FLUX.3 Image Klein 上线 Diffusers，支持边界框布局控制

Black Forest Labs 的 FLUX.3 Image Klein 来了，并且从第一天起就能在 Diffusers 中运行。一个模型同时完成文生图和多参考图生图，还带来了一个新东西：布局控制。你把边界框写进提示词，就能指定图像每个部分应该放在哪里，或者参考图中的哪些部分需要移动。

两个开放权重检查点都在 FLUX.3 Image Klein 合集中：

你现在就可以前往 Hugging Face space 生成一些图像！

TL;DR

• 一个模型即可完成文生图、多参考图生图以及边界框布局控制。
• 蒸馏版检查点在 H100 上生成一张 1024 × 1024 图像大约只需 2 秒。
• NVFP4 和 FP8 权重通过 from_single_file 加载，适用于较小的 GPU。
• 提供用于文生图和图像编辑的 LoRA 训练脚本。
• 以 Modular Diffusers 流水线的形式发布，因此你可以取出其中的块，或添加自己的块。

目录

• 快速开始
• FLUX.3 能做什么
• 基础模型与量化变体
• LoRA 微调
• 运行成本
• 架构
• Modular Diffusers
• 试一试

快速开始

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

pip install -U diffusers transformers

加载蒸馏版检查点并生成一张图像：

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 能做什么

文生图

FLUX.3 对包含主体、场景、光线、构图和风格的完整场景描述反应最好。Black Forest Labs 的官方提示词指南有更多技巧。蒸馏版检查点默认用 16 步生成一张 1024 × 1024 图像。传入 height、width 或 num_inference_steps 可以改变这些设置。

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

通过 image 参数传入一张或多张参考图。把提示词写成你想要的图像说明，并包含所做的改动。

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

如果有多个参考图，在提示词中按传入 image 的顺序将它们称为 <ref_image_0>、<ref_image_1>……：

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	<ref_image_1>：一条木凳	凳子上的狐狸

布局控制

在说明文字后面添加一个 JSON 区域列表。每个区域有一个 id、一个 bbox 和一个 desc，说明文字中以 <id> 来提及它。

边界框写作 [y_min, x_min, y_max, x_max]，y 在前，采用 0–1000 的刻度。由于刻度是归一化的，同一个边界框在任何图像尺寸下都适用。

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 绘制在其 bbox 内

在参考图内移动区域

对于编辑，每个区域会说明其内容来自哪里（参考图中的 src_bbox）以及要移动到哪里（输出中的 tgt_bbox）。两个边界框相同的区域会留在原地。

这个例子把针织骑士向左上方移动，并固定住背景幕、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]

骑士从它的 src_bbox 移动到它的 tgt_bbox，场景的其余部分保持不动

基础模型与量化变体

基础模型

以上全部内容使用的都是蒸馏版检查点。基础版检查点使用无分类器引导运行 50 步，它是适合微调的版本（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 还以单个文件的形式提供该 transformer，包括 bf16 和两种量化格式：fp8r（逐行 FP8）和 nvfp4。使用 from_single_file 加载其中任意一个，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")

对于未量化的单个文件，使用 https://huggingface.co/{model_id}/blob/main/model.safetensors 并去掉 quantization_config。

LoRA 微调

FLUX.3 同时适用于文生图和图生图，这使其成为自定义 LoRA 的优秀基础。diffusers 为这两项任务提供了 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，它从 multimodalart/1920-raider-waite-tarot-public-domain 数据集中学习一种塔罗牌风格，并以 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

为减少内存占用，可以添加几个优化标志：

  --gradient_checkpointing \
  --cache_latents \
  --use_8bit_adam

--gradient_checkpointing 在反向传播中重新计算激活值（显存更低，速度略慢），--cache_latents 预先编码图像并释放 VAE，--use_8bit_adam 将优化器状态保持为 8 位。

有几个参数值得尝试。下方的网格使用不同的 LoRA 秩和优化器训练同一种塔罗风格；这些适配器发布在 Hub 上：diffusers-modular/flux3-tarot-lora。更多训练功能和配置记录在 DreamBooth FLUX.3 README 中。

对于基于指令的编辑，图生图脚本（train_dreambooth_lora_flux3_klein_img2img.py）在（参考图像、目标图像、指令）三元组上训练，其中参考图像在提示词中以 <ref_image_0> 表示。

有关所有选项和完整的图生图示例，请参阅 DreamBooth FLUX.3 README。

运行成本

在本节中，我们将讨论模型的内存消耗和生成速度。

内存

如果你的内存较少：

• 加载量化 transformer。
• 单独运行文本编码器并在之后释放它。它每张图像只需在去噪前运行一次（请参阅编码一次，生成多次）。
• 开启自动 CPU 卸载，这会在每个组件运行时才将其移到 GPU 上（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（16 步）的端到端耗时，在预热后取三次运行的平均值：

单张 NVIDIA H100 80GB，无卸载，默认注意力后端。

参考图像大致会使时间翻倍。参考 token 与被生成的文本和图像一起进入同一序列，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 堆叠条形图：文生图 4,256 个 token；图生图 8,272；布局文生图 4,336；布局图生图 8,800

