Wie schneidet FLUX 3 Klein auf einen Blick ab?
Ich bin Softwareingenieur bei eesel mit Informatik-Hintergrund und baue Funktionen und KI-Agenten, darunter den Agenten, der das Hero-Banner und die Diagramme für jeden meiner veröffentlichten Beiträge zeichnet. Ein neues Bildmodell lese ich daher so, wie ich eine Spezifikation lesen würde: was es verspricht, was seine eigene Dokumentation zugibt und wo frühe Nutzer an die Grenze stoßen. Einen kontrollierten Vergleich mit konkurrierenden Modellen habe ich nicht durchgeführt. Ich habe die Kriterien danach gewichtet, was ein Content- oder Katalogteam zuerst spürt, nämlich Preis und Bearbeitung.
| Kriterium | Bewertung | Gewicht | Beleg | Belegart |
|---|---|---|---|---|
| Preis pro Bild | 5 | 2x | 0,014 $ in 2K, Bearbeitungen kosten dasselbe, etwa 86 % unter dem vollen FLUX 3 Image | Preisliste des Anbieters |
| Bearbeitungsqualität | 4,5 | 2x | +70 Elo gegenüber FLUX.2 [klein] 9B; Tester nennen die Bearbeitung solide | Bewertung des Anbieters, Community |
| Ökosystem und LoRAs | 4,5 | 1x | Basismodell fürs Training, Unterstützung in 5 Laufzeitumgebungen ab Tag eins | Dokumentation des Anbieters |
| API-Geschwindigkeit | 4 | 1x | 4,54 s Text-zu-Bild, 7,18 s Bearbeitung bei 1 MP, Median | Vom Anbieter gemessen |
| Lokale Hardware | 3,5 | 1x | Generator passt in 8 GB mit INT8, Upsampler braucht etwa 28 GB zusätzlich | Dokumentation des Anbieters |
| Lizenz | 3 | 1,5x | Kostenlose kommerzielle Nutzung nur unter 5 Mio. $ Umsatz, verbundene Unternehmen eingerechnet | Lizenztext |
| Personen in Text-zu-Bild | 2,5 | 1,5x | Mehrere Tester melden verzerrte Anatomie; Ergebnisse beim Upsampler gespalten | Community |
| Kleine Schrift | 2,5 | 1x | Modellkarte warnt vor ungenauem Text; BFLs eigener Beispielstempel enthält Rechtschreibfehler | Dokumentation des Anbieters, Community |
Der gewichtete Durchschnitt beträgt 3,8. Gewichtet man alle acht Kriterien gleich, sinkt er auf 3,7, die Kernaussage ist also stabil. Die letzte Spalte ist wichtiger als die Bewertungen: Mehrere der acht stützen sich auf BFLs eigene Zahlen, und ich kennzeichne diese, damit Sie sie abwerten können.
Ist FLUX 3 Klein schnell, und hält die Geschwindigkeit?
Über die API ja, nach BFLs Darstellung. Der Launch-Beitrag nennt einen Median von 4,54 Sekunden für einen 1-MP-Text-zu-Bild-Render und 7,18 Sekunden für eine Bearbeitung, inklusive Warteschlange. Das ist schneller als Qwen-Image 2.1 und Krea 2 im selben Diagramm.
Ich gebe eine 4 und keine 5, aus einem Grund, den BFL im selben Beitrag nennt: Klein wurde auf BFLs eigenen Servern gemessen, die anderen Modelle dagegen vom Client aus, was Polling und Netzwerkzeit hinzufügt. Das Diagramm ist ein faires Signal für die Geschwindigkeitsklasse, kein kontrolliertes Rennen. Ein früher API-Nutzer auf Hacker News brachte es klar auf den Punkt, und es ist dieselbe Spaltung, die ich in den Zahlen sehe:
"It's really fast on the OpenRouter API, but it's clearly worse than Flux 3's normal model."
Bei der Geschwindigkeit würde ich dem Anbieter am meisten trauen, weil sich ein Irrtum schon in Ihren ersten zehn Renderings zeigt. Bei der Qualität nicht.
Wie gut sind die Bearbeitungen?
