同是“开源 4K 生图“，FLUX 3 klein 与同期新模型谁更值得本地跑

同是"开源 4K 生图"，FLUX 3 klein 与同期新模型谁更值得本地跑

【免费下载链接】flux-3-image-klein项目地址: https://ai.gitcode.com/hf_mirrors/black-forest-labs/flux-3-image-klein

2026 年 10 月 2 日，Black Forest Labs 官宣 FLUX 3 Image：最高 4K 原生输出、0–1000 坐标网格的元素级排布、像素级保持的区域编辑，一时之间"开源 4K 生图"成为社区热词。紧随其后，开放权重版本 FLUX 3 Image Klein 落地，仓库以 5.6B 蒸馏检查点 + 量化变体的形态直接可下载。而就在同一窗口期，"开源生图"赛道上还冒出了把 FLUX.2 Klein 4B 硬压进 iPhone 的 Bonsai Image 4B。两者都叫"开源"，参数规模、显存门槛、许可边界却几乎处在光谱两端。本文基于本地仓库源码与社区实测情报，把"谁更值得本地跑"拆成参数、许可、部署门槛三条线逐项比较。

FLUX 3 Klein 到底开源了什么

先看仓库本身。flux-3-image-klein不是一个大而全的 bundle，而是按组件拆分的模块化结构：根目录的model.safetensors是图像 transformer 主体，text_encoder/是 Qwen3-VL-4B-Instruct 文本编码器，ae.safetensors与vae/是图像自编码器，另有variants/fp8r/与variants/nvfp4/两个量化变体包。manifest.json显示 transformer 主体参数量为 5,548,681,984（约 5.5B，BF16），官方标注的"5.6B"即指图像 transformer，文本编码器单独计量，这与 FLUX 系列"核心 DiT + 重型文本编码器"的一贯分法一致。

架构层面，config.json 给出了关键数字：hidden 3072、heads 24、深度 5 + 28 层 single blocks、flow_map: true，采样器固定 16 步、无 guidance。结合 README 中的对比表可以还原全貌：仓库内的是蒸馏检查点（distilled，16 步、无需 CFG，正是 BFL API 背后的那个 checkpoint），而面向微调与 LoRA 的 Base 版则是 50 步、guidance 3.5 的未蒸馏权重，另存于flux-3-image-klein-base。对自托管者而言，16 步无 CFG 意味着省掉一整轮 guidance 调参，这是蒸馏版最直接的工程红利。

坐标网格与多参考：可控性才是这张牌的核心

官方通稿的三大卖点中，"4K"最抓眼球，但真正重构工作流的其实是可控性。FLUX 3 Image 允许在归一化的 0–1000 坐标网格上，为每个元素指定 ID、描述与边界框（格式[y_min, x_min, y_max, x_max]），把版式从"抽卡"变成"写配置"。仓库 README 给出了可直接套用的提示词格式——在完整场景描述后追加一段 JSON，例如：

Minimalist graphic illustration featuring a black silhouette of a person <silhouette_1> centered against a solid, vibrant chartreuse background <background_1>. [{"id": "background_1", "bbox": [0, 0, 1000, 1000], "desc": "A flat field of neon yellow-green with a subtle paper texture and fine, organic grain."}, {"id": "silhouette_1", "bbox": [150, 150, 850, 850], "desc": "A black silhouette of a person in motion, made of dense stippled ink."}]

框只约束位置与尺度，不充当硬 mask——元素可以越出边界，这一点 README 的 Limitations 写得很诚实。配合单次最多 10 张参考图的对象级定位（编辑时以<ref_image_n>指代第 n 张参考图，通过src_bbox/tgt_bbox完成移动、替换、删除），文生图、单参考编辑、多参考合成跑在同一个模型里，过去需要"LoRA 微调 + 局部重绘"两段流水线的电商合成类工作，被压缩进了一次推理。

值得注意的是另一个工程约束：模型不吃短提示词。README 明确要求任何生成（含编辑）都先过 prompt upsampler——将短需求扩写为包含构图、主体、背景、光照的完整场景描述，官方提供flux-3-image-klein-pup（约 18.8GB），Diffusers 管线不会自动调用它。这意味着本地跑通 Klein 的最小集合是"transformer + VAE + 文本编码器 + upsampler"四件套，部署心智成本比想象中高。

许可对比："开源"与"开源"之间隔着一条收入线

真正决定"能不能商用"的不是 Star 数，而是许可文本。本仓库随附的 LICENSE.md（FLUX Kommunity License v1.0）走的是"非商用 + 例外"路线：个人研究、非生产环境测试评估属非商用用途；商用输出则只对 Qualifying User 开放——即你与你关联方的年化总收入低于 500 万美元，且需实施内容过滤或人工审核、并按法律要求披露 AI 生成属性。

