# Black Forest Labs propulse FLUX.3 Klein dans Diffusers

> Black Forest Labs publie FLUX.3 Image Klein dans Diffusers, avec génération 1024 × 1024 en 16 étapes et contrôle de mise en page.

Type : Actualité IA · Catégorie : Outils · Publié le 2026-10-16 · Signal IA - Order & Chaos
Source : https://www.orderchaos.eu/signal-ia/actu/black-forest-labs-integre-flux3-klein-a-diffusers
Tags : génération d’images, diffusers, modèles ouverts, mise en page, multimodal, inference

---

## En résumé

- Black Forest Labs intègre FLUX.3 Image Klein dans Diffusers dès sa publication.
- Le modèle accepte le texte, plusieurs images de référence et des zones de placement.
- Le point de contrôle distillé génère une image 1024 × 1024 en environ deux secondes sur un H100.

**Le signal :** FLUX.3 Image Klein produit une image 1024 × 1024 en environ 2 secondes sur un H100 avec son point de contrôle distillé.

**Black Forest Labs** publie FLUX.3 Image Klein dans Diffusers le 15 octobre 2026. Le modèle réunit génération d’image à partir de texte, transformation d’image avec plusieurs références et contrôle de mise en page. Le point de contrôle distillé produit une image 1024 × 1024 en environ deux secondes sur un H100. Il fonctionne par défaut en 16 étapes, sans guidage par classification. La collection comprend aussi `black-forest-labs/flux-3-image-klein-base`, un modèle de base prévu pour 50 étapes avec guidage. Les deux points de contrôle sont accessibles dans la [collection FLUX.3 Image Klein](https://huggingface.co/collections/black-forest-labs/flux-3-image-klein).

**Une pipeline modulaire** permet de charger FLUX.3 avec `ModularPipeline` après installation des versions récentes de Diffusers et Transformers. Cette intégration utilise l’encodeur de texte Qwen3-VL. Le modèle distillé accepte une description complète précisant le sujet, le décor, la lumière, la composition et le style. Une image de référence peut être fournie avec l’argument `image`. Plusieurs références sont identifiées dans le prompt par `<ref_image_0>`, `<ref_image_1>` et les identifiants suivants. Le dépôt [Diffusers de Hugging Face](https://github.com/huggingface/diffusers) fournit le code d’intégration et les scripts nécessaires pour expérimenter ces usages dès maintenant.

## FLUX.3 place les éléments

**Le contrôle spatial** ajoute une liste JSON de régions à la description. Chaque région possède un identifiant, une boîte englobante et une description. Les coordonnées suivent l’ordre `[y_min, x_min, y_max, x_max]`, sur une échelle normalisée de 0 à 1000. Le même repère fonctionne donc avec différentes tailles d’image. La description mentionne chaque identifiant, afin de placer le contenu dans sa zone. Pour une édition, une région peut aussi indiquer une boîte source dans l’image de référence et une boîte cible dans l’image finale. Le modèle peut ainsi déplacer un élément tout en conservant les autres régions à leur emplacement.

**Deux formats quantifiés** complètent le modèle de base. Black Forest Labs fournit le transformateur en `bf16`, `fp8r` et `nvfp4` dans un fichier unique. `fp8r` vise les architectures dont la capacité de calcul atteint 8.9 ou davantage, notamment Ada, Hopper et Blackwell. `nvfp4` cible Blackwell avec `flashinfer-python` et `flashinfer-cubin` dans la même version. Les mesures publiées indiquent 13,4 GiB après chargement et 15,3 GiB après [inférence](/signal-ia/actu/ai2-analyse-des-continents-en-un-jour-avec-olmoearth) pour `nvfp4` sur RTX6000. Sur H100, `fp8r` atteint respectivement 14,35 et 16,27 GiB, contre 18,80 et 20,72 GiB en `bf16`.

## Les LoRA ciblent deux usages

**Les scripts LoRA** couvrent la génération depuis du texte et la transformation depuis une image. Le modèle de base sert au réglage fin. L’exemple fourni entraîne un style de cartes de tarot avec le jeu `multimodalart/1920-raider-waite-tarot-public-domain`. Cette configuration utilise une résolution de 1024, une taille de lot de 1, un rang de 16 et 1500 étapes d’entraînement. Le déclencheur choisi est `trtcrd`. Pour réduire la mémoire utilisée, Diffusers propose le recalcul des activations, la mise en cache des latents et l’optimiseur 8 bits. Les adaptateurs de l’exemple sont publiés sous `diffusers-modular/flux3-tarot-lora`.