹ دلار شروع می‌شود.
برای اجرا چه کارت گرافیکی لازم است؟
طبق اعلام شرکت، نسخه‌ی INT8 روی کارت‌های GeForce RTX با حداقل ۸ گیگابایت حافظه‌ی گرافیکی اجرا می‌شود. هرچه حافظه و توان کارت بیشتر باشد، سرعت تولید بهتر خواهد بود.
تفاوت نسخه‌ی Base و Distilled چیست؟
نسخه‌ی Base برای فاین‌تیونینگ و کیفیت حداکثری مناسب‌تر است و مراحل بیشتری نیاز دارد. نسخه‌ی Distilled با مراحل کمتر ساخته شده و برای تولید سریع و تأخیر پایین بهینه است.
آیا ویرایش تصویر هم پشتیبانی می‌شود؟
بله. مدل علاوه بر تولید تصویر، ویرایش تصویر موجود و تولید با حداکثر ۱۰ تصویر مرجع را هم پشتیبانی می‌کند و قابلیت بازسازی پیکسل بخش‌های ویرایش‌نشده را حفظ می‌کند.
آیا ادعای بنچمارک‌ها مستقل تأیید شده است؟
اعداد ذکرشده از ارزیابی‌های داخلی Black Forest Labs هستند. ارزیابی‌های مستقل در روزهای آینده روشن‌تر می‌کنند که برتری ادعاشده در کارهای واقعی هم دیده می‌شود یا نه.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