Die Bearbeitung ist der Grund, warum Klein eine 4,5 bekommt. BFLs Bewertungen sehen es bei 70 Elo mehr in der Bildbearbeitung als das eigene FLUX.2 [klein] 9B, mit 38 % weniger Parametern, und die gehostete Version fügt einen Pixelwiederherstellungsschritt hinzu, der unbearbeitete Bereiche exakt so lässt, wie sie waren. Die Klein-Dokumentation erlaubt außerdem, Begrenzungsrahmen auf einem Raster von 0 bis 1000 zu zeichnen, um ein Element zu platzieren oder eine Bearbeitung einzugrenzen.
Einen halben Punkt ziehe ich ab, weil Rahmen nur eine weiche Vorgabe sind, keine Maske. Die Modellkarte sagt, Bearbeitungen können Inhalte außerhalb des Rahmens dennoch verändern. Das ist eine echte Grenze bei Katalogarbeit, wo ein Logo sich nicht bewegen darf, und es ist das Erste, was ich mit Ihren eigenen Produktfotos testen würde. Vergleichen Sie das mit Kreas Ansatz in meinem Krea 3 Test, wo regionale Bearbeitungen die Hauptfunktion sind.
Die Community sieht es in dieselbe Richtung. Ein Tester im Launch-Thread nannte die Bearbeitung wirklich solide, und BFLs eigene Bewertungen deuten in dieselbe Richtung. Einen genaueren Blick auf die Kategorie der Anweisungsbearbeitung bieten Qwen Image Edit und die OpenAI Edit-API.
Wo verliert Klein Punkte?
Bei Personen und kleiner Schrift. Diese beiden Kriterien sind der Grund, warum die Gesamtnote 3,8 und nicht 4,3 lautet, und die Belege sind hier die am wenigsten gefestigten in diesem ganzen Test.
Die lauteste Beschwerde im Launch-Thread betraf die Anatomie. Ein früher Nutzer schrieb:
"Very disappointing compared to Flux 2 Klein. I was excited to see what the next frontier of small local image gen might be like, but this model is absolutely atrocious."
Andere, die den gesamten Stack betrieben, sahen etwas Milderes, und die Spaltung folgt einer einzigen Variable: ob der Prompt-Upsampler im Spiel war. Klein wurde mit langen Szenenbeschreibungen trainiert, und BFL sagt, man solle es nicht ohne den Upsampler nutzen. Ein Tester, der beide Wege probierte, fand, dass es auch kein klarer Gewinn war:
"my results have been hit or miss with that claim. Some basic prompts are better, some upscaled prompts are better."
Ein dritter Tester, dragonwriter, nutzte den gesamten Stack und sagte, die Fehler seien gelegentlich und "this is much less common than with Flux 2 Klein." Deshalb bewerte ich Personen mit 2,5, das heißt: brauchbar mit einem guten Prompt und einem Budget für Wiederholungen, riskant als einziger Generator in einer Pipeline. BFLs Antwort zwei Tage nach dem Launch war eine Korrektur des Workflows, kein neues Modell:
"To get the best results, the model should be used with our prompt upsampling and 2K resolutions."
Kleine Schrift ist die andere niedrige Note, und BFLs eigene Vorführung bestätigt das. In der Beispiel-Collage auf der Modellseite zeigt die Briefmarke ihre englische Beschriftung mit doppelten und falsch platzierten Buchstaben, was zur Warnung der Modellkarte passt, dass gerenderter Text ungenau sein kann.
Wenn dichte Typografie Ihre Aufgabe ist, ist Ideogram die übliche erste Anlaufstelle, und mein Leitfaden zu den Ideogram Preisen zeigt, was es kostet. Für Design-Assets probieren Sie Recraft.
Wie schneidet Klein im Vergleich zu FLUX.2 klein und dem vollen FLUX 3 Image ab?
Gegenüber FLUX.2 [klein] 9B spricht die Beleglage auf dem Papier für Klein und ist in der Praxis gespalten. BFL meldet Zuwächse von 91 Elo bei Text-zu-Bild und 70 bei der Bearbeitung. Frühe Tester widersprachen, und das obige Muster, Upsampler an oder aus, erklärt den größten Teil der Lücke.
