FLUX 3 Image Klein: 5.6B 오픈 웨이트 이미지 생성·편집 모델

TL;DR Highlight

5.6B 오픈 웨이트로 8GB VRAM에서 돌고, 자체 평가 1위를 주장

Who Should Read

이미지 생성·편집 기능을 자체 GPU나 API로 붙이려는 백엔드·풀스택 개발자

Core Mechanics

5.6B 오픈 웨이트 이미지 모델 공개
- 텍스트→이미지, 이미지 편집, 최대 10장 참조 이미지 생성을 지원한다.
- 네이티브 4K 생성과 바운딩 박스로 배치·편집 영역을 지정하는 기능이 있다.
자체 평가에서 오픈 모델 1위라는 주장
- BFL 내부 평가에서 text-to-image, multi-reference, 편집 모두 더 큰 오픈 모델보다 앞선다고 한다.
- FLUX.2 [klein] 9B 대비 Elo가 text-to-image 91, 편집 70 올랐고 파라미터는 38% 적다.
8GB VRAM에서도 돌아간다
- 생성기 가중치는 BF16 11.2GB, FP8 5.6GB다.
- INT8 빌드는 ComfyUI나 Diffusers로 RTX GPU 8GB VRAM에서 실행된다.
증류 모델 기준 속도 수치
- 16스텝 증류 모델과 INT8로 1MP 이미지가 RTX 5090에서 약 4초, RTX 4070에서 9초 미만이다.
- NVIDIA GB300에서 NVFP4 기준 1MP 이미지가 0.6초 미만이다.
API 가격과 지연시간
- 증류 모델은 flux-3-image-klein이라는 이름으로 제공되며 가격은 1K 이미지당 $0.009부터다.
- BFL API 기준으로 Qwen-Image 2.1, FLUX.2 [pro], Ideogram V4.5, Krea 2보다 지연이 낮다고 한다.

Community Reactions

사람 이미지가 약하다는 reddit 소문
- 학습 데이터에서 NSFW에 가까운 것을 모두 뺀 탓에 사람 생성이 나쁘다는 말이 reddit에 돈다는 댓글이 있었다.
편집은 좋지만 글자 디테일은 아쉽다는 경험
- 편집 성능은 매우 탄탄하지만 미세한 텍스트 표현은 실망스러웠다는 사용 후기가 있었다.
- 몸이 일그러진 결과물 보고가 많다고 하지만 본인은 겪지 못했다고 한다.
- text-to-image는 MOSS-Image가 더 낫다는 의견도 있었다.
FLUX 2 Klein보다 못하다는 혹평
- 소형 로컬 모델로 기대했는데 FLUX 2 Klein보다 훨씬 나빠 실망스럽다는 의견이 있었다.
- OpenRouter API에서 매우 빠르지만 일반 FLUX 3 모델보다 확실히 못하다는 경험도 있었다.
가격 경쟁력에 대한 반응
- 품질만 받쳐 주면 $0.009 가격이 매우 경쟁력 있다는 의견이 있었다.
- 비교로 전날 나온 Krea 3가 이미지당 $0.06부터라는 언급이 있었다.

How to Apply

API로 프롬프트 5개 돌려 품질 확인하기
- 오늘 BFL API에서 flux-3-image-klein으로 서비스에서 실제 쓰는 프롬프트 5개를 생성해 보라.
- 사람·글자 포함 이미지를 꼭 넣어 댓글에서 나온 약점이 재현되는지 확인하라.
8GB GPU에서 INT8 빌드 로컬 실행하기
- ComfyUI나 Diffusers로 INT8 빌드를 내려받아 현재 보유 GPU에서 1MP 생성 시간을 측정하라.
- 데이터 외부 반출이 안 되는 요구사항이 있으면 자체 인프라 서빙 후보로 비교하라.
편집 기능은 바운딩 박스로 영역 제한하기
- 이미지 편집 기능에 바운딩 박스로 수정 영역을 한정해 의도하지 않은 부분이 바뀌는 것을 막아라.
- API에서는 pixel restoration으로 편집하지 않은 영역을 그대로 보존하라.
라이선스 확인 후 LoRA 학습 시도하기
- 연매출 $5M 미만인지 먼저 확인하고, 넘으면 자체 호스팅 라이선스나 API 경로를 택하라.
- 브랜드 스타일이 필요하면 base 모델에 AI Toolkit으로 LoRA를 학습하라.

Try It

복사해서 바로 해보기

# 터미널에 붙여넣기 (원문에 있는 Hugging Face Diffusers 지원을 이용한 설치 명령만 포함)

pip install -U diffusers transformers accelerate torch

# 아래는 모델 ID를 모르는 상태라 바로 실행 코드는 두지 않는다.
# 1) 원문 페이지의 'Weights on Hugging Face' 링크에서 distilled 모델 ID를 확인한다.
# 2) 해당 모델 카드의 Diffusers 사용 예제를 그대로 복사해 실행한다.

# 이어서 해 볼 것: 같은 프롬프트를 INT8 빌드와 BF16 빌드로 각각 생성해 시간과 품질을 비교한다.

Terminology

Open weights학습된 모델 파일을 내려받아 직접 돌릴 수 있게 공개한 것. 소스 코드까지 전부 공개하는 오픈소스와는 다르다.

Step distilled큰 모델이 여러 단계로 하던 작업을 적은 단계로 흉내 내게 압축한 모델. 품질을 조금 양보하고 속도를 얻는다.

Elo두 결과물을 사람이나 모델이 비교해 매기는 체스식 점수. 숫자가 높을수록 더 자주 이긴다.

Pareto frontier속도와 품질처럼 서로 맞바꾸는 두 축에서 더 나은 선택지가 없는 최선의 경계선.

LoRA모델 전체 대신 작은 추가 가중치만 학습해 스타일이나 특정 대상을 가르치는 가벼운 파인튜닝 방식.