بلک فارست لبز مدل FLUX 3 Klein را منتشر کرد؛ تصویرسازی قدرتمند هوش مصنوعی، کاملاً رایگان برای کسب‌وکارهای کوچک!

استارتاپ آلمانی بلک فارست لبز (Black Forest Labs) که در زمینه تولید ویدیو و تصویر با هوش مصنوعی فعالیت می‌کند، وزن‌های مدل جدید خود به نام FLUX 3 Image Klein را به صورت عمومی و باز منتشر کرد؛ مدلی با ۵.۶ میلیارد پارامتر که به توسعه‌دهندگان اجازه می‌دهد تصاویر را مستقیماً روی سخت‌افزار شخصی خود بسازند، ویرایش کنند و سفارشی‌سازی نمایند.

به گفته این شرکت، نسخه کلاین (Klein) بخش عمده‌ای از توانمندی‌های مدل بزرگ‌تر FLUX 3 Image را که تابستان گذشته معرفی شده بود، حفظ کرده است؛ از جمله:

• تولید خروجی بومی با کیفیت فوق‌العاده 4K

• کنترل مکانی دقیق و ویرایش هوشمند بر اساس تصاویر مرجع

• امکان اجرا روی کارت‌های گرافیک و لپ‌تاپ‌های معمولی با حداقل ۸ گیگابایت حافظه ویدیویی (VRAM)

این عرضه عمومی شامل یک نسخه پایه (Base) برای فاین‌تیون و سازگاری، یک نسخه تقطیرشده (Distilled) بسیار سریع‌تر، و نگارش‌های کوانتایزشده در قالب‌های FP8، NVFP4 و INT8 است که اجرای مدل را با حداقل منابع پردازشی ممکن می‌سازند.

برای شرکت‌ها و فعالان تجاری، مهم‌ترین و سرنوشت‌سازترین بخش این خبر، نوع مجوز استفاده آن است؛ بلک فارست لبز امکان استفاده تجاری رایگان را برای تمامی افراد و کسب‌وکارهایی که درآمد سالانه‌شان کم‌تر از ۵ میلیون دلار است فراهم کرده است.

البته سازمان‌ها و شرکت‌های بزرگ‌تر برای میزبانی مستقل و تجاری مدل روی سرور‌های خود به توافق‌نامه جداگانه‌ای نیاز دارند، یا این‌که می‌توانند از رابط برنامه‌نویسی کاربردی (API) اختصاصی این شرکت استفاده کنند؛ جایی که هزینه تولید هر تصویر با کیفیت 1K تنها از ۰.۰۰۹ دلار شروع می‌شود.

به این ترتیب، مدل کلاین گزینه‌ای بسیار جذاب برای تولید محلی تصاویر هوش مصنوعی به شمار می‌رود، هرچند که امکان دانلود وزن‌های مدل به معنی دادن مجوز تجاری نامحدود به همه شرکت‌ها نیست.

مدلی جمع‌وجورتر برای محیط‌های کاری خصوصی و انعطاف‌پذیر

مدل کلاین از تولید تصویر بر اساس دستورات متنی (پرامپت)، اعمال تغییرات روی تصاویر موجود، و خلق تصویر با الهام از چندین عکس مرجع به خوبی پشتیبانی می‌کند. بلک فارست لبز اعلام کرده که این مدل از کادرهای محدودکننده (Bounding Boxes) هم پشتیبانی می‌کند و توسعه‌دهندگان می‌توانند محل دقیق هر المان در تصویر را تعیین کنند.

این شرکت مدل پایه را نقطه شروعی برای فاین‌تیون و شخصی‌سازی معرفی کرده است. در سوی دیگر، نسخه تقطیرشده به گام‌های کمتری برای تولید تصویر نیاز دارد و تأخیر زمانی بسیار کمتری رقم می‌زند، در حالی که نسخه‌های فشرده‌شده با کاهش دقت محاسباتی، نیاز به حافظه رم را به حداقل می‌رسانند.