Gegenüber dem vollen FLUX 3 Image Modell gibt es keine veröffentlichte Zahl. BFLs Launch-Vergleich lässt es aus, also kann ich Ihnen keinen Bewertungsabstand nennen, und ich würde niemandem trauen, der es tut. Was ich Ihnen geben kann, ist das Preisverhältnis, plus den einen praktischen Bericht oben, der sagt, dass das Standardmodell deutlich besser ist. So stehen die drei bei den überprüfbaren Fakten da:
| FLUX 3 Klein | FLUX.2 [klein] 4B | FLUX.2 [klein] 9B | FLUX 3 Image | |
|---|---|---|---|---|
| API-Preis, 1K | 0,009 $ | 0,014 $ | 0,015 $ | 0,048 $ |
| API-Preis, 2K | 0,014 $ | 0,017 $ | 0,021 $ | 0,10 $ |
| Offene Gewichte | Ja | Ja | Ja | Nein |
| Lizenz | FLUX Kommunity, 5-Mio.-$-Grenze | Apache 2.0 | Nicht kommerziell | API-Bedingungen |
| Qualitätssignal | BFL Elo, gespaltene Berichte | Nicht verglichen | Basis für BFLs +91 / +70 | Ein Bericht sagt besser als Klein |
Die 4B-Lizenz ist Apache 2.0 und die 9B-Lizenz eine nicht kommerzielle, laut ihren Hugging Face Einträgen. Die FLUX.2 2K-Preise nutzen BFLs Formel aus erstem Megapixel plus zusätzlichen Megapixeln auf der Preisseite, mit 4 MP für 2K.
Für die Sicht auf die ganze Familie vergleicht mein Beitrag zu den FLUX 3 Alternativen es mit der geschlossenen Konkurrenz, und der Beitrag zu FLUX 3 Action behandelt das Robotik-Geschwistermodell.
Was kostet ein FLUX 3 Klein Auftrag wirklich?
Der Listenpreis beträgt 0,009 $ pro 1K-Bild. Die reale Zahl hängt von zwei Entscheidungen ab: der Auflösung, die BFL zu nutzen rät, und Ihrer Wiederholungsquote. BFL empfiehlt 2K, also rechne ich mit 0,014 $ pro Render, und in meiner eigenen Pipeline braucht etwa jeder dritte Render eine Wiederholung, daher multipliziere ich mit 1,5. Die Preise unten stammen direkt von BFLs API-Preisseite, die ich am 18. Oktober 2026 erneut geprüft habe.
| Auftrag | Renders (mit 1 von 3 Wiederholung) | FLUX 3 Klein | FLUX 3 Image | Ersparnis mit Klein |
|---|---|---|---|---|
| Blogvisuals: Banner plus 5 Diagramme, 2K | 9 | 0,126 $ | 0,90 $ | 86 % |
| Katalog-Bearbeitungsstapel: 200 Bearbeitungen, 2K | 300 | 4,20 $ | 30,00 $ | 86 % |
| Kampagnenposter: 20 fertige in 4K | 30 | 1,08 $ | 18,21 $ | 94 % |
Hier kommt der Teil, der die Rechnung verändert. Klein ist pro Render um ein festes Verhältnis günstiger, also können Sie fragen, wie schlecht seine Trefferquote werden müsste, bevor die Ersparnis verschwindet:
| Auflösung | Klein Preis | FLUX 3 Image Preis | Klein-Versuche pro brauchbarem Bild bis zum Break-even |
|---|---|---|---|
| 1K | 0,009 $ | 0,048 $ | 5,3 |
| 2K | 0,014 $ | 0,10 $ | 7,1 |
| 4K | 0,036 $ | 0,607 $ | 16,9 |
Würde das volle Modell jedes Bild gleich beim ersten Mal richtig machen, bräuchte Klein in 2K etwa 7 Versuche pro brauchbarem Bild, bevor es bei den Kosten verliert. Braucht das volle Modell selbst 1,5 Versuche pro brauchbarem Bild, steigt der Break-even für Klein in 2K auf etwa 10,7 Versuche. Das ehrliche Risiko ist nicht die Rechnung. Es ist Ihre Zeit für die Prüfung der Renders, die Kosten, die diese Tabelle nicht beziffern kann. Als externe Referenz setzt mein Beitrag zu den Krea 3 Preisen ein 2K-Bild bei 0,06 $ an, und ChatGPT Images 2.5 Preise behandelt die geschlossene Seite. Der Leitfaden zu GPT Image 1 Mini deckt die Budgetklasse ab.
Können Sie FLUX 3 Klein lokal betreiben?
Den Generator ja. Die von BFL empfohlene Pipeline größtenteils nein. Für diese Lücke bewerte ich die Hardware mit 3,5.
