Black Forest Labs 发布 FLUX.3 Image Klein 并支持 Diffusers

Black Forest Labs FLUX.3 Image Klein 登场，首日即可在 Diffusers 中运行。一个模型即可实现文生图和多参考图图生图，还新增了布局控制功能。你可以在提示词中写入边界框，指定图像各部分的位置，或指定要移动参考图像中的哪些部分。

两个开放权重检查点均收录于FLUX.3 Image Klein collection：

现在就可以前往Hugging Face space生成一些图像！

概要

• 一个模型即可实现文生图、多参考图图生图和边界框布局控制。
• 蒸馏检查点在 H100 上生成 1024 × 1024 图像约需2 秒。
• NVFP4 和 FP8 权重可通过 from_single_file 加载，适用于显存更小的 GPU。
• 为文生图和图像编辑提供 LoRA 训练脚本。
• 以 Modular Diffusers 流水线形式发布，可移除模块或添加自定义模块。

目录

• 快速开始
• FLUX.3 的功能
• 基础模型和量化变体
• LoRA 微调
• 运行成本
• 架构
• Modular Diffusers
• 试用

快速开始

安装最新版本的 diffusers 和 transformers（用于 Qwen3-VL 文本编码器）：

pip install -U diffusers transformers

加载蒸馏检查点并生成图像：

import torch
from diffusers import ModularPipeline

pipe = ModularPipeline.from_pretrained("black-forest-labs/flux-3-image-klein")
pipe.load_components(dtype=torch.bfloat16)
pipe.to("cuda")

pipe(prompt="a red fox", output="images")[0].save("fox.png")

FLUX.3 的功能

文生图

FLUX.3 对完整的场景描述响应最佳，描述内容包括主体、环境、光线、构图和风格。Black Forest Labs 的官方提示词指南提供了更多技巧。蒸馏检查点默认用 16 步生成 1024 × 1024 图像。传入 height、width 或 num_inference_steps 即可更改这些设置。

prompt = (
    "A wide-angle wildlife photograph of a red fox standing alert in a snow-covered forest clearing at golden hour. "
    "The fox is centered in the frame, its thick orange winter coat contrasting with the fresh white snow, breath "
    "visible in the cold air. Snow-laden pine trees fill the softly blurred background, and low warm sunlight rakes "
    "across the scene from the left, casting long blue shadows."
)

fox = pipe(
    prompt=prompt,
    generator=torch.Generator().manual_seed(0),
    output="images"
)[0]
fox.save("fox.png")

文生图

图生图

使用 image 参数传入一张或多张参考图。将提示词写成对你想要的图像的描述，并包含要做出的改动。

prompt = (
    "The same red fox in the same snow-covered forest clearing, now at night under a full moon: cool blue "
    "moonlight, deep shadows, stars visible through the pine branches, the fox's eyes catching the light."
)
night = pipe(
    prompt=prompt,
    image=fox, # from the previous text to image example
    generator=torch.Generator().manual_seed(0),
    output="images",
)[0]
night.save("night.png")

图生图

使用多张参考图时，按传入 image 的顺序，在提示词中以 <ref_image_0>、<ref_image_1>……指代它们：

red_fox = pipe(prompt="a red fox", generator=torch.Generator().manual_seed(0), output="images")[0]
bench = pipe(prompt="a wooden bench", generator=torch.Generator().manual_seed(0), output="images")[0]

combined = pipe(
    prompt="The fox from <ref_image_0> sitting on the wooden bench from <ref_image_1> in a snowy setting.",
    image=[red_fox, bench],
    output="images",
)[0]

combined.save("combined.png")

<ref_image_0>：一只红狐狸	<ref_image_1>：一张木制长椅	长椅上的狐狸

布局控制

在描述后添加一个 JSON 区域列表。每个区域包含 id、bbox 和 desc，并在描述中以 <id> 提及。

边界框写作 [y_min, x_min, y_max, x_max]，采用先 y 后 x的顺序，范围为 0–1000。由于该范围经过归一化，同一个边界框适用于任意图像尺寸。

在新图像中放置区域

layout_prompt = (
    "Minimalist graphic illustration featuring a black silhouette of a person <silhouette_1> centered against a "
    "solid, vibrant chartreuse background <background_1>. The figure is captured in a dynamic, mid-stride running "
    "pose, facing toward the left side of the frame. "
    '[{"id": "background_1", "bbox": [0, 0, 1000, 1000], "desc": "A flat field of neon yellow-green with a subtle '
    'paper texture and fine, organic grain."}, {"id": "silhouette_1", "bbox": [150, 150, 850, 850], "desc": "A '
    "black silhouette of a person in motion, made of dense stippled ink. The leading edges are solid; the trailing "
    'arm and leg dissolve into coarse square pixels and scattered dots."}]'
)

runner = pipe(prompt=layout_prompt, generator=torch.Generator().manual_seed(0), output="images")[0]