بلک فارست لبز از ابزار‌های محبوبی مثل ComfyUI، کتابخانه Diffusers هاگینگ فیس، ابزار Ostris AI Toolkit، فریم‌ورک‌های vLLM-Omni و SGLang Diffusion پشتیبانی می‌کند. همچنین برنامه‌نویسان می‌توانند با استفاده از ابزار Nvidia NeMo AutoModel مدل را به سادگی شخصی‌سازی کنند. سازندگان می‌گویند مدل کلاین روی پردازنده‌های گرافیکی قدرتمند Nvidia GB200 در سیستم‌های سروری NVL72 آموزش دیده و برای پلتفرم‌های محاسباتی انویدیا بهینه‌سازی شده است.

تیم BFL حداقل کارت گرافیک لازم برای اجرای محلی روی سخت‌افزارهای GeForce RTX را ۸ گیگابایت اعلام کرده است. البته هنوز مشخص نشده این حداقل حافظه به کدام نسخه از مدل، چه وضوح تصویری یا چه مدت زمانی برای تولید اختصاص دارد، و در نمودارهای سرعت منتشرشده نیز سیستم‌های ۸ گیگابایتی یا خروجی 4K مورد سنجش مستقیم قرار نگرفته‌اند. به همین دلیل هرچند کاربران درک بهتری از سخت‌افزارهای پشتیبانی‌شده دارند، اما همچنان برای پیش‌بینی دقیق عملکرد روی حداقل مشخصات سیستم، به جزئیات بیشتری نیاز است.

جذابیت اصلی این ماجرا برای شرکت‌ها، «کنترل کامل» است. هر شرکتی می‌تواند مدل را با تصاویر نمونه خود هماهنگ کند و آن را مستقیماً درون سرور‌ها و زیرساخت بومی خود اجرا کند، بدون این‌که مجبور باشد درخواست‌های تولید تصویر را از طریق سرویس‌های ابری بیرونی ردوبدل کند. عکاسی تجاری از محصولات، تولید المان‌های یکپارچه برند و ابزار‌های طراحی درون‌سازمانی از جمله مهم‌ترین کاربردهای بالقوه کلاین به شمار می‌روند.

البته نباید فراموش کرد که نسخه تقطیرشده‌ای که روی API ابری خود بلک فارست لبز ارائه می‌شود، شامل پایپ‌لاین پیشرفته پردازش پرامپت و سیستم اختصاصی ویرایش هدفمند این شرکت است؛ بنابراین نتایج بنچمارک‌های نسخه ابری لزوماً بازتاب‌دهنده عملکرد نسخه محلی بدون تغییر روی سیستم شما نخواهد بود.

مرز باریک و تعیین‌کننده مجوز تجاری

این نسخه تحت مجوز جدیدی موسوم به FLUX Kommunity License منتشر شده است. به گفته سازندگان، کسب‌وکارهایی با گردش مالی کم‌تر از ۵ میلیون دلار در سال می‌توانند بدون هیچ پرداختی از کلاین به صورت تجاری بهره ببرند، اما شرکت‌های بزرگ‌تر باید حق امتیاز میزبانی محلی را بخرند یا اشتراک API تهیه کنند.

مجوز منتشرشده قبلی برای مدل FLUX 3 Action نشان می‌دهد که شرط درآمد ناخالص سالانه، شامل درآمد شرکت‌های وابسته و زیرمجموعه‌ها نیز می‌شود. این مجوز همچنین شروطی را برای بازبینی یا فیلترینگ خروجی‌ها و بازنشر مدل تعیین کرده است. با وجود این‌که متن قبلی چارچوب کلی این مجوزها را مشخص می‌کند، اما شرایط دقیق هنگام دانلود فایل‌های کلاین، سند نهایی و ملاک عمل خواهد بود.

این تفاوت به‌ویژه برای زیرمجموعه‌های کوچک یک هلدینگ یا تیم‌های تحقیقاتی در شرکت‌های بزرگ حائز اهمیت است؛ چرا که بودجه یک پروژه خاص به تنهایی ملاک نیست، بلکه درآمد کل مجموعه ارزیابی خواهد شد.