BFL sagt, die Generatorgewichte belegen 11,2 GB in BF16 und 5,6 GB in FP8, und die INT8-Version läuft auf GeForce-RTX-Karten mit nur 8 GB VRAM. Die Dokumentation nennt eine RTX 3090 als Untergrenze für das Standard-Setup. Der Bild-Transformer hat 5,6 Mrd. Parameter, und der Text-Encoder ist ein separates Qwen3-VL-4B-Modell, sodass „5,6B“ untertreibt, was geladen wird.
Legen Sie BFLs Rat, 2K zu nutzen, neben das Diagramm. Auf einer RTX 4070 braucht ein 1-MP-Bild 8,9 Sekunden und ein 2K-Bild 50,4 Sekunden. Das ist für einen Hobby-Workflow in Ordnung und für ein Team mit Warteschlange langsam. Der größere Haken ist der Prompt-Upsampler, der laut Klein-Dokumentation allein etwa 28 GB GPU-Speicher zusätzlich braucht.
Praktisch gibt es drei Wege. Den Upsampler auf einer größeren oder zweiten Karte laufen lassen. BFLs veröffentlichten System-Prompt auf ein gehostetes Sprachmodell richten. Oder die API nutzen, bei der das Upsampling im Preis pro Bild enthalten ist. Wenn Sie GPUs mieten, zeigen die Together AI Preise, was gehostete Inferenz kostet. Fireworks AI ist ein weiterer Anbieter, ebenso Replicate.
Was ist die Falle der FLUX Kommunity License?
Hier würde ich langsamer machen, bevor etwas ausgeliefert wird. Die Gewichte stehen unter der FLUX Kommunity License, und ich habe den ganzen Text gelesen. Die Kernaussage, kostenlose kommerzielle Nutzung unter 5 Mio. $, stimmt. Fünf Details drumherum sind die, die wehtun.
- Der Test läuft „zu jedem Zeitpunkt“. Ein Qualifying User sind Sie, wenn Ihr „gross annualized revenue“ zusammen mit dem Ihrer verbundenen Unternehmen zu irgendeinem Zeitpunkt unter 5.000.000 US-$ liegt. Der Umsatz verbundener Unternehmen zählt, ein kleines Team innerhalb eines größeren Konzerns qualifiziert sich also möglicherweise nicht.
- Die Grenze gilt für Ausgaben und den Produktionseinsatz. Unterhalb der Grenze dürfen Sie Ausgaben kommerziell nutzen und das Modell in Produktion betreiben, um sie zu erzeugen. Darüber verweist die Lizenz Sie an BFL für eine kommerzielle Lizenz, die "may be subject to a fee, royalty or other revenue share."
- Zwei Compliance-Bedingungen gelten. Sie müssen Inhaltsfilter einsetzen oder Ausgaben prüfen, bevor sie veröffentlicht werden, und Ausgaben als KI-generiert kennzeichnen, wo das Gesetz es verlangt.
- Sie stellen BFL frei. Abschnitt 7 macht Sie verantwortlich für Ansprüche aus Ihrer Nutzung des Modells und der Ausgaben, einschließlich eines Versäumnisses, die vorgeschriebenen Filter einzusetzen.
- BFL kann die Lizenz beenden. Abschnitt 8 erlaubt dem Unternehmen, die Lizenz jederzeit mit Mitteilung ganz oder teilweise zu kündigen.
Das Training ist die andere Falle. Das Modell zum Trainieren, Feinabstimmen oder Destillieren anderer Modelle für kommerzielle Zwecke zu nutzen, ist kein nicht kommerzieller Zweck, und ein abgeleitetes Modell umfasst alles, was durch Destillation oder durch Training mit seinen Ausgaben entsteht. Wenn Ihr Plan lautet „einen synthetischen Datensatz erzeugen und dann unser eigenes Modell trainieren“, ist diese Lizenz nicht Ihr Freund.
Der sauberste Ausweg ist die API. BFLs Launch-Beitrag sagt, größere Organisationen können kommerziell über Self-Hosting-Lizenzoptionen oder die API einsetzen. Das ältere FLUX.2 [klein] 4B steht unter Apache 2.0 ohne Umsatzgrenze, eine darauf gebaute Pipeline, die stillschweigend Klein einsetzt, erbt also alle fünf Bedingungen. Ein Kommentator im Launch-Thread nannte Ideogram, Krea, Flux und Qwen als Labore, die zu eigenen maßgeschneiderten Lizenzen übergegangen sind, prüfen Sie die Lizenz also vor dem Upgrade. Meine Übersicht zu den Ideogram Alternativen nennt bei jeder Empfehlung die Lizenz.
