آزمایشگاه Black Forest روز چهارشنبه FLUX 3 Image Klein را منتشر کرد، مدلی با وزن باز با 5.6 ​​میلیارد پارامتر برای تولید متن به تصویر، ویرایش تصویر و تولید چند مرجع که قابلیت های اصلی سیستم تصویر پرچمدار FLUX 3 این شرکت را تا سخت افزاری به اندازه یک کارت گرافیک مصرفی 8 گیگابایتی کاهش می دهد.

این نسخه که در وبلاگ Black Forest Labs اعلام شده است، شامل تولید تصویر بومی 4K، ویرایش کامل پیکسلی و کنترل‌های جعبه محدود می‌شود که تعیین می‌کنند عناصر در کجا قرار می‌گیرند یا ویرایش‌ها را به یک منطقه تعریف‌شده محدود می‌کنند - ویژگی‌هایی که شرکت قبلاً برای مدل کامل تصویر FLUX 3 رزرو کرده بود. وزن‌ها تحت مجوز انجمن FLUX برای دانلود در دسترس هستند و این مدل همچنین از طریق API میزبانی شده شرکت ارائه می‌شود. این یکی از پیام‌آورترین نسخه‌های مدل تصویر باز سال است و نشانه‌ای از این است که آخرین پیشرفت‌های هوش مصنوعی با چه سرعتی نسل‌های توانمند را به سخت‌افزارهای روزمره منتقل می‌کنند — برای پوشش مداوم، [AI Buzz Wire] (https://aibuzzwire.news) را ببینید.

یک مدل کوچک با ویژگی های شاخص

علیرغم اندازه جمع و جور، FLUX 3 Image Klein مجموعه مهارت های اصلی خود را با تصویر بزرگتر FLUX 3 به اشتراک می گذارد. از تولید چند مرجع با حداکثر 10 تصویر مرجع پشتیبانی می کند و به کاربران اجازه می دهد مجموعه بزرگی از ورودی های بصری را در یک خروجی واحد ترکیب کنند. تولید 4K بومی و ویرایش کامل پیکسلی از پرچمدار منتقل می شود، همانطور که جعبه های مرزی که ترکیب را کنترل می کنند یا ویرایش ها را به یک منطقه خاص از بوم محدود می کنند.

آزمایشگاه‌های جنگل سیاه می‌گویند که این مدل بر اساس یادگیری‌های مشترک FLUX 3 در تصاویر، ویدیو و صدا است: تصاویر به جزئیات فضایی کمک می‌کنند، ویدئو حرکت و پویایی فیزیکی را اضافه می‌کند و صدا اطلاعاتی درباره رویدادها و تعاملات ارائه می‌دهد. به گفته این شرکت، این سیگنال های ترکیبی به مدل کمک می کند تا تصاویری را تولید کند که در دنیای واقعی احساس می شود.

این نسخه در دو نوع عرضه می‌شود - یک مدل پایه برای تنظیم دقیق و یک مدل تقطیر مرحله‌ای که برای تولید با تاخیر کم ساخته شده است - در کنار ساخت‌های کوانتیزه FP8، INT8 و NVFP4 که با پشتیبانی NVIDIA توسعه یافته‌اند. وزن ژنراتور به 11.2 گیگابایت حافظه با دقت BF16 و 5.6 گیگابایت در FP8 نیاز دارد.

ادعاهای معیار در برابر رقبای بزرگتر

در ارزیابی‌های داخلی، آزمایشگاه‌های بلک فارست FLUX 3 Image Klein را در رتبه‌بندی متن به تصویر، تولید چند مرجع و ویرایش تصویر در میان مدل‌های وزن باز و بالاتر از مدل‌های بسته در مجموعه مقایسه‌اش، Ideogram V4.5 و FLUX.2 [pro]، رتبه اول را به خود اختصاص داده است. با پارامترهای 5.6B، کوچکترین مدل در این مقایسه است: Qwen-Image 2.1 در پارامترهای 7B و Krea 2 در 12.9B بررسی می شود.

در برابر سلف خود، دستاوردها ملموس تر است. در مقایسه با FLUX.2 [klein]، یک مدل 9B، نسخه جدید امتیاز 91 Elo در تبدیل متن به تصویر و 70 Elo بالاتر در ویرایش تصویر در حالی که از پارامترهای 38 درصد کمتری استفاده می‌کند، می‌گیرد. مانند تمام ارزیابی‌های منتشر شده توسط فروشنده، اعداد و ارقام از آزمایش‌های داخلی خود شرکت به‌جای تابلوی امتیازات مستقل به دست می‌آیند، بنابراین بهتر است به‌عنوان یک ادعای آغازین قوی خوانده شوند تا واقعیت ثابت.