两条容易被忽略的硬条款：其一，禁止使用模型、其 Derivatives 或 Output 去改进"执行与 FLUX 类似功能的另一 AI 模型"（第 4 节 b 款），蒸馏、合成数据训练都在射程内；其二，商用例外仅覆盖"生成 Output"，商用微调、分发 Derivative 并不包含在内，需另行申请商业许可。相比之下，文本编码器 Qwen3-VL-4B-Instruct 走的是 text_encoder/LICENSE 下的 Apache-2.0，两者需分开审视。

同期模型的许可差异同样显著。Bonsai Image 4B 本质是把 FLUX.2 Klein 4B 的 diffusion transformer 压到 1-bit / ternary 极低比特权重（0.93GB / 1.21GB），血缘上仍是 FLUX 家族，其可商用边界同样受上游 Kommunity 类条款约束，社区评测（GenEval / HPSv3 / DPG-Bench）显示 Ternary 版保留原模型约 95% 能力；而更早的 FLUX.1 系列 Pro / Dev / Schnell 三版本中，仅 Schnell 面向本地推理且许可面更窄。横向看，"能自托管的高端 4K 生图 + 明确商用例外"这个组合，在同期发布物里 Klein 几乎是独一份。

本地部署门槛横向比较

README 的 Hardware 一节给出了官方实测：B200、1024×1024、关闭 upsampler 时，峰值显存 BF16 约 31GB、FP8 约 26GB、NVFP4 约 25GB；若开启 prompt upsampler，在 80GB GPU 上再叠加约 28GB。对比三个量化变体的 variants/fp8r/config.json 与 variants/nvfp4/config.json，架构参数完全一致、仅quantization字段不同，意味着量化只压权重、不动网络结构，可在同一套推理代码上平滑切换——这也是仓库把量化包独立存放而非替换主权重的原因。下载侧，README 提供了按allow_patterns精准拉取（跳过全部量化包）的snapshot_download脚本，带宽成本可控。

而 Bonsai Image 4B 走的是另一条极端路径：iPhone 17 Pro Max 上 512×512 约 9.4 秒、mean-active memory 低至 1.5GB，Apple Silicon 部署包体 3.42GB（含压缩 text encoder 与 FP16 VAE）。它把"图像生成"压进了手机内存，但代价是画质与提示词跟随性向压缩妥协，社区定位也明确为头像、插画、草稿等轻量场景。两条路线放在一起看很清晰：

若走 Diffusers 路径，仓库的 modular_model_index.json 展示了模块化管线的装配方式：Flux3DistilledModularPipeline依次声明 Qwen3VL 编码器、Flux3Transformer2DModel与AutoencoderKLFlux2，配合pipe.load_components(dtype=torch.bfloat16)按需加载，组件级显存调度比整包加载灵活得多。一个务实的本地跑法：BF16 全量 + upsampler 需要 80GB 级卡；显存 32GB 左右则用 NVFP4 量化包 + 自行替换更轻的 upsampler LLM（README 明确允许用任意 LLM 承担扩写，只要套用官方 system prompt 模板），把整条链路的峰值压进单卡。

按场景给选型建议

商用（营收低于 500 万美元）：Klein 是当前最顺手的答案。许可明确覆盖商用输出、坐标网格让模板化物料（海报、Banner、电商合成）可以"布局入库、文案替换"地流水线化、像素级编辑让多轮改稿不再漂移背景。但务必守住两条红线——不以模型/输出训练同类模型，以及为输出加内容过滤与 AI 披露。若团队营收已过线，则需走 BFL 商业许可，此时本地跑的意义转为"用自托管压 API 成本"。

创作与设计师：追求 4K 细节、精准排版与多参考合成，选 Klein；追求随时随地的轻量灵感草图、把模型塞进手机或老笔记本，选 Bonsai。两者不构成替代关系——Klein 是生产工具，Bonsai 是随身速写本。

学习与研究：Klein 仓库本身就是一个高质量教材：5B 级 DiT 的 flow-map 蒸馏（16 步、零 CFG）如何用 config.json 表达、同一权重三档量化（BF16 / FP8 / NVFP4）的工程组织、模块化管线如何做组件级加载，都值得逐文件拆解。若想做 LoRA 与微调，则切换到未蒸馏的 Base 检查点。

结论并不复杂："同是开源 4K 生图"其实是两种截然不同的开源——Klein 用 31GB 显存换精度与可控性，Bonsai 用 1GB 体重换便携与低门槛。按显存预算选量化档位，按营收规模核对许可条款，按创作场景决定要不要为 upsampler 留出 28GB——选型做完，剩下的只是把snapshot_download跑完。

【免费下载链接】flux-3-image-klein项目地址: https://ai.gitcode.com/hf_mirrors/black-forest-labs/flux-3-image-klein