Wer sollte FLUX 3 Klein nutzen, und wer sollte es auslassen?
Mein Urteil lautet 3,8 von 5, und so würde ich danach handeln.
Wählen Sie es, wenn Ihre Aufgabe Bearbeitungen in großen Mengen sind: Produktfotos auf neuen Hintergründen, saisonale Varianten, einheitliche Änderungen über einen Katalog. Preis, Geschwindigkeit und der Pixelwiederherstellungsschritt deuten alle in diese Richtung, und ein kleines Studio unter 5 Mio. $ erhält offene Gewichte, die es mit einem LoRA feinabstimmen kann. Photoroom Preise sind der Vergleich, wenn Sie nur Produkthintergründe brauchen.
Testen Sie zuerst gründlich, wenn Ihre Aufgabe neue fotorealistische Personen sind. Lassen Sie 50 Ihrer echten Prompts mit aktiviertem Upsampling durch die API laufen und zählen Sie die brauchbaren Treffer, bevor Sie einen Workflow aufbauen. Qwen-Image 2.1 ist das Modell, zu dem Tester immer wieder griffen.
Lassen Sie es aus, wenn Sie lesbare kleine Schrift brauchen oder über 5 Mio. $ liegen und uneingeschränktes Self-Hosting wollen. Dafür sind die geschlossenen Optionen, die einen direkten Vergleich wert sind, mein Nano Banana Pro Test und der Seedream 5.0 Pro Test.
Zwei weitere sind einen Blick wert: Meta Muse Image und Freepik als Paket.
Wenn Sie eine App einer API vorziehen, beginnen Sie mit den Midjourney Preisen. Lesen Sie dann die Leonardo AI Preise und nutzen Sie die Midjourney Alternativen für den Rest.
Wo passt Klein in einen Content-Workflow?
Ein günstiges Modell beseitigt einen Kostenpunkt und lässt den Rest bestehen. Bei 0,126 $ für ein Banner und fünf Diagramme ist das Bild der günstigste Posten im Produktionsbudget. Teuer bleibt, zu wissen, welcher Abschnitt ein Visual braucht, den langen Szenen-Prompt zu schreiben, den Klein will, jeden Render zu prüfen und ihn mit Bildunterschrift zu platzieren. Meine Hinweise zum Hinzufügen von Bildern zu Blogs führen durch diesen Teil.
Diese Lücke füllt der KI-Blog-Writer von eesel. Er ist ein Teammitglied, das Sie für eine Aufgabe einstellen: Er recherchiert ein Thema mit belegten Aussagen, schreibt in Ihrer Markenstimme und zeichnet sein eigenes Hero-Banner und Diagramme, wobei er einen Render neu zeichnet, wenn einer danebengeht. Wenn Sie Produktbilder mit Klein für einen E-Commerce-Blog oder ein Marketingteam erzeugen, arbeiten die beiden Seite an Seite: Klein für die Produktbearbeitung, der Writer für den Artikel drumherum.
eesel ausprobieren
Wenn Sie FLUX 3 Klein testen, weil Ihr Redaktionskalender mehr Visuals braucht, ist der langsame Teil meist das Schreiben, nicht das Bild. Der KI-Blog-Writer von eesel recherchiert ein Thema, schreibt einen belegten Beitrag in Ihrer Stimme, fügt eigene Infografiken hinzu und nimmt Änderungen in normaler Sprache an, wie „mach die Einleitung knackiger“. Sehen Sie, wie er einen KI-Blog-Writer mit Bildern umsetzt und wie Teams einen KI-Blog-Writer Workflow einrichten.
Zu den laufenden Kosten enthält meine Aufschlüsselung der KI-Blog-Writer Kosten die Zahlen, und die Liste der besten KI-Blog-Writer zeigt, wo er rangiert.
Kombinieren Sie ihn mit Ihren Klein-Bearbeitungen, und Sie bekommen den ganzen Beitrag, nicht nur das Bild. eesel testen Sie kostenlos und geben Sie ihm Ihr nächstes Thema.