FLUX 3 Image Kleinの ComfyUI 用ファイルが公開。5.6B モデルでテキストから画像生成が可能。
この記事のポイント
- テキストから画像を生成する5.6Bモデル
- 10枚参照で編集・合成を1モデルで実行
- int8で8GB GPU、NVFP4でBlackwell GPU
数字で見る
この記事に出てくる数字
| パラメータ数 | 5.6B |
|---|---|
| テキストエンコーダ | 4B |
| 参照画像数 | 10枚 |
どこで使えるか
テキストから画像を生成したい人向け。8GB GPUでも動作するint8版がある Hugging Faceで公開済み int8は8GB GPUで動作、ライセンスはother
スポンサーリンク
解説
かみくだいて説明します
black-forest-labsが、2026年10月14日にテキストや写真から画像を生成するAIモデル、FLUX 3 Image KleinのComfyUI対応ファイルを公開しました。パラメータ数は5.6Bで、プロンプトと最大10枚の写真を入力すると、1枚の画像を返します。
10枚の写真から1枚を作るんですか。作る側の技術者から見ると、これは既存のやり方を置き換える話ですか。
画像を生成する部分と、テキストを理解する部分を別々に設計しています。画像を処理する変換器が5.6Bパラメータで、テキストを解釈するエンコーダーはQwen3-VL-4B-Instructを使います。同じモデルで文章からの生成も、写真1枚を参考にした修正も、複数の写真を組み合わせた合成もこなします。
変換器とエンコーダーを分けているんですね。エンコーダーがテキストをどう読み解くのか、もう少し分かりやすく言うとどうなりますか。
画像を作る変換器が絵の具だとすると、エンコーダーは指示を出す翻訳者です。コンピュータが理解できる形に書き直す役割で、そうすることで変換器は絵の構成だけ集中できます。
翻訳者に例えると確かにイメージしやすいです。動かすのに必要なGPUのメモリは、いくつくらい必要なんですか。
8GBのGPUでも動くint8という圧縮版があります。RTX 3070のような、FP8に対応していない古い世代のカードでも動作します。一方、NVFP4というさらに圧縮した版を使うには、Blackwellという最新のGPUが必要です。
8GBで動く版があるのは助かりますね。ファイルの入れ方は、専用のツールが必要ですか。
専用のツールは不要です。ComfyUIのモデルを置くフォルダに、ダウンロードしたファイルを入れるだけです。distilledとbaseの2種類のモデルが用意されていて、ファイル名にsdという文字が含まれるものがdistilled版で、含まれないものがbase版です。
フォルダに入れるだけで使えるんですか。公開されているコードや、プロンプトの書き方などの仕様は、どこで見られますか。
GitHubで確認できます。推論コードやプロンプトのアップサンプリング、境界ボックスの形式などが公開されています。モデルへのアクセスには、Hugging Faceで条件を受諾する必要があります。
最後に、このモデルを実際の制作現場で使う場合、どこがまだ解けていないんですか。
10枚までの参照画像を入力として受け付け、テキストエンコーダーにはQwen3-VL-4B-Instructが使われています。これらが同じモデルで処理される仕組みです。
出典
この記事のもとになった情報
- Hugging Face:black-forest-labs/flux-3-image-klein-comfy
- 公開日:2026-10-14
※ 本文と音声は生成 AI が作成しています。内容は出典をご確認ください。
本作品のキャラクターには株式会社Live2Dの著作物であるサンプルデータが株式会社Live2Dの定める規約に従って用いられています。本作品は制作者の完全な自己の裁量で制作されています。このキャラクターモデルは株式会社Live2Dより許諾を得て商用利用しています。