架构

让我们逐块拆解这个模型。该模型接收三种 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 是一个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 在每个方向上对图像进行 8× 压缩，得到 32 个通道，然后将该潜变量的每个 2 × 2 图块打包为一个具有 128 个通道的 token。

因此 一个 token 覆盖 16 × 16 像素的图块，一张 1024 × 1024 的图像变为 64 × 64 的网格，即 4,096 个 token。带噪图像从恰好是该形状的随机噪声开始。参考图像经过相同的 VAE 编码器和打包处理，并保持其自身的大小。

从提示到 token

文本编码器是 Qwen3-VL，一个视觉语言模型。FLUX.3 并不只是取它的最后一层。它读取其 36 层中 八 层（第 4、8、…、32 层）的隐藏状态并将它们堆叠起来，因此每个文本 token 在通过一个线性层投影到 transformer 的宽度 3072 之前，会变成一个 8 × 2560 = 20,480 维的向量。

这为 transformer 提供了来自语言模型多个深度的特征，而不仅仅是其最后一层。提示被填充到 80 个 token 的倍数，transformer 也会关注填充部分，这就是为什么该流水线每次调用只接受一个提示。

两个阶段

transformer 分两个阶段处理 token：

1. 阶段 1：按模式分块。 每个流经过 5 个具有各自权重的块。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。 各个流被拼接成一个序列 [text | image | reference]，该序列经过 28 个共享一组权重的块。

这两个阶段的区别在于 谁能关注谁。

在阶段 1 中，每个流只关注自身，因此每种 token 首先按照自身的方式被精炼。在阶段 2 中，一切都关注一切，图像从文本和参考中学习。作为对比，FLUX.2 的双流块也为文本和图像赋予单独的权重，但从一开始就让它们互相关注。FLUX.3 先将各流完全分开，然后再合并。

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

一个块的内部

无论在哪个阶段，每个块都具有相同的形态。注意力和 MLP 并行 运行在同一个归一化输入上，它们的和被加回到残差流中。

每个块以一个 LayerNorm 开始，该 LayerNorm 没有自己的学习缩放或偏移。缩放、偏移和门控来自时间步嵌入（这被称为 调制）。在注意力内部，查询和键经过 RMS 归一化并获得旋转位置嵌入（RoPE），我们将在下面讨论。

在联合块中，所有 token 共享相同的权重，但文本、图像和参考 token 各自获得自己的缩放、偏移和门控。

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，一个时间步嵌入调制每个 token。在 FLUX.3 中，调制取决于 token 的种类。

含噪图像 token 由当前时间步 t 调制。文本和参考 token 始终由时间步 0 调制，这意味着“干净，这里没有任何东西需要去噪”。因此，即使参考看起来与输出几乎相同，它也被标记为给定上下文，而不是需要生成的内容。

蒸馏后的检查点是一个流映射。它还会被告知每一步跳转到的那个时间步。第二个时间步拥有自己的嵌入，该嵌入被加到每个 token 的调制中，因此它的 16 步中的每一步都可以做出更大的跳转。

四个维度中的位置

注意力本身并不知道一个 token 在哪里（这一现象被称为置换等变性）。RoPE 通过根据 token 的位置对每个 query 和 key 进行旋转来修正这一点。FLUX.3 使用四个位置轴，(t, h, w, l)（时间步、高度、宽度、序列长度），并为每个轴分配每个 128 维注意力头的四分之一（32 维）：

文本 token 沿着 l 排列，就像句子中的单词。图像和参考是 (h, w) 中的 2D 网格，并沿着 l 彼此分开。由于参考使用与输出相同的 (h, w) 坐标，“参考中的同一位置”对于模型来说具有精确的含义，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 步中的每一步，transformer 都会预测一个速度。这是从噪声指向干净图像的方向。调度器沿着它前进一步。

在每一步，你还可以读取模型对最终图像的当前猜测。在几个步骤中解码该猜测可以展示图像如何成形：

第 1 步	第 5 步	第 10 步	第 15 步	第 25 步	第 50 步

狐狸、它的姿势和光线在第 10 步时已经就位，而噪声水平仍为 0.97。覆雪的树枝和毛发的纹理只在最后几步才出现。FLUX.3 的调度器使用较大的时间偏移（6.93），这使噪声水平在大部分运行过程中保持较高：50 步中有 44 步发生在 σ = 0.5 以上。我们通过在 pipeline 中添加一个小模块构建了这张图，这就把我们带到了 Modular Diffusers。

如果你对 flow matching 还不熟悉，我们为你准备了一个初学者友好教程和一个视频，帮助你理解它的工作原理。

Modular Diffusers

FLUX.3 以 Modular Diffusers pipeline 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，并给出将要运行的普通步骤序列。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

弹出文本编码器，对提示编码一次，释放它，然后从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")

在循环内添加一个步骤

上面的去噪图来自一个额外模块，它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"])

试一试

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

用 FLUX.3 构建了什么？在 Hub 上分享你的 LoRA 和流水线。我们很想看看！😎