FLUX 3 Klein は「8GB で動く」と言う。ファイルサイズは別のことを言う

Black Forest Labs が10月15日に公開した FLUX 3 Image Klein で、いちばん目を引く数字は 8 だ。8ギガバイトの VRAM で、56億パラメータの画像モデルが動くという。ネイティブ 4K 出力、参照画像10枚、バウンディングボックスによるレイアウト制御まで付いてくる。この2年、オープンな画像モデルが 24GB のカードと神頼みを要求するのを見てきた人間には、長い待ち時間がようやく終わったように読める。

その数字は、こうした数字にいつも付きまとう性質を今回も正確に備えている。技術的には正しく、実用上は誤解を招く。この一文の前半と後半のどちらも検討に値する。Klein は本当に面白いし、宣伝文句とファイルサイズのあいだの隔たりは、ローカル画像生成がいまどこに立っているかをかなり雄弁に語る。

出てきたもの

Klein は FLUX 3 ファミリーのオープンウェイト版にあたる。10月1日に登場した FLUX 3 Image は API 専用だった。ダウンロードできるのは Klein のほうだ。アーキテクチャは56億パラメータの画像 transformer で、Apache 2.0 ライセンスの Qwen3-VL 4B テキストエンコーダを組み合わせる。本体重みが Apache ではないだけに、この点は覚えておく価値がある。

ひと組の重みに3つの機能が入っている。テキストから画像、単一参照画像の編集、そして最大10枚の参照画像を使うマルチリファレンス生成だ。制作現場にとって本題になるのは参照枚数の上限のほうである。同じ俳優、同じ衣装、同じ小道具を一連のカットで揃えたいとき、10枠あれば参照画像1枚につき1つの役割を割り当てられる。ムードボードがいい感じに平均化してくれることを祈らずに済む。

レイアウト制御は 0-to-1000 grid 上のバウンディングボックスだ。領域を描き、その中身を配置・配色変更・移動・置換・削除するようモデルに指示する。「プロンプトを書いて祈る」とは別種の操作であり、どちらかといえばページレイアウトツールに近い。だからこのリリースは、モデルの発表というよりデザインワークフローへの機能追加のように読める。

BFL はチェックポイントも2種類用意した。蒸留版は16ステップ、guidance なしで推論用。ベース版は50ステップ、CFG 3.5 で訓練用。蒸留版はファインチューニングの出発点としては良くない、とモデルカードは明言している。ドキュメントの LoRA recipe は Base で訓練し Distilled で推論する構成で、両者がアーキテクチャを共有するためアダプタは変換なしで読み込める。BFL の事例では、キャプション付きのパブリックドメイン絵画20点を使った rank 32 のスタイル LoRA が、GPU 1枚でおよそ4.5時間だった。

8GB という主張を項目ごとに足し算する

発表文が代わりにやってくれない計算を、ここでやっておく。ComfyUI のリポジトリはコンポーネントごとのファイルを公開している。

transformer は BF16 で 11.1 GB、INT8 で 5.8 GB。Qwen3-VL テキストエンコーダは BF16 で 8.9 GB、INT8 で 4.9 GB。VAE は 0.3 GB。そして prompt upsampler。Qwen3.5-9B ベースのモデルで、BF16 なら 18.8 GB、INT8 なら 9.8 GB だ。

大きいほうの INT8 を2つ取ると、5.8 に 4.9 を足して 10.7 GB。まだ活性値ひとつ分も確保していない段階で、これだけの重みがある。8GB のカードに両方は載らない。つまり 8GB という主張は、どちらか一方をシステム RAM にオフロードすることを前提にしている。それで動きはする。そしてベンダー自身のモデルカードが、B200 上で 1024×1024、しかも upsampler を切った状態で BF16 ピーク 31 GB、FP8 で 26 GB を記録している理由でもある。

その「upsampler を切った状態」という但し書きは、見た目より重い。短いプロンプトをそのまま投げると凡庸な出力しか出ず、良い結果には upsampler が要るとモデルカードははっきり書いている。その upsampler は 80GB のカードでフル精度なら約 28 GB を必要とする。贅沢なオプション部品ではない。モデルの想定された使い方の一部であり、しかもサイズはモデル本体とほぼ同じだ。

正直にまとめればこうなる。8GB で回るのは、INT8 ビルド、積極的なオフロード、低下した速度、そしておそらく弱いプロンプト経路。ローンチ映像の体験は付いてこない。

速度の数字が語ること、語らないこと

BFL は RTX 5090 で100万画素の画像に約4秒、RTX 4070 で9秒弱と報告している。良い数字だ。ただし蒸留版チェックポイント、BFL が選んだ設定、1枚の画像、モデルのロード時間を除いた条件での話である。アップスケーラ、インペイント、顔修復といった工程を挟むワークフローなら、完成品1点あたりの実時間はその数倍になる。

ベンダーはさらに、Klein がテキストから画像、マルチリファレンス、編集の各ベンチマークで、より大きなオープンウェイトモデル数本を上回ると主張している。本稿執筆時点で第三者の検証はなく、ローンチ時の社内比較はベンチマークの中で最も信用できない種類のものだ。公開されている独立系リーダーボードでは、Klein は純粋な美しさでは中位、編集の追従性では明確に上位に入る。設計上の優先順位と一致する結果だ。

飛ばされがちなのがライセンスの部分

Klein の重みは Apache 2.0 ではなく FLUX Kommunity License の下にある。商業利用の出力権は個人と企業に付与されるが、関連会社を含めた年間総収益が500万米ドル未満であることが条件だ。それを超えるなら、BFL から商用ライセンスを取るか、API を使うかになる。

個人デザイナー、小さなスタジオ、ミュージックビデオを切る映像作家にとっては、これは実質的な許諾だ。基準をちょうど超えた代理店にとっては、2年後の監査で表面化するコンプライアンス項目になる。今回の報道の多くは「オープンウェイト」と「オープンソース」を同義に使っているが、両者は同じものではない。

価格の逆転についても計算しておく価値がある。API は1枚あたり0.008〜0.009ドル程度。月1000枚なら10ドル未満だ。24 GB のカードは1000ドルを超える。Klein の自前運用が金銭的に筋を通るのは、API の請求額のほうが大きくなる物量か、画像を自分のマシンの外に出せない場合だけである。

実際にダウンロードすべき人

一連の画像のあいだで人物や製品の一貫性が要る仕事——絵コンテ、1つの物体を20の場面に置く製品カタログ、毎コマ同じ顔が出てくる漫画——なら、Klein の参照10枚とボックス制御は、いまオープンウェイトで手に入る最も直接的な道具だ。この組み合わせがこの規模で出てきたのは本当に新しい。

美しいヒーロー画像が1枚欲しいだけの仕事なら、API のほうが安く、速く、あなたのローカル環境より良い仕上がりになる。

ローカルの重みが欲しい理由がプライバシー——医療、法務、未発表の製品——なら、計画の基準にすべきは8ではなく BF16 ピークの 31 GB だ。32 GB のカードを予算に入れるか、遅くとも1〜2か月で必ず出てくるコミュニティの GGUF 量子化を待つといい。

オープンな画像モデルについて、この2年のパターンは一貫している。発表文は最小限のフットプリントを掲げ、モデルカードは実際の値を書き、コミュニティが量子化ビルドで間を取る。品質を少し犠牲にして余裕を大きく買うやり方だ。Klein もこのパターン通り。どの数字が自分に当てはまるかを見極めれば、判断の大半は終わる。