FLUX 3 Image Klein im Test: Ergebnisse und reproduzierbare Testprotokolle

Dieser Test von FLUX 3 Image Klein nimmt die bisher dokumentierten Ergebnisse bei Typografie und Bildbearbeitung unter die Lupe und liefert reproduzierbare Verfahren für mehrere Referenzbilder und kontrollierte Layouts.

Das kurze Fazit: schnelle Kontrolle, unvollständige Bewahrung

FLUX 3 Image Klein ist ein 5,6B-Bildtransformer-Modell, das Black Forest Labs am 15. Oktober 2026 veröffentlicht hat. Die offizielle Version unterstützt Text-zu-Bild, Bildbearbeitung, bis zu 10 Referenzbilder, native 4K-Ausgabe und Bounding-Box-Steuerung. Verfügbar sind ein auf 16 Schritte destillierter Checkpoint sowie ein 50-Schritte-Basismodell für Fine-Tuning. (Black Forest Labs)

Die bislang belastbarsten Hinweise stammen nicht aus dem internen Ranking des Herstellers, sondern aus der Kombination eines reproduzierbaren Typografie- und eines messbaren Editier-Tests: Ein Praxistest meldete korrekt dargestellten Postertext, doch nach dem einfachen Austausch eines Objekts blieben nur 37,6 % aller Bildpixel innerhalb eines Helligkeitsbereichs von acht Stufen. (Creative AI News)

Für Poster, Thumbnails, Konzeptbilder und schnelle Entwürfe ist FLUX 3 Image Klein gut geeignet. Weniger überzeugend ist das Modell als Standardlösung, wenn Hintergrund, Logo, Gesicht oder Produktoberfläche unverändert bleiben müssen.

Testverfahren: vier Prompts zum Nachstellen

Die folgenden Tests trennen Fähigkeiten voneinander, die in Launch-Demos oft gemeinsam präsentiert werden. Verwende zunächst den destillierten Checkpoint, einen festen Seed, eine Ausgabe von 1024 x 1024 Pixeln und 16 Schritte. Für den Typografie-Test sollte Prompt-Upsampling deaktiviert sein, damit der Prompt selbst kontrolliert bleibt. Die dokumentierten Diffusers-Beispiele verwenden einen festen Seed von 0, während die offizielle schnelle Konfiguration mit 16 Schritten arbeitet. (Hugging-Face-Diffusers-Anleitung)

1. Textdarstellung: Erzeuge ein Poster mit zwei exakten Zeichenfolgen: einer Überschrift und einer Datums-/Veranstaltungszeile. Der Test gilt als bestanden, wenn jedes Zeichen stimmt, die Hierarchie gut lesbar ist und der Text in den gewünschten Bereichen bleibt.
2. Konsistenz mehrerer Referenzen: Stelle separate Bilder einer Person und eines Objekts bereit. Bitte um beide in einer neuen Szene und benenne <ref_image_0> sowie <ref_image_1> ausdrücklich. Prüfe über drei Seeds hinweg Identität, Objektform, Anzahl und unerwünschte Ersetzungen.
3. Layoutkontrolle: Ergänze normalisierte Bounding-Boxen in der Reihenfolge [y_min, x_min, y_max, x_max] auf einer Skala von 0 bis 1000. Prüfe, ob jedes Element innerhalb seines vorgesehenen Bereichs landet, statt die Box als harte Maske zu behandeln.
4. Bildbearbeitung: Starte mit einem generierten Bild, das lesbaren Text und einen strukturierten Hintergrund enthält. Ersetze ein Objekt und fordere ausdrücklich, Text und Hintergrund zu bewahren. Vergleiche Quellbild und Bearbeitung außerhalb des Zielbereichs – nicht nur nach dem visuellen Eindruck.

Dieses Verfahren ist wichtig, weil die offizielle Dokumentation erklärt, dass Referenzen Inhalte verankern, aber die Bildstruktur nicht festschreiben. Auch die Model Card weist darauf hin, dass Bounding-Boxen nur die ungefähre Platzierung steuern und nicht als Pixelmasken fungieren. (Hugging-Face-Modelldokumentation)

Textdarstellung: der überzeugendste Praxiserfolg

Der klarste dokumentierte Test nutzte ein Konzertposter mit 1024 x 1024 Pixeln. Darauf standen die exakten Zeichenfolgen „NIGHT SHIFT“ und „OCT 24 RIVERSIDE HALL“, ergänzt um ein orangefarbenes Neon-Saxofon auf cremefarbenem Papier. Mit dem destillierten Modell und deaktiviertem Prompt-Upsampling waren laut Tester alle gewünschten Wörter korrekt geschrieben und in den vorgesehenen Bereichen platziert. Der komplette Lauf beim gehosteten Dienst dauerte inklusive Wartezeit 16,6 Sekunden. (Creative AI News)

Mit aktiviertem Upsampling blieben die Wörter ebenfalls korrekt, die Laufzeit stieg jedoch auf 27,1 Sekunden. Gleichzeitig verwandelten sich die Saxofontasten in verschlungene Neonformen. Das zeigt eine klare Grenze: Ein kurzer, präziser Art-Direction-Prompt kann durch zusätzliche Ausformulierung zwar mehr Details liefern, aber die Einfachheit einzelner Objekte verschlechtern.

