FLUX 3 Klein: مدل تصویری جدید Black Forest Labs زیر ذره‌بین
هوش مصنوعیClaude Opus 5.5خلاصهٔ کامل‌تر
مدل FLUX 3 Klein جدیدترین مدل تصویری open weights از Black Forest Labs هست که یه image transformer با ۵.۶ میلیارد پارامتر داره. ساخت تصویر از متن، ویرایش تصویر و multi-reference generation (یعنی ساخت تصویر جدید با کمک تا ۱۰ عکس مرجع) همه تو یه مدل جمع شدن. text encoderش Qwen-3 VL-4B هست و میشه با bounding box (یعنی یه کادر روی تصویر) مشخص کرد هر چیزی کجای قاب بشینه. نسخهٔ distilled فقط با ۱۶ قدم و بدون guidance اجرا میشه.
به گفتهٔ نویسنده، Klein سبک‌تر از FLUX 2 هست و تو full precision حدود ۲۶.۴ گیگابایت VRAM مصرف کرد. ولی با وجود قدم‌های کمتر، تو استفادهٔ کنار هم از FLUX 2 کندتر بود. یعنی قدم کمتر لزوماً خروجی سریع‌تر نمی‌ده. لایسنسش هم استفادهٔ غیرتجاری رو آزاد گذاشته و استفادهٔ تجاری رو فقط برای سازمان‌ها یا افراد با درآمد سالانهٔ زیر ۵ میلیون دلار.
نوشتن متن روی تصویر یکی از نقاط قوتش بود، هرچند خود Black Forest Labs گفته تو این نسخه درستی متن تضمین نشده. یه تابلوی مغازهٔ عسل تو یمن با متن عربی و انگلیسی تمیز و خوانا دراومد، ولی برچسب‌های ریز روی شیشه‌های دورتر ناخونا بودن. خلاصه‌ش اینه که متن کوتاه و درشت وسط کادر خوب درمیاد، ولی متن ریز و دور هنوز خراب میشه.
قوی‌ترین بخش، ساخت با چند مرجع و حفظ چهره بود. وقتی عکس واقعی یه آدم داده شد که تو یه جنگل پاییزی قرار بگیره، چهره‌ش حفظ شد، کلاه اضافه حذف شد و حتی یه شلوار جین منطقی اضافه شد که تو عکس اصلی نبود. فقط حالت پلاستیکی تو برگ‌های پس‌زمینه باز دیده شد.
تو ویرایش، کارهای ساده مثل عوض کردن رنگ مو یا اضافه کردن مربا و بلوبری روی نون تُست خوب دراومد. ولی وقتی خواسته شد کمربند ایمنی روی بدن آدم درست روی شونه قرار بگیره، کاملاً شکست خورد. دست‌ها و حالت‌های پیچیدهٔ بدن هم هنوز مشکل دارن؛ مثلاً تو یه رقصندهٔ فلامنکو انگشت شست عجیب خم شده بود و یه دست اصلاً دیده نمی‌شد.
نتیجه‌گیری نویسنده اینه که پیشرفت مدل‌های تصویری فعلاً تقریباً متوقف شده. بعضی صحنه‌ها مثل انعکاس آب تو معبد طلایی امریتسار یا بازار مه‌آلود کنار رودخونه تو کالیمانتان جنوبی خیلی واقعی بودن، ولی صحنهٔ گاوهای باواریا و غذاها پلاستیکی و شلوغ دراومدن و تو بعضی تست‌ها FLUX 2 طبیعی‌تر بود. به نظر نویسنده Klein برای ویرایش و کار با مرجع ارتقای خوبیه، ولی کیفیت کلیش جهش بزرگی نکرده.
نکات کلیدی:
- FLUX 3 Klein یه image transformer با ۵.۶ میلیارد پارامتر داره و تا ۱۰ تصویر مرجع قبول می‌کنه.
- text encoderش Qwen-3 VL-4B هست و نسخهٔ distilled با ۱۶ قدم و بدون guidance اجرا میشه.
- مصرف VRAM تو full precision حدود ۲۶.۴ گیگابایته، کمتر از FLUX 2، ولی سرعت تولیدش کمتره.
- استفادهٔ تجاری فقط برای درآمد سالانهٔ زیر ۵ میلیون دلار آزاده.
- حفظ چهره و ساخت با چند مرجع قوی‌ترین بخشش بود، ولی دست‌ها و اصلاح‌های فیزیکی مثل جای کمربند ایمنی هنوز خراب درمیان.