بر اساس اطلاعات مندرج در مستندات قیمت‌گذاری API شرکت، هزینه تولید تصویر با ابعاد ۷۶۸ در ۷۶۸ پیکسل معادل ۰.۰۰۸ دلار، با وضوح 1K برابر ۰.۰۰۹ دلار، ابعاد 1.5K برابر ۰.۰۱۱ دلار، وضوح 2K معادل ۰.۰۱۴ دلار و کیفیت فوق‌العاده 4K نیز ۰.۰۳۶ دلار تعیین شده است.

در هر رزولوشن، هزینه تولید تصویر جدید یا ویرایش تصاویر قبلی کاملاً یکسان است. البته بلک فارست لبز هنوز نرخ مشخص و ثابتی را برای قراردادهای میزبانی تجاری مستقل در شرکت‌های بزرگ اعلام نکرده است.

در گزارش‌های قبلی اعلام شده بود که تعرفه این API حدود یک‌چهارم قیمت رقبای پیشتاز در حوزه مدل‌های باز است، هرچند نام رقیب مورد مقایسه یا تنظیمات فنی خروجی به شکل دقیق ذکر نشد.

فراموش نکنید که رایگان بودن مجوز تجاری، هزینه‌های پردازش، فضای ذخیره‌سازی، هماهنگ‌سازی و نگهداری را صفر نمی‌کند. قطعاً حساب‌وکتاب تیمی که از کارت‌های گرافیک آزاد خود استفاده می‌کند با شرکتی که قصد راه‌اندازی سرویسی با ترافیک پیوسته دارد، کاملاً متفاوت خواهد بود.

آنچه نمودارهای بنچمارک نشان می‌دهند و پرسش‌هایی که بی‌پاسخ ماندند

بلک فارست لبز ادعا می‌کند که طبق ارزیابی‌های درون‌سازمانی، مدل کلاین در شاخص‌های تولید تصویر، ساخت بر اساس نمونه‌های مرجع و ویرایش، گوی سبقت را از سایر مدل‌های برتر دارای وزن‌های قابل دانلود ربوده است.

در نمودارهای مقایسه‌ای منتشرشده، مدل کلاین و نسخه پایه آن با رقبایی همچون Qwen-Image 2.1، مدل Ideogram 4.5، نسخه‌های FLUX.2 [pro] و FLUX.2 [klein] 9B، و همچنین Krea 2 مقایسه شده‌اند. این مقایسه‌ها هم بر اساس نرخ ترجیح کیفی کاربران در برابر ابعاد مدل، و هم میزان تأخیر API در تولید تصاویر یک مگاپیکسلی دسته‌بندی شده‌اند.

در نمودار تأخیر زمانی API، مدل کلاین توانسته است در هر دو بخش تولید متن به تصویر و ویرایش تصاویر، امتیاز رضایت و ترجیح بالاتری نسبت به گزینه‌های دیگر کسب کند. برای یک تصویر یک مگاپیکسلی، نسخه تقطیرشده به حدود ۵ ثانیه برای تولید و ۷ ثانیه برای ویرایش زمان نیاز دارد، در حالی که این زمان‌ها برای مدل پایه به ترتیب حدود ۱۱ و ۲۲ ثانیه ثبت شده‌اند؛ اعدادی که برگرفته از نمودارهای خود شرکت هستند و هنوز توسط مراجع مستقل اعتبارسنجی نشده‌اند.

بلک فارست لبز همچنین نتایج سرعت اجرای محلی را با ذکر نوع سخت‌افزار، دقت محاسباتی و تعداد مراحل نمونه‌برداری به اشتراک گذاشته است.

روی کارت گرافیک پرچمدار RTX 5090 و با نسخه فشرده INT8، مدل تقطیرشده ۱۶ مرحله‌ای تنها ۴.۱ ثانیه زمان می‌برد تا یک تصویر ۱۰۲۴ در ۱۰۲۴ پیکسلی تولید کند و ویرایش آن ۷.۲ ثانیه طول می‌کشد. در وضوح ۲۰۴۸ در ۲۰۴۸ پیکسل، این زمان‌ها به ترتیب به ۱۵ ثانیه و ۴۳ ثانیه افزایش پیدا می‌کنند.

