Black Forest Labs rilascia FLUX.3 Image Klein su Hugging Face
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Modello open e modulare per generazione e editing immagine, checkpoint distillato crea 1024×1024 in circa 2 secondi su H100.
Due secondi per un’immagine 1024×1024 su una H100: è il dato dichiarato per il checkpoint distillato di FLUX.3 Image Klein, ora disponibile in Diffusers con pipeline modulare e asset su Hugging Face1.
Un solo checkpoint copre tre funzioni: text-to-image, image-to-image con riferimenti multipli, controllo del layout con bounding box. La stessa base e la stessa pipeline le gestiscono tutte. La versione Modular Diffusers consente di sostituire o rimuovere blocchi interni, così da adattare il flusso senza cambiare modello di partenza1.
Hugging Face ospita la collection con i checkpoint aperti e uno Space per provare il modello dal browser. Chi non vuole installare nulla può iniziare da lì. Chi preferisce l’ambiente locale trova esempi e istruzioni nella pagina del progetto1.
I pesi in NVFP4 e FP8 si caricano con l’API from_single_file, opzione pensata per chi lavora con GPU più piccole. Per il text encoder, le istruzioni indicano l’uso di transformers con Qwen3-VL. Sono disponibili script di training LoRA per due scenari: generazione da testo ed editing di immagini. Tutte informazioni fornite nella stessa pagina di rilascio1.
Prestazioni, funzioni e packaging arrivano insieme: checkpoint distillato per la velocità, pipeline modulare per la flessibilità, formati di pesi più compatti per l’hardware limitato. La pubblicazione su Hugging Face centralizza collezione, Space ed esempi d’uso1.
Getting started
- Requisiti: diffusers e transformers.
- Caricamento: ModularPipeline con checkpoint “black-forest-labs/flux-3-image-klein”.
- Esecuzione: passare un prompt e salvare l’output su file PNG1.
Esempio minimo:
pip install -U diffusers transformers #1
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") #1
Per chi valuta l’adozione, contano due aspetti. Primo, l’immediatezza del test: lo Space su Hugging Face consente di verificare qualità e coerenza del modello prima di ogni setup locale. Secondo, la modularità operativa: “pop blocks out or add your own” permette di intervenire sui componenti senza riscrivere l’intera pipeline. Entrambe le opzioni sono documentate nella stessa pagina di rilascio1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.