ब्लॅक फॉरेस्ट लॅबने बुधवारी FLUX 3 इमेज क्लेन जारी केले, टेक्स्ट-टू-इमेज जनरेशन, इमेज एडिटिंग आणि मल्टी-रेफरन्स जनरेशनसाठी 5.6-अब्ज-पॅरामीटर ओपन-वेट मॉडेल जे कंपनीच्या फ्लॅगशिप FLUX 3 इमेज सिस्टमची हेडलाइन क्षमता 8GB कंझ्युमर ग्राफिक्स कार्डप्रमाणे हार्डवेअरपर्यंत कमी करते.

ब्लॅक फॉरेस्ट लॅब्स ब्लॉगवर जाहीर केलेल्या रिलीझमध्ये नेटिव्ह 4K इमेज जनरेशन, पिक्सेल-परफेक्ट एडिटिंग आणि बाउंडिंग-बॉक्स कंट्रोल्स समाविष्ट आहेत जे घटक कोठे ठेवतात किंवा संपादने एका परिभाषित क्षेत्रात मर्यादित ठेवतात — कंपनीने पूर्वी पूर्ण FLUX 3 इमेज मॉडेलसाठी आरक्षित केलेली वैशिष्ट्ये. वजने FLUX समुदाय परवान्याअंतर्गत डाउनलोड करण्यासाठी उपलब्ध आहेत आणि मॉडेल कंपनीच्या होस्ट केलेल्या API द्वारे देखील दिले जाते. हे वर्षातील सर्वात परिणामकारक ओपन इमेज मॉडेल रिलीझपैकी एक आहे आणि नवीनतम AI घडामोडी दैनंदिन हार्डवेअरवर सक्षम पिढीला किती वेगाने ढकलत आहेत याचे एक लक्षण आहे — चालू असलेल्या कव्हरेजसाठी, पहा AI Buzz Wire.

फ्लॅगशिप वैशिष्ट्यांसह एक लहान मॉडेल

त्याचा संक्षिप्त आकार असूनही, FLUX 3 इमेज क्लेन त्याचे मुख्य कौशल्य मोठ्या FLUX 3 प्रतिमेसह सामायिक करते. हे 10 संदर्भ प्रतिमांसह बहु-संदर्भ निर्मितीचे समर्थन करते, वापरकर्त्यांना एकाच आउटपुटमध्ये व्हिज्युअल इनपुटच्या मोठ्या संचाचे मिश्रण करू देते. नेटिव्ह 4K जनरेशन आणि पिक्सेल-परफेक्ट संपादन फ्लॅगशिपमधून पुढे नेले जाते, जसे की बाउंडिंग बॉक्स जे रचना नियंत्रित करतात किंवा कॅनव्हासच्या विशिष्ट प्रदेशात संपादने प्रतिबंधित करतात.

ब्लॅक फॉरेस्ट लॅब्सचे म्हणणे आहे की मॉडेल FLUX 3 च्या प्रतिमा, व्हिडिओ आणि ऑडिओमध्ये सामायिक केलेल्या शिकण्यांवर आधारित आहे: प्रतिमा स्थानिक तपशीलांमध्ये योगदान देतात, व्हिडिओ गती आणि भौतिक गतिशीलता जोडतात आणि ऑडिओ इव्हेंट आणि परस्परसंवादांबद्दल माहिती प्रदान करते. कंपनीच्या म्हणण्यानुसार, ते एकत्रित सिग्नल मॉडेलला अशा प्रतिमा तयार करण्यात मदत करतात ज्या वास्तविक जगात आधारभूत वाटतात.

FP8, INT8 आणि NVFP4 क्वांटाइज्ड बिल्ड्स सोबत NVIDIA सपोर्टसह विकसित केलेले - दोन प्रकारांमध्ये रिलीझ जहाजे — फाइन-ट्यूनिंगसाठी बनवलेले बेस मॉडेल आणि लो-लेटेंसी जनरेशनसाठी तयार केलेले स्टेप-डिस्टिल्ड मॉडेल. जनरेटरच्या वजनासाठी BF16 अचूकतेमध्ये 11.2GB आणि FP8 मध्ये 5.6GB मेमरी आवश्यक आहे.

मोठ्या प्रतिस्पर्ध्यांविरुद्ध बेंचमार्कचा दावा

अंतर्गत मूल्यमापनांमध्ये, ब्लॅक फॉरेस्ट लॅब्सने ओपन-वेट मॉडेल्समध्ये टेक्स्ट-टू-इमेज, मल्टी-रेफरन्स जनरेशन आणि इमेज एडिटिंगमध्ये FLUX 3 इमेज क्लेन प्रथम क्रमांकावर आहे, आणि त्याच्या तुलनेत बंद मॉडेल्सच्या पुढे, Ideogram V4.5 आणि FLUX.2 [pro]. 5.6B पॅरामीटर्सवर, त्या तुलनेत हे सर्वात लहान मॉडेल आहे: Qwen-Image 2.1 7B पॅरामीटर्सवर आणि Krea 2 12.9B वर चेक इन करते.