در همان کارت گرافیک، مدل پایه ۵۰ مرحله‌ای برای وضوح ۱۰۲۴ در ۱۰۲۴ به ۱۲.۵ ثانیه برای تولید و ۲۷.۴ ثانیه برای ویرایش نیاز دارد و در وضوح ۲۰۴۸ در ۲۰۴۸ نیز این ارقام به ترتیب به ۷۹.۸ و ۲۳۶ ثانیه می‌رسند.

سازندگان تأکید کرده‌اند که هرکدام از این رکوردها مربوط به سریع‌ترین بیلد بهینه‌شده برای آن تراشه گرافیکی بوده و در آزمون تک‌تصویر سنجیده شده است.

اختلاف کارایی میان کارت‌های گرافیک مصرفی خانگی بسیار چشمگیر و قابل توجه است.

در همان آزمون ۱۶ مرحله‌ای، یک کارت گرافیک RTX 4070 برای تولید تصویر ۱۰۲۴ در ۱۰۲۴ پیکسلی به ۸.۹ ثانیه و در ابعاد ۲۰۴۸ در ۲۰۴۸ به ۵۰.۴ ثانیه زمان نیاز دارد؛ همچنین زمان ویرایش در این دو کیفیت به ترتیب ۱۸.۹ ثانیه و ۱۵۰ ثانیه ثبت شده است.

در ایستگاه پردازشی فوق‌العاده DGX Station، زمان تولید تصویر ۱۰۲۴ در ۱۰۲۴ تنها ۰.۵۹ ثانیه و برای ابعاد ۲۰۴۸ در ۲۰۴۸ حدود ۲.۲ ثانیه بوده است. البته باید در نظر داشت که در این نمودارها، برای کارت‌های سری GeForce از فرمت INT8 و برای سیستم‌های DGX Station و DGX Spark از فرمت NVFP4 استفاده شده؛ بنابراین این اعداد یک مقایسه آزمایشگاهی کاملاً خالص میان چیپ‌ها به حساب نمی‌آیند و صرفاً توان پردازش بومی را نشان می‌دهند، نه کل زمان یک درخواست اینترنتی از طریق API.

طبیعتاً این داده‌ها حاصل ارزیابی‌های داخلی شرکت بلک فارست لبز هستند؛ نمودارهای ترجیح کیفی اطلاعات کاملی از جزئیات پرامپت‌ها، سیستم داوری، حجم نمونه‌ها یا میزان خطای آماری ارائه نمی‌دهند تا بتوان برتری کیفی آن را به طور مستقل تأیید کرد.

این ارقام سرعت تولید و ویرایش را روی چند کارت گرافیک خاص نشان می‌دهند، اما هیچ تستی از رقبا روی همان سخت‌افزارها، ارزیابی مصرف انرژی یا هزینه‌های جاری، و مقایسه کیفی نسخه ۱۶ مرحله‌ای با نسخه ۵۰ مرحله‌ای پایه ارائه نکرده‌اند؛ ضمن این‌که هنوز هیچ آماری از سرعت تولید واقعی تصاویر در وضوح 4K ارائه نشده است.

علاوه بر این، در نمودارهای مقایسه‌ای از مدل قدیمی‌تر Krea 2 استفاده شده، نه نسخه تازه Krea 3 که به تازگی رونمایی شده است. همچنین خبری از مدل‌های مطرحی چون GPT Image 2.5 اوپن‌ای‌آی یا مدل Nano Banana 2.1 گوگل در این نمودارها نیست؛ در نتیجه نمی‌توان ادعا کرد که کلاین لزوماً در تمام بخش‌ها بازار مدل‌های تصویرساز را رهبری می‌کند.

