Black Forest Labs представила FLUX.2 Klein — дистиллированные модели с поддержкой sub-second генерации на потребительских GPU, доступные в версиях 4B и 9B.

15 января 2026 года Black Forest Labs (BFL) совершила качественный скачок в доступности высокопроизводительных визуальных моделей, представив семейство FLUX.2 Klein. В то время как индустрия стремится к увеличению параметров, BFL выбрала путь оптимизации, представив самые быстрые open-weights модели в своей линейке на текущий момент.
Главная инновация серии Klein заключается в достижении субсекундной генерации изображений на стандартном потребительском оборудовании. Это решение критически важно для разработчиков, создающих интерактивные интерфейсы, real-time редакторы и игровые движки, где задержка (latency) является главным барьером для внедрения генеративного AI.
Семейство FLUX.2 Klein разделено на две специализированные конфигурации, каждая из которых оптимизирована под конкретные задачи разработчика. Обе модели базируются на архитектуре rectified flow transformer, что обеспечивает высокую точность следования промпту и стабильность диффузионного процесса.
Модель FLUX.2 [klein] 4B ориентирована на максимальную скорость и эффективность. Она поддерживает не только классический Text-to-Image, но и multi-reference image guidance, что позволяет использовать дополнительные изображения для управления композицией или стилем. В свою очередь, версия 9B фокусируется на качестве (quality-focused), поддерживая разрешение до 4 мегапикселей и возможность использования до четырех референсных изображений одновременно.
При тестировании FLUX.2 Klein продемонстрировала впечатляющие результаты в соотношении 'качество/скорость'. Благодаря процессу дистилляции, модели удалось сохранить визуальную эстетику и детализацию базовой модели FLUX.2, при этом радикально снизив вычислительную сложность. В тестах на потребительских видеокартах уровня RTX 40-й серии время генерации для модели 4B составило менее 800 мс.
Оценка проводилась с использованием стандартных метрик визуального сходства и точности следования тексту (Prompt Adherence). В сравнении с предыдущими итерациями, Klein показывает на 40% более высокую скорость итерации при сохранении уровня детализации, близкого к полноразмерным моделям, что делает её идеальной для прототипирования и итеративного дизайна.
Black Forest Labs придерживается стратегии гибридного доступа. С одной стороны, веса моделей полностью открыты и доступны на Hugging Face (репозитории были активированы 14 января 2026 года). Это позволяет инженерам разворачивать модели локально или в собственных облачных инфраструктурах, используя официальный GitHub репозиторий black-forest-labs/flux2.
С другой стороны, для тех, кто предпочитает готовые решения без необходимости управления инфраструктурой, модели доступны через ряд хостинг-провайдеров по API. В список входят Vercel AI Gateway, NVIDIA build и платформа Puter, что обеспечивает бесшовную интеграцию в существующие веб-стеки.
Благодаря своей скорости и поддержке референсных изображений, FLUX.2 Klein открывает новые возможности в различных доменах. В разработке игр модели могут использоваться для мгновенной генерации текстур или концепт-артов прямо в редакторе. В веб-разработке это позволяет внедрять функции 'AI-дизайна' для конечных пользователей, где генерация происходит почти мгновенно.
Также модели идеально подходят для задач Image-to-Image и редактирования на основе нескольких референсов, что делает их незаменимыми в инструментах для автоматизации маркетингового контента и создания персонализированных визуальных ассетов.
Для локального развертывания разработчикам рекомендуется начать с загрузки весов с Hugging Face. Использование квантованных версий (FP8) позволит запустить модель даже на картах с ограниченным объемом видеопамяти. Для интеграции в облачные сервисы используйте API-эндпоинты Vercel или NVIDIA, которые предоставляют готовую инфраструктуру для масштабирования.
Официальная документация и примеры реализации доступны в репозитории GitHub, где описаны методы настройки rectified flow transformer и параметры управления референсными изображениями.