Für Typografie würde ich deshalb zunächst den wörtlichen Prompt verwenden und auf den Upsampler verzichten:

A square concert poster on cream paper. Place the exact headline "NIGHT SHIFT" in large clean uppercase letters across the top. Place the exact line "OCT 24 RIVERSIDE HALL" in smaller uppercase letters along the bottom. Put one simple orange neon saxophone in the center. Keep the typography flat, legible, correctly spelled, and separate from the saxophone.

Prüfe die unbearbeitete Ausgabe bei 100 Prozent, bevor du den Test als bestanden wertest. Eine korrekte Schreibweise reicht nicht, wenn Buchstaben das Motiv überlagern, die Groß-/Kleinschreibung verändert wird oder die Hierarchie bei der gewünschten Ausgabegröße verloren geht.

Konsistenz mehrerer Referenzen: echte Funktion, aber mit unbekannter Obergrenze

FLUX 3 Image Klein unterstützt offiziell bis zu 10 Referenzbilder. Im Diffusers-Workflow werden die Referenzen als Liste übergeben und im Prompt mit Tokens wie <ref_image_0> und <ref_image_1> angesprochen. Das dokumentierte Beispiel kombiniert die Referenz eines roten Fuchses mit der eines Holzbankmotivs in einer verschneiten Szene. (Hugging-Face-Diffusers-Anleitung)

Die dokumentierte Unterstützung von zehn Referenzen beweist noch keine zuverlässige Identitätserhaltung über zehn Bilder hinweg. Deshalb sollte jede Referenz separat bewertet werden:

Create one editorial photograph in a snowy park. Use <ref_image_0> for the person's face, hair, and identity. Use <ref_image_1> for the red backpack's shape and color. Keep one person and one backpack only. Place the person seated on the bench, facing three-quarters toward camera. Do not merge, duplicate, recolor, or redesign either reference subject.

Führe den Prompt mit drei Seeds aus und bewerte Gesicht, Rucksackform, Anzahl und Pose jeweils getrennt. Ein ansprechendes Bild allein belegt noch keine Konsistenz.

Auch erste Diskussionen von Nutzern sprechen für diese Vorsicht. Auf Reddit verglichen Tester Klein wiederholt mit Krea 2, Qwen Image 2.1 und FLUX.2 Klein. Dabei wurden zwar Anatomiefehler und Artefakte bemängelt, doch handelt es sich um Berichte vom ersten Tag und nicht um einen kontrollierten Benchmark für mehrere Referenzen. Ein Nutzer schrieb: „Flux 2 klein 4B was legit better than this“, ein anderer berichtete, die destillierte Version sei schnell, erzeuge aber mehr Deformationen. (r/StableDiffusion-Diskussion)

Layoutkontrolle: bessere Planung, keine Maske

Die Layout-Schnittstelle ist konkreter als eine einfache natürlichsprachliche Anweisung wie „Platziere die Person links“. Jede Region erhält eine ID, eine normalisierte Bounding-Box und eine Beschreibung. Die Koordinatenfolge lautet [y_min, x_min, y_max, x_max] und nicht das geläufigere x-zuerst-Format. Die Werte reichen von 0 bis 1000, sodass sich dasselbe Layout auf verschiedene Ausgabegrößen übertragen lässt. (Hugging-Face-Diffusers-Anleitung)

Ein einfacher Layout-Prompt könnte so aussehen:

A clean product launch graphic. <background_1> is a solid pale blue background. <product_1> is a black wireless speaker centered in the lower half. <headline_1> is the exact text "SOUND WITHOUT CABLES" in bold black uppercase letters across the upper third.
[
  {"id":"background_1","bbox":[0,0,1000,1000],"desc":"solid pale blue background"},
  {"id":"product_1","bbox":[430,250,900,750],"desc":"one black wireless speaker"},
  {"id":"headline_1","bbox":[80,80,260,920],"desc":"exact headline text SOUND WITHOUT CABLES"}
]

Bewerte zwei Dinge getrennt: die Position des Schwerpunktes und die Einhaltung der Grenzen. Ein Produkt kann zwar in der richtigen Bildhälfte landen, trotzdem aber in den Überschriftenbereich ragen. Die dokumentierte Funktion unterstützt ungefähre Platzierung und Regionsbeschreibungen. Sie ist nicht als Inpainting-Maske zu verstehen, die unveränderte Pixel garantiert.