每个区域的 desc 都绘制在其 bbox 内

在参考图像中移动区域

编辑时，每个区域都会说明其内容的来源（参考图中的 src_bbox）和去向（输出图中的 tgt_bbox）。如果区域的两个边界框相同，则内容会留在原处。

此示例将针织骑士向左上方移动，并固定背景、悬崖、针、龙和火焰：

from diffusers.utils import load_image

knight_image = load_image("knight_orig.png")
edit_prompt = (
    "In <ref_image_0>, move the miniature grey amigurumi knight figure <knight_1> upwards and to the left along the "
    "yarn cliff <cliff_1>. Keep the rest of the image completely unchanged, preserving the blurred yarn backdrop "
    "<backdrop_1>, the large knitted dragon <dragon_1>, and the fiery orange thread <fire_1>. "
    '[{"id": "knight_1", "from": "ref_image_0", "src_bbox": [500, 150, 850, 350], "tgt_bbox": [194, 55, 544, 255], '
    '"desc": "A miniature amigurumi knight crocheted from thick grey woolen yarn."}, '
    '{"id": "backdrop_1", "from": "ref_image_0", "src_bbox": [0, 0, 1000, 1000], "tgt_bbox": [0, 0, 1000, 1000], '
    '"desc": "A soft, out-of-focus backdrop of cream and indigo knitted yarn."}, '
    '{"id": "cliff_1", "from": "ref_image_0", "src_bbox": [300, 0, 1000, 450], "tgt_bbox": [300, 0, 1000, 450], '
    '"desc": "A steep cliff of stacked yarn skeins in mustard, terracotta, and indigo."}, '
    '{"id": "needle_1", "from": "ref_image_0", "src_bbox": [420, 250, 550, 450], "tgt_bbox": [420, 250, 550, 450], '
    '"desc": "An oversized polished steel tapestry needle."}, '
    '{"id": "dragon_1", "from": "ref_image_0", "src_bbox": [100, 600, 950, 1000], "tgt_bbox": [100, 600, 950, 1000], '
    '"desc": "A large, fluffy knitted dragon in terracotta and mustard yarn."}, '
    '{"id": "fire_1", "from": "ref_image_0", "src_bbox": [350, 400, 650, 650], "tgt_bbox": [350, 400, 650, 650], '
    '"desc": "Curled puffs of fiery orange angora thread suspended in mid-air."}]'
)

moved = pipe(prompt=edit_prompt, image=knight_image, generator=torch.Generator().manual_seed(0), output="images")[0]

骑士从其 src_bbox 移至 tgt_bbox，场景其余部分保持不变

基础模型和量化变体

基础模型

以上内容均使用蒸馏检查点。基础检查点运行 50 步并使用无分类器引导，它也是用于微调的检查点（参见LoRA 微调）。

pipe = ModularPipeline.from_pretrained("black-forest-labs/flux-3-image-klein-base")
pipe.load_components(dtype={"vae": torch.float32, "default": torch.bfloat16})
pipe.to("cuda")

pipe.guider = pipe.guider.new(guidance_scale=5.0)  # optional
image = pipe(prompt=prompt, output="images")[0]

单文件格式检查点

Black Forest Labs 还提供单文件形式的 transformer，格式为 bf16，以及两种量化格式：fp8r（逐行 FP8）和 nvfp4。使用 from_single_file 加载其中任意一种，然后按名称加载其他组件，这样就不会再下载 bf16 transformer。

from diffusers import BFLQuantizationConfig, Flux3Transformer2DModel, ModularPipeline

model_id = "black-forest-labs/flux-3-image-klein-base"
variant = "fp8r"  # or "nvfp4"

transformer = Flux3Transformer2DModel.from_single_file(
    f"https://huggingface.co/{model_id}/blob/main/variants/{variant}/model.safetensors",
    config=model_id,
    subfolder="transformer",
    quantization_config=BFLQuantizationConfig(compute_dtype=torch.bfloat16),
    dtype=torch.bfloat16,
)

pipe = ModularPipeline.from_pretrained(model_id)
pipe.load_components(dtype=torch.bfloat16)
pipe.update_components(transformer=transformer)
pipe.to("cuda")