برای پردازنده های گرافیکی مصرف کننده ساخته شده است

کاربردی ترین عنوان برای علاقه مندان و استودیوهای کوچک، سخت افزار است. با ساخت INT8، FLUX 3 Image Klein بر روی پردازنده‌های گرافیکی NVIDIA GeForce RTX با کمتر از 8 گیگابایت VRAM از طریق ComfyUI یا Diffusers اجرا می‌شود - آنچه را که FLUX.2 [klein] شروع کرد به ماشین‌های کوچک‌تر نیز گسترش می‌دهد.

ارقام سرعت منتشر شده توسط این شرکت، اندازه‌گیری شده توسط NVIDIA، مدل تقطیر مرحله‌ای را در 16 گام در هر تصویر نشان می‌دهد: تقریباً 4 ثانیه برای یک تصویر یک مگاپیکسلی در RTX 5090 و کمتر از 9 ثانیه در RTX 4070 با استفاده از ComfyUI. مدل پایه، در 50 پله، سرعت را با تنظیم دقیق فضای سر عوض می کند.

برای تیم‌هایی که الزامات حاکمیت داده یا الزامات استقرار محلی دارند، شرکت دقیقاً همین را مطرح می‌کند: توانایی ارزیابی و انطباق یک مدل ویرایش توانا به طور کامل بر اساس زیرساخت خود. از طرف مصرف کننده، ردپای کوچک آن باعث می شود ویرایش تصویر روی دستگاه در لپ تاپ ها به جای آرزویی، واقع گرایانه باشد.

تنظیم دقیق از روز اول

ایست بازرسی پایه برای سازگاری ساخته شده است. Diffusers و Ostris's AI Toolkit از آموزش LoRA خارج از جعبه پشتیبانی می کنند و NeMo AutoModel NVIDIA دستور العمل هایی را ارسال می کند که مستقیماً از نقاط بازرسی منتشر شده کار می کنند. این پشتیبانی روز اول برای اکوسیستم وزن باز مهم است، جایی که انواع جامعه با تنظیم دقیق اغلب تعیین می کنند که یک مدل با چه سرعتی گسترش می یابد.

داستان API: گسترش مرز سرعت و کیفیت

برای کاربرانی که ترجیح می‌دهند هیچ چیزی را به صورت محلی اجرا نکنند، آزمایشگاه Black Forest از طریق API خود FLUX 3 Image Klein را ارائه می‌کند و ادعا می‌کند که مرز پارتو با کیفیت سرعت را گسترش می‌دهد: تأخیر کمتر نسبت به Qwen-Image 2.1، FLUX.2 [pro]، Ideogram V4.5 و Krea 2، با بالاترین امتیاز و در تأخیر بالاتر.

برای مسابقه تصویر اوزان باز به چه معناست

انتشار در یک هفته شلوغ برای تولید تصویر، چند روز پس از معرفی Krea 3، یک مدل متمرکز بر ویرایش منتشر می‌شود که همان جامعه در مقایسه با ابزارهای بسته معیار قرار داده است. این الگو ثابت است: تعداد پارامترها کاهش می یابد در حالی که ادعاهای کیفیت افزایش می یابد، و شکاف بین آنچه در یک GPU مرکز داده اجرا می شود و آنچه در یک رایانه شخصی بازی اجرا می شود کم می شود.

اگر ادعاهای معیار تحت بررسی مستقل باقی بماند، FLUX 3 Image Klein ویرایش محلی و باکیفیت تصویر را به جای مصالحه به یک انتظار پیش‌فرض تبدیل می‌کند - و فشار قیمت بیشتری را بر APIهای تصویر بسته وارد می‌کند. کاربران تجاری باید شرایط مجوز انجمن FLUX را قبل از ارسال آن در تولید به دقت مطالعه کنند، زیرا شرایط مجوز، نه قابلیت ها، به طور فزاینده ای عامل تعیین کننده برای پذیرش وزن های باز هستند.

---

از هوش مصنوعی جلوتر بمانید

آخرین اخبار، تحلیل ها و پیشرفت های هوش مصنوعی را دریافت کنید - همه در یک مکان.

بیشتر بخوانید اخبار هوش مصنوعی →