블랙 포레스트 랩스(BFL)가 텍스트-투-이미지 생성과 이미지 편집, 다중 레퍼런스 생성을 모두 처리하는 오픈웨이트 모델 'FLUX 3 Image Klein'을 공개했다. 파라미터 규모는 5.6B로, 최근 공개된 이미지 생성 모델 가운데 작은 축에 속한다. 최대 10장의 레퍼런스 이미지를 활용한 다중 참조 생성을 지원하며, 상위 모델인 전체 FLUX 3 Image와 핵심 기능을 공유한다. 여기에는 네이티브 4K 생성, 픽셀 단위의 정밀 편집, 그리고 요소의 배치 위치를 지정하거나 편집 영역을 특정 범위로 한정하는 바운딩 박스 기능이 포함된다.
BFL은 이 모델이 이미지뿐 아니라 영상과 오디오를 아우르는 FLUX 3 계열의 학습 경험 위에 세워졌다고 설명한다. 이미지는 공간적 디테일을, 영상은 움직임과 물리적 역학을, 오디오는 사건과 상호작용에 관한 정보를 각각 제공한다는 것이다. 서로 다른 신호를 결합해 현실 세계에 더 가깝게 느껴지는 이미지를 만든다는 접근으로, 이는 단일 모달리티만 학습한 모델과 구별되는 지점이다.
작은 크기로 끌어올린 품질
성능 수치는 BFL의 내부 평가에 기반한다. 자체 평가에서 FLUX 3 Image Klein은 텍스트-투-이미지, 다중 레퍼런스 생성, 이미지 편집 세 영역 모두에서 1위를 기록했으며, 더 큰 오픈웨이트 모델뿐 아니라 비교 대상이었던 폐쇄형 모델 Ideogram V4.5와 FLUX.2 [pro]보다도 높은 평가를 받았다고 한다. 비교군에서 Qwen-Image 2.1은 7B, Krea 2는 12.9B였던 반면 이 모델은 5.6B로 가장 작다. 같은 계열의 직전 모델인 FLUX.2 [klein] 9B과 비교하면 파라미터를 38% 줄이면서도 텍스트-투-이미지에서 91 Elo, 이미지 편집에서 70 Elo를 더 얻었다는 설명이다. 다만 이 수치는 모두 BFL 자체 평가라는 점을 감안해 외부 벤치마크로 교차 검증하는 편이 안전하다.
실무자 입장에서 더 눈여겨볼 대목은 하드웨어 요구 사항이다. 생성기 가중치는 BF16에서 11.2GB, FP8에서 5.6GB를 차지한다. NVIDIA와 함께 개발한 INT8 빌드를 쓰면 VRAM이 8GB에 불과한 지포스 RTX GPU에서도 ComfyUI나 Diffusers를 통해 구동할 수 있다. 속도 면에서는 스텝 증류(step distilled) 모델과 INT8 빌드를 조합했을 때 RTX 5090에서 1MP 이미지를 약 4초, RTX 4070에서는 9초 이내에 생성한다. 로컬 머신이나 노트북에서 직접 이미지를 편집하는 온디바이스 시나리오를 겨냥한 구성이다.
파인튜닝과 배포 선택지
배포 패키지는 두 갈래로 나뉜다. 파인튜닝을 위한 베이스 모델과, 지연 시간을 낮춘 스텝 증류 모델이 함께 제공되며, FP8·INT8·NVFP4 빌드도 포함된다. 베이스 체크포인트는 Diffusers와 Ostris의 AI Toolkit에서 출시 시점부터 LoRA 학습을 지원하고, NVIDIA의 NeMo AutoModel은 공개 체크포인트에서 바로 동작하는 레시피를 제공한다. 데이터 주권이나 로컬 배포 요건이 있는 팀이 자체 인프라에서 평가하고 적응시킬 수 있다는 점이 강조된다.
속도와 품질의 균형에 대해서도 BFL은 자사 API를 통한 측정값을 제시했다. BFL API 기준으로 Qwen-Image 2.1, FLUX.2 [pro], Ideogram V4.5, Krea 2보다 낮은 지연 시간을 보였다는 주장이다. 다만 측정 조건은 동일하지 않다. FLUX 3 Image Klein은 BFL 서버에서, 다른 모델은 클라이언트에서 폴링과 네트워크 시간을 포함해 측정했다. 지연은 요청 제출부터 완성된 1MP 이미지까지의 엔드투엔드 값이며, Krea 2는 Medium 등급으로 측정했고 Large 등급은 텍스트-투-이미지에서 31.1초가 걸렸다고 덧붙였다. 비교 조건이 비대칭이므로 수치를 그대로 받아들이기보다는 자체 워크로드로 재측정할 필요가 있다.
라이선스 조건은 도입 판단에 직결된다. 가중치는 FLUX Kommunity License로 배포되며, 연 매출 500만 달러 미만의 개인과 기업은 상업적 이용이 무료이고 연구·비상업 용도도 허용된다. 그보다 규모가 큰 조직은 자체 호스팅 라이선스나 API를 통해 상업적으로 배포해야 한다. 매출 기준선이 명확하므로 사내 도입 전에 조직 규모를 먼저 확인하는 것이 좋다.
안전성 측면에서 BFL은 사전학습 단계의 데이터셋 필터링과 사후학습 단계의 표적 파인튜닝으로 유해 콘텐츠 생성을 억제했다고 밝혔다. 공개에 앞서 내부 레드팀 점검을 거쳤고 외부 안전 파트너 Cinder의 평가도 받았으며, 다른 인기 오픈웨이트 모델보다 취약점이 상당히 적었다는 설명이다. FLUX 3 Image Klein은 앞서 공개된 FLUX 3 Action에 이은 FLUX 3 계열의 두 번째 오픈웨이트 모델로, BFL은 후속 공개를 예고했다. 작은 파라미터로 품질과 로컬 구동성을 동시에 노린 전략이 실제 작업 환경에서 어떻게 검증될지가 관전 포인트다.