对于未量化的单文件，请使用 https://huggingface.co/{model_id}/blob/main/model.safetensors 并移除 quantization_config。

LoRA 微调

FLUX.3 既适用于文生图，也适用于图生图，因此非常适合作为自定义 LoRA 的基础模型。diffusers 提供了适用于这两项任务的 DreamBooth LoRA 训练脚本（你也可以使用 Ostris 的 AI Toolkit 进行训练）。

以下是一个文生图示例：从 multimodalart/1920-raider-waite-tarot-public-domain 数据集中学习塔罗牌风格，并通过 trtcrd 触发：

accelerate launch train_dreambooth_lora_flux3_klein.py \
  --pretrained_model_name_or_path="black-forest-labs/flux-3-image-klein-base" \
  --dataset_name="multimodalart/1920-raider-waite-tarot-public-domain" \
  --caption_column="caption" \
  --instance_prompt="trtcrd" \
  --output_dir="trained-flux3-tarot-lora" \
  --mixed_precision="bf16" \
  --resolution=1024 \
  --use_aspect_ratio_buckets \
  --train_batch_size=1 \
  --rank=16 \
  --lora_alpha=16 \
  --learning_rate=1e-4 \
  --lr_scheduler="constant" \
  --max_train_steps=1500 \
  --validation_prompt="a trtcrd of a cat, tarot style" \
  --validation_epochs=25 \
  --seed=0 \
  --push_to_hub

若要减少内存占用，可添加一些优化标志：

  --gradient_checkpointing \
  --cache_latents \
  --use_8bit_adam

--gradient_checkpointing 会在反向传播过程中重新计算激活值（降低 VRAM 占用，但速度稍慢），--cache_latents 会预先编码图像并释放 VAE，--use_8bit_adam 会将优化器状态保持为 8 位。

有几个参数值得尝试调整。下方网格使用不同的 LoRA 秩和优化器训练相同的塔罗牌风格；这些适配器托管在 Hub 上，地址为 diffusers-modular/flux3-tarot-lora。更多训练功能和配置请参阅 DreamBooth FLUX.3 README。

对于基于指令的编辑，图生图脚本（train_dreambooth_lora_flux3_klein_img2img.py）使用（参考图像、目标图像、指令）三元组进行训练，其中参考图像在提示词中通过 <ref_image_0> 指定。

所有选项以及完整的图生图示例，请参阅 DreamBooth FLUX.3 README。

运行成本

本节将介绍模型的内存占用和生成速度。

内存

如果你的内存较小：

• 加载量化后的 transformer。
• 单独运行文本编码器，然后释放它。每张图像只需在去噪前运行一次（参见编码一次，生成多张）。
• 启用自动 CPU 卸载，仅在组件运行期间将其移至 GPU（我们未对此进行基准测试）

from diffusers import ComponentsManager, ModularPipeline

manager = ComponentsManager()
manager.enable_auto_cpu_offload(device="cuda")

pipe = ModularPipeline.from_pretrained("black-forest-labs/flux-3-image-klein", components_manager=manager)
pipe.load_components(dtype={"vae": torch.float32, "default": torch.bfloat16})
# no pipe.to("cuda"): the manager handles device placement

速度

蒸馏检查点的端到端计时（16 步），预热后运行三次取平均值：

单张 NVIDIA H100 80GB，不使用卸载，采用默认注意力后端。

参考图像会使耗时大致翻倍。参考图像的 token 会与文本和待生成图像的 token 合并到同一序列中，因此一张 1024 × 1024 的参考图像会为每次 transformer 调用增加 4,096 个 token

每次 transformer 调用的 token 堆叠柱状图：文生图 4,256 个 token；图生图 8,272 个；布局文生图 4,336 个；布局图生图 8,800 个

架构

让我们逐一拆解模型。模型接受三种类型的 token：

1. 文本
2. 正在生成的噪声图像
3. 以及可选的参考图像

从像素到 token

FLUX.3 是一种用于图像生成的潜空间流模型。这意味着去噪器以潜变量作为输入，并输出潜变量。我们使用 VAE 将潜变量解码回像素。FLUX.3 使用与 Flux.2 相同的 VAE 架构。

FLUX.2 VAE 会将图像在两个方向上各压缩 8×，得到 32 个通道；随后，潜变量中的每个 2 × 2 图块都会被打包成一个含 128 个通道的 token。

因此，一个 token 覆盖 16 × 16 像素的图块，一张 1024 × 1024 图像会变成由 4,096 个 token 组成的 64 × 64 网格。带噪图像以形状完全相同的随机噪声开始。参考图像经过相同的 VAE 编码器和打包步骤，并保留自身尺寸。