Bei der Bearbeitung eines vorhandenen Bildes ergänzt das dokumentierte Format from, src_bbox und tgt_bbox. Identische Quell- und Zielboxen halten eine Region an ihrem Platz, unterschiedliche Boxen verschieben sie. Das offizielle Beispiel verschiebt einen gestrickten Ritter und lässt andere Garnelemente unverändert. Der dokumentierte Workflow für die Layout-Bearbeitung dauerte für ein Referenz-/Ausgabepaar mit 1360 x 768 Pixeln auf einer H100 4,10 Sekunden. (Hugging-Face-Diffusers-Anleitung)

Qualität beim Editieren: Kollateralschäden sind die größte Schwäche

Der aussagekräftigste Praxistest startete mit dem oben beschriebenen Poster. Klein sollte das Saxofon durch eine Trompete ersetzen und dabei Text sowie Papier bewahren. Das Ergebnis war eine Mischung aus Saxofon und Trompete. Überschrift und Veranstaltungszeile blieben lesbar, doch die Papierstruktur wurde neu erzeugt, statt identisch zu bleiben. (Creative AI News)

Der Pixelvergleich macht das Problem messbar:

Im Papierbereich lagen 99,7 % der Pixel innerhalb von 24 Helligkeitsstufen. Die Bearbeitung ersetzte den grundlegenden Farbton des Hintergrunds also nicht vollständig. Die feine Textur veränderte sich jedoch stark genug, um die Annahme zu widerlegen, „Hintergrund bewahren“ bedeute eine pixelgenaue Erhaltung.

Ein strengerer Test-Prompt beschreibt das komplette gewünschte Endbild und nicht nur die gewünschte Änderung:

Edit the supplied poster. Keep the cream paper texture, the exact headline "NIGHT SHIFT", and the exact line "OCT 24 RIVERSIDE HALL" unchanged in spelling, position, size, and style. Replace only the central orange neon saxophone with one simple orange neon trumpet. Keep the same scale, center position, lighting, shadow, poster margins, and typography. Do not add instruments, change the paper, or alter any text.

Das kann die inhaltliche Befolgung verbessern, macht aus dem lokalen Checkpoint aber keinen Pixel-Editor. Verwende Klein lokal nur dort, wo eine Drift der Textur akzeptabel ist, und prüfe oder bearbeite das Ergebnis vor der Auslieferung nach.

Laufzeit, Varianten und Kosten

Die Angabe von 8 GB ist eine Kompatibilitätsaussage für einen optimierten quantisierten Pfad und kein Versprechen für 4K-Geschwindigkeit. Eine unabhängige Analyse weist darauf hin, dass Text-Encoder, VAE, optionaler Upsampler und Laufzeit-Overhead zusätzlich zu den genannten 5,6B berücksichtigt werden müssen. (ALFW-Analyse)

Auch die Qualitätsangaben von BFL sollten entsprechend eingeordnet werden. Das Unternehmen meldet gegenüber FLUX.2 Klein 9B interne Verbesserungen von +91 Elo bei Text-zu-Bild und +70 Elo bei der Bildbearbeitung. Im Launch-Beitrag veröffentlicht BFL jedoch nicht genug Methodik, um dieses Ranking zu reproduzieren. (Black Forest Labs)

Für wen lohnt sich FLUX 3 Image Klein jetzt?

Das Modell ist einen Test wert, weil es Geschwindigkeit, offene Gewichte, Referenzbilder und explizite Layoutkontrolle in einem kompakten Paket vereint. Die bisherige Evidenz reicht jedoch nicht aus, um „pixelgenaue Bearbeitung“ als nachgewiesene Fähigkeit der lokalen Version zu betrachten: Der aussagekräftigste verfügbare Editier-Test zeigte zwar lesbaren Text, aber zugleich eine deutliche Drift im Hintergrund.

FLUX 3 Image Klein: FAQ

Erzeugt FLUX 3 Image Klein native 4K-Bilder?

Black Forest Labs beschreibt eine native 4K-Generierung. Die verfügbaren Praxisergebnisse sind für 1024 x 1024 deutlich aussagekräftiger als für 4K. Deshalb sollte die konkrete Auflösung mit der Hardware getestet werden, die später tatsächlich zum Einsatz kommt. (Black Forest Labs)

Darf ich die Ausgaben kommerziell verwenden?

Die FLUX Kommunity License legt die Bedingungen für die kommerzielle Nutzung qualifizierter Ausgaben fest, einschließlich Umsatzgrenze sowie Prüf- oder Filteranforderungen. Es handelt sich nicht um eine uneingeschränkte Lizenz nach Apache-Vorbild. Lies die vollständige Lizenz, bevor du kommerzielles Fine-Tuning, die Distribution oder die Integration in eigene Produkte planst.