त्याच्या स्वत: च्या पूर्ववर्ती विरुद्ध, नफा अधिक ठोस आहेत. FLUX.2 [klein], 9B मॉडेलच्या तुलनेत, नवीन रिलीझने 38 टक्के कमी पॅरामीटर्स वापरताना मजकूर-टू-इमेजमध्ये 91 Elo उच्च आणि प्रतिमा संपादनात 70 Elo उच्च गुण मिळवले आहेत. सर्व विक्रेत्या-प्रकाशित मूल्यमापनांप्रमाणे, संख्या स्वतंत्र लीडरबोर्डऐवजी कंपनीच्या स्वतःच्या अंतर्गत चाचणीतून येतात, म्हणून ते निश्चित केलेल्या वस्तुस्थितीऐवजी मजबूत ओपनिंग दावा म्हणून वाचले जातात.

ग्राहक GPU साठी तयार केलेले

छंद आणि लहान स्टुडिओसाठी सर्वात व्यावहारिक शीर्षक हार्डवेअर आहे. INT8 बिल्डसह, FLUX 3 Image Klein NVIDIA GeForce RTX GPUs वर ComfyUI किंवा Diffusers द्वारे 8GB VRAM सह चालते — FLUX.2 [klein] ने अगदी लहान मशीन्सपर्यंत विस्तारित केले.

NVIDIA द्वारे मोजलेल्या कंपनीने जाहीर केलेल्या स्पीडचे आकडे, स्टेप-डिस्टिल्ड मॉडेलला प्रति इमेज 16 चरणांवर ठेवले: RTX 5090 वर एका-मेगापिक्सेल प्रतिमेसाठी अंदाजे 4 सेकंद आणि RTX 4070 वर 9 सेकंदांपेक्षा कमी, ComfyUI वापरून. बेस मॉडेल, 50 पायऱ्यांवर, हेडरूम फाइन-ट्यूनिंगसाठी वेगाचे व्यापार करते.

डेटा सार्वभौमत्व आवश्यकता किंवा स्थानिक उपयोजन आदेश असलेल्या संघांसाठी, कंपनी नेमके तेच मांडते: सक्षम संपादन मॉडेलचे संपूर्णपणे त्यांच्या स्वत:च्या पायाभूत सुविधांवर मूल्यमापन आणि रुपांतर करण्याची क्षमता. ग्राहकांच्या बाजूने, लहान फूटप्रिंट लॅपटॉपवरील डिव्हाइसवरील प्रतिमा संपादन महत्वाकांक्षी ऐवजी वास्तववादी बनवते.

पहिल्या दिवसापासून फाइन-ट्यूनिंग

बेस चेकपॉईंट अनुकूलन करण्यासाठी बांधले आहे. डिफ्यूझर्स आणि ऑस्ट्रिसचे AI टूलकिट बॉक्सच्या बाहेर LoRA प्रशिक्षणास समर्थन देतात आणि NVIDIA च्या NeMo AutoModel शिप रेसिपीज थेट रिलीझ केलेल्या चेकपॉईंटवरून कार्य करतात. ओपन-वेट इकोसिस्टमसाठी तो दिवस-एक सपोर्ट महत्त्वाचा असतो, जेथे फाईन-ट्यून केलेले सामुदायिक रूपे अनेकदा मॉडेल किती वेगाने पसरतात हे ठरवतात.

API स्टोरी: स्पीड-क्वालिटी फ्रंटियरचा विस्तार करणे

जे वापरकर्ते स्थानिक पातळीवर काहीही चालवू इच्छित नाहीत त्यांच्यासाठी, ब्लॅक फॉरेस्ट लॅब्स त्यांच्या API द्वारे FLUX 3 इमेज क्लेन सर्व्ह करते आणि दावा करते की ते वेग-गुणवत्तेचे पॅरेटो फ्रंटियर वाढवते: क्वेन-इमेज 2.1, FLUX.2 [प्रो], Ideogram V4.5 आणि Krea 2 पेक्षा कमी विलंबता, सर्वोच्च रेटिंग बिंदूसह.

ओपन-वेट इमेज रेससाठी याचा अर्थ काय आहे

Krea ने Krea 3, संपादन-केंद्रित मॉडेल सादर केल्याच्या काही दिवसानंतर, प्रतिमा निर्मितीसाठी गर्दीच्या आठवड्यात रिलीझ उतरले आहे. पॅटर्न सुसंगत आहे: गुणवत्तेचे दावे वाढत असताना पॅरामीटर संख्या कमी होत आहे आणि डेटा सेंटर GPU वर काय चालते आणि गेमिंग PC मध्ये काय चालते यामधील अंतर कमी होत आहे.

बेंचमार्कचे दावे स्वतंत्र छाननीत टिकून राहिल्यास, FLUX 3 इमेज क्लेन स्थानिक, उच्च-गुणवत्तेची प्रतिमा संपादित करणे ही तडजोड करण्याऐवजी डीफॉल्ट अपेक्षा बनवते — आणि बंद प्रतिमा API वर किंमतीचा अधिक दबाव आणते. व्यावसायिक वापरकर्त्यांनी उत्पादनात पाठवण्यापूर्वी FLUX समुदाय परवाना अटी बारकाईने वाचल्या पाहिजेत, कारण परवाना अटी, क्षमता नसून, ओपन-वेट दत्तक घेण्यासाठी वाढत्या प्रमाणात निर्णायक घटक आहेत.

---

एआयच्या पुढे राहा

नवीनतम AI बातम्या, विश्लेषण आणि यश मिळवा — सर्व एकाच ठिकाणी.

अधिक AI बातम्या वाचा →