从提示词到 token

文本编码器是视觉语言模型 Qwen3-VL。FLUX.3 并非只使用它的最后一层，而是读取其 36 层中的八层隐藏状态（第 4、8、…、32 层）并将它们堆叠起来，因此每个文本 token 在线性层将其投影到 Transformer 的 3072 维宽度之前，会变成一个 8 × 2560 = 20,480 维向量。

这样，Transformer 就能获得来自语言模型多个深度的特征，而不只是最后一层的特征。提示词会填充到 80 个 token 的倍数，Transformer 也会关注这些填充内容，因此该流水线每次调用只接受一个提示词。

两个阶段

Transformer 分两个阶段处理这些 token：

1. 阶段 1：分模式块。每个流都经过 5 个使用各自权重的块。文本有自己的块，带噪图像有自己的块，参考图像也有自己的块。
2. 阶段 2：联合块。这些流会拼接成一个序列，[text | image | reference]，并经过 28 个共享同一组权重的块。

这两个阶段的区别在于谁可以关注谁。

在阶段 1 中，每个流只关注自身，因此每类 token 会先按照各自的方式进行优化。在阶段 2 中，所有内容都可以彼此关注，图像由此从文本和参考图像中学习。相比之下，FLUX.2 的双流块也为文本和图像使用不同的权重，但从一开始就允许它们彼此关注。FLUX.3 则先让这些流完全分开，再将它们合并。

最后，文本和参考 token 会直接丢弃。只有图像 token 会经过输出层，输出层预测如何将它们向干净图像推进一步。

单个块内部

无论处于哪个阶段，每个块的结构都相同。注意力和 MLP 在同一个归一化输入上并行运行，并将它们的和加回残差流。

每个块都从 LayerNorm 开始，它本身没有可学习的缩放或偏移。缩放、偏移和门控值来自时间步嵌入（这称为调制）。在注意力模块中，查询和键会进行 RMS 归一化，并获得旋转位置嵌入（RoPE），我们将在下文介绍。

在联合块中，所有 token 共享相同的权重，但文本、图像和参考 token 分别拥有各自的缩放、偏移和门控值。

def block(x, shift, scale, gate):      # shift, scale, gate come from the token's timestep embedding
    h = layer_norm(x)                  # no learned scale or shift
    h = (1 + scale) * h + shift
    q, k, v = to_q(h), to_k(h), to_v(h)
    q, k = rope(rms_norm(q)), rope(rms_norm(k))
    out = attention(q, k, v) + mlp(h)  # parallel, MLP is SwiGLU
    return x + gate * out

每个 token 都有自己的时间步

在 FLUX.1 和 FLUX.2 中，一个时间步嵌入会调制每个 token。在 FLUX.3 中，调制则取决于 token 的类型。

带噪图像 token 会根据当前时间步 t 调制。文本和参考图 token 始终由时间步 0 调制，这表示“干净，无需在此去噪”。因此，即使某个参考图看起来几乎与输出相同，它也会被标记为给定上下文，而不是要生成的内容。

蒸馏后的检查点是一个流映射。它还会获知每一步要跳到的时间步。第二个时间步有自己的嵌入，并会加到每个 token 的调制中，因此它的 16 个步骤都可以实现更大的跳跃。

四维位置

注意力机制本身并不知道 token 位于何处（这种现象称为置换等变性）。RoPE 通过根据 token 的位置旋转每个查询和键来解决这个问题。FLUX.3 使用四个位置轴 (t, h, w, l)（时间步、高度、宽度、序列长度），并将每个 128 维注意力头的四分之一（32 维）分配给每个轴：

文本 token 沿着 l 排列，就像句子中的词语。图像和参考图是位于 (h, w) 中的二维网格，并沿着 l 彼此分开。由于参考图使用与输出相同的 (h, w) 坐标，“参考图中的同一位置”对模型而言有明确的含义，这正是 src_bbox / tgt_bbox 编辑所依赖的。

去噪循环

FLUX.3 是一个流匹配模型。生成从纯噪声开始，在 50 个步骤的每一步中，transformer 都会预测一个速度。它表示从噪声迈向干净图像的方向。调度器会沿着这个方向迈出一步。

