FLUX에 ‘작은 동생’이 또 나왔어요
이미지 생성 AI를 조금이라도 다뤄보셨다면 FLUX라는 이름이 익숙하실 거예요. Stable Diffusion을 만든 핵심 연구자들이 Stability AI를 나와 독일에서 세운 Black Forest Labs(BFL)의 모델 시리즈죠. 이번에 BFL이 FLUX 3 Image Klein을 발표했어요. Klein은 독일어로 ‘작은’이라는 뜻이에요. 이름 그대로 FLUX 3 이미지 라인업에서 가볍고 빠른 쪽을 맡는 모델이에요. 이름에 Image가 따로 붙은 것도 눈여겨볼 만한데요, FLUX 3부터는 이미지 말고 다른 영역까지 라인업을 나눠 가져가겠다는 신호로 읽혀요.
FLUX 라인업 잠깐 복습하기
이번 발표를 이해하려면 BFL이 그동안 모델을 어떻게 나눠왔는지 알아두면 좋아요.
- FLUX.1 (2024): 약 120억 파라미터 모델로 출발했어요. API 전용인 pro, 비상업 라이선스로 가중치를 공개한 dev, Apache 2.0으로 완전히 풀어준 빠른 버전 schnell로 나눴죠.
- FLUX.1 Kontext (2025): 텍스트 지시로 기존 이미지를 편집하는 쪽으로 확장했어요.
- FLUX.2 (2025년 말): 참조 이미지 여러 장을 동시에 쓰고 고해상도를 지원하는 큰 모델로 올라섰어요. 가중치를 공개한 dev 모델은 320억 파라미터까지 커졌고, 여기서 처음으로 klein이라는 경량 모델이 등장했죠.
작은 모델은 어떻게 만들까: 증류
작은 모델을 처음부터 따로 학습시킬 수도 있지만, 보통은 증류(distillation)를 써요. 이게 뭐냐면, 큰 모델(선생님)이 만든 결과를 작은 모델(학생)이 따라 하도록 학습시키는 방법이에요. 학생은 선생님만큼 많이 알지는 못해도, 선생님이 답을 내는 방식을 흉내 내면서 훨씬 작은 크기로 비슷한 결과를 내게 돼요.
이미지 모델에서는 증류를 두 가지로 나눠볼 수 있어요.
1. 크기 증류: 파라미터 수 자체를 줄여요. 메모리를 덜 먹고, 한 스텝이 빨라져요.
2. 스텝 증류: 이미지 하나를 만드는 데 필요한 단계 수를 줄여요. FLUX는 노이즈에서 이미지로 가는 길을 최대한 곧게 학습하는 rectified flow 방식을 쓰는데, 길이 곧을수록 적은 걸음으로 목적지에 닿을 수 있거든요. FLUX.1 schnell이 1~4스텝 만에 이미지를 뽑을 수 있었던 비결이 바로 이거예요.
왜 ‘작은 모델’이 중요할까
숫자로 보면 확실해요. 파라미터 하나를 16비트로 저장하면 2바이트예요. 120억 파라미터면 가중치만 약 24GB, 320억이면 약 64GB가 필요해요. 여기에 텍스트 인코더와 VAE(이미지를 압축하고 복원하는 부품)까지 올리면, 큰 모델은 양자화(가중치를 4~8비트로 압축하는 것) 없이는 게이밍 GPU 한 장으로 돌리기 버거워요.
작은 모델은 이 문제를 한 번에 풀어줘요. 소비자용 GPU에서도 돌아가고, 이미지 한 장당 비용이 싸고, 응답이 빨라서 실시간 미리보기 같은 UX도 만들 수 있어요. LoRA(모델 전체가 아니라 작은 보조 가중치만 학습하는 미세조정 방법)로 브랜드 스타일을 학습시키는 것도 훨씬 가벼워지고요.
업계 맥락
지금 이미지 생성 시장은 두 갈래예요. 한쪽은 Google의 Nano Banana 계열이나 OpenAI의 이미지 모델처럼 거대 멀티모달 모델에 붙은 폐쇄형 API예요. 지시를 알아듣는 능력과 편집 품질이 강점이죠. 다른 한쪽은 Alibaba의 Qwen-Image나 Z-Image처럼 가중치를 공개한 모델들이에요. 특히 Z-Image Turbo처럼 크기는 작은데 품질이 좋은 모델이 나오면서 ‘작은데 쓸 만한’ 모델 경쟁이 치열해졌어요. FLUX 3 Image Klein은 이 경쟁에 BFL이 내놓은 카드라고 볼 수 있어요.
한국 개발자에게 주는 시사점
커머스 상세페이지, 광고 소재, 썸네일 자동 생성처럼 이미지를 대량으로 뽑아야 하는 서비스라면 경량 모델 하나로 비용 구조가 완전히 바뀔 수 있어요. 보안 때문에 외부 API를 못 쓰는 기업이라면, 사내 GPU에서 돌릴 수 있느냐가 도입 여부를 가르기도 하고요.
다만 도입 전에 두 가지는 꼭 확인하세요.
1. 라이선스: FLUX는 같은 세대 안에서도 모델마다 상업적 이용 조건이 달랐어요. 공식 블로그와 모델 카드에서 반드시 확인해야 해요.
2. 한글 렌더링: 이미지 속 글자, 특히 한글을 정확하게 그리는 건 여전히 이미지 모델이 약한 부분이에요. 간판이나 배너처럼 한글이 들어가야 한다면 직접 테스트해보고, 필요하면 글자는 후처리로 합성하는 게 안전해요.
ComfyUI나 Hugging Face diffusers로 워크플로를 짜두면 모델을 바꾸기도 쉬우니, 이번 기회에 파이프라인을 한번 정리해보는 것도 좋아요.
마무리
한 줄 정리: 이미지 생성 AI 경쟁의 무게중심이 ‘최고 품질’에서 ‘충분한 품질을 가장 싸고 빠르게’로 옮겨가고 있어요.
여러분은 이미지 생성 모델을 고를 때 품질, 속도, 라이선스, 로컬 실행 가능 여부 중 무엇을 가장 먼저 보시나요? 실무에서 경량 모델을 써본 경험도 나눠주세요.
🔗 출처: Hacker News