在每一步中，你还可以读出模型对最终图像的当前猜测。在几个步骤解码这个猜测，可以看到图像逐渐成形：

步骤 1	步骤 5	步骤 10	步骤 15	步骤 25	步骤 50

到步骤 10 时，狐狸、它的姿势和光线已经就位，而噪声水平仍为 0.97。覆雪的树枝和毛皮的纹理直到最后几步才出现。FLUX.3 的调度器使用较大的时间偏移（6.93），因此在大部分运行过程中噪声水平都保持较高：50 个步骤中有 44 个发生在 σ = 0.5 以上。我们在流水线中添加了一个小模块来制作这张图，由此引出了 Modular Diffusers。

如果你刚接触流匹配，我们为你准备了易于入门的教程和视频，帮助你了解它的工作原理。

Modular Diffusers

FLUX.3 以 Modular Diffusers 流水线的形式发布。

查看工作流

你可以列出工作流并打印每个工作流的确切模块，而无需加载任何权重。

from diffusers import Flux3AutoBlocks

blocks = Flux3AutoBlocks()
print(blocks.available_workflows)
# ['text2image', 'image_conditioned']

print(list(blocks.get_workflow("text2image").sub_blocks))
# ['text_encoder', 'denoise.input', 'denoise.prepare_latents', 'denoise.set_timesteps',
#  'denoise.prepare_rope_inputs', 'denoise.denoise', 'denoise.after_denoise', 'decode']

get_workflow() 会解析自动分支，并提供将要运行的纯步骤序列。print(blocks.get_workflow("image_conditioned").doc) 会打印该工作流的组件、输入、默认值和输出。

编码一次，生成多次

将文本编码器移出，提示词编码一次，释放编码器，然后使用缓存的嵌入进行生成。

import torch
from diffusers import ModularPipeline

model_id = "black-forest-labs/flux-3-image-klein-base"

blocks = ModularPipeline.from_pretrained(model_id).blocks
text_blocks = blocks.sub_blocks.pop("text_encoder")  # `blocks` now starts at the VAE encoder

text_pipe = text_blocks.init_pipeline(model_id)
text_pipe.load_components(dtype=torch.bfloat16)
text_pipe.to("cuda")

state = text_pipe(prompt=prompt, negative_prompt="")  # no guider here, so ask for the negative embeddings

prompt_embeds = state.get("prompt_embeds")
negative_prompt_embeds = state.get("negative_prompt_embeds")

del text_pipe
torch.cuda.empty_cache()

image_pipe = blocks.init_pipeline(model_id)  # no text encoder to load
image_pipe.load_components(dtype={"vae": torch.float32, "default": torch.bfloat16})
image_pipe.to("cuda")

for seed in range(3):
    image = image_pipe(
        prompt_embeds=prompt_embeds,
        negative_prompt_embeds=negative_prompt_embeds,
        generator=torch.Generator().manual_seed(seed),
        output="images",
    )[0]
    image.save(f"{seed}.png")

在循环中添加一个步骤

上面的去噪图来自一个额外模块，它会记录模型在每一步对干净图像的猜测：

from diffusers.modular_pipelines import Flux3AutoBlocks, InputParam, ModularPipelineBlocks, OutputParam


class Flux3PreviewStep(ModularPipelineBlocks):
    model_name = "flux3"

    @property
    def inputs(self):
        return [InputParam("latents"), InputParam("noise_pred")]

    @property
    def intermediate_outputs(self):
        return [OutputParam("x0_previews", type_hint=list)]

    @torch.no_grad()
    def __call__(self, components, block_state, i, t):
        if i == 0:
            block_state.x0_previews = []
        sigma = t / 1000  # timesteps are sigmas scaled to [0, 1000]
        block_state.x0_previews.append(block_state.latents - sigma * block_state.noise_pred)  # x0 = x_t - sigma * v
        return components, block_state


blocks = Flux3AutoBlocks()
denoise_loop = blocks.sub_blocks["denoise"].sub_blocks["text2image"].sub_blocks["denoise"]
denoise_loop.sub_blocks.insert("preview", Flux3PreviewStep(), 1)  # between "denoiser" and "after_denoiser"

pipe = blocks.init_pipeline(model_id)
pipe.load_components(dtype={"vae": torch.float32, "default": torch.bfloat16})
pipe.to("cuda")

out = pipe(prompt=prompt, generator=torch.Generator().manual_seed(0), output=["x0_previews", "images"])

试试看

• 模型： FLUX.3 Image Klein 系列
• 文档： Diffusers 中的 FLUX.3
• 微调： DreamBooth LoRA 脚本
• 提示词编写： Black Forest Labs 提示词指南

用 FLUX.3 做出了什么？在 Hub 上分享你的 LoRA 和工作流。我们很期待看到！😎