رقبا چه ترکیب‌هایی از دسترسی و کنترل را پیشنهاد می‌دهند؟

نزدیک‌ترین رقیب این مدل، مدل Qwen-Image 2.1 علی‌بابا است؛ یک هوش مصنوعی بصری ۷ میلیارد پارامتری با وزن‌های قابل دانلود که تولید و ویرایش تصویر را به طور همزمان پوشش می‌دهد، از پس‌زمینه شفاف (Transparency) پشتیبانی می‌کند و می‌تواند همزمان تا ۱۰ تصویر مرجع دریافت کند.

با این حال، مجوز تحقیقاتی Qwen-Image 2.1 استفاده عادی از آن را به پژوهش‌های غیرتجاری و ارزیابی محدود کرده و بهره‌برداری تجاری مستلزم دریافت مجوز اختصاصی است. اینجاست که اجازه استفاده تجاری رایگان کلاین برای کسب‌وکارهای کوچک‌تر، یک مزیت بزرگ ایجاد می‌کند. البته مدل قدیمی‌تر Qwen-Image-Edit از لایسنس کاملاً باز Apache 2.0 بهره می‌برد و به همین دلیل کاربران باید شرایط هر نسخه را جداگانه بررسی کنند.

از طرف دیگر، مدل Ideogram 4.5 قابلیت‌های تولید و ویرایش تصویر را از طریق اپلیکیشن، MCP و API با خروجی بومی 2K ارائه می‌دهد و تأکید ویژه‌ای بر حفظ کیفیت تصویر در ویرایش‌های متوالی دارد. در نقطه مقابل، تمرکز کلاین بر دانلود، اجرای شخصی و سفارشی‌سازی کامل است؛ ضمن این‌که بنچمارک‌های ارائه‌شده ادعای ایدئوگرام در حفظ کیفیت در ویرایش‌های مکرر را نسنجیده‌اند.

در غول‌های بزرگ‌تر، مدل GPT Image 2.5 شرکت OpenAI با دو حالت Sunburst برای دقت در ویرایش و Flare برای تولید سریع روزمره همراه شده و امکان ویرایش تعاملی و مکالمه‌محور را فراهم می‌کند. در سوی دیگر، مدل Nano Banana 2.1 شرکت گوگل از تولید و ویرایش در کیفیت‌های 1K، 2K و 4K، گردش‌کارهای مبتنی بر تصویر مرجع و اتصال به اطلاعات زنده جستجوی گوگل پشتیبانی می‌کند.

این سرویس‌های ابری برای سازمان‌هایی که ترجیح می‌دهند کل زیرساخت و مدیریت فنی توسط شرکت ارائه‌دهنده اداره شود بسیار مناسبند، اما کلاین راهکاری متفاوت پیش روی کسب‌وکارهایی می‌گذارد که می‌خواهند صفر تا صد مدل را خودشان مدیریت کنند.

معرفی همزمان Krea 3 نیز رقابت در حوزه شخصی‌سازی و قیمت را داغ‌تر کرده است. طبق اطلاعات منتشرشده از سوی تیم کِره‌آ، هزینه تولید تصویر با کیفیت 1K برابر ۰.۰۳ دلار و برای وضوح 2K معادل ۰.۰۶ دلار اعلام شده و امکان فاین‌تیون اختصاصی برای محصولات، چهره‌ها یا سبک‌های خاص فراهم شده است؛ مواردی که البته ادعاهای تبلیغاتی سازندگان Krea هستند، نه نتایج مقایسه‌های فنی مستقل.

منابع: مستندات رسمی معرفی محصولات BFL و Krea و اسناد ارائه‌دهندگان مذکور. این جدول الگوهای دسترسی را مقایسه می‌کند و رتبه‌بندی کیفی مشترک محسوب نمی‌شود.

مقایسه قیمت API کلاین با رقبای سرشناس

تعرفه اعلام‌شده برای مدل کلاین یعنی ۰.۰۰۹ دلار برای تصاویر 1K و ۰.۰۱۴ دلار برای کیفیت 2K، بسیار کم‌تر از نرخ ۰.۰۳ و ۰.۰۶ دلاری رقیبی چون Krea است.

جالب این‌که نسخه بزرگ‌تر FLUX 3 Image در زمان معرفی، با قیمت ۰.۰۴۸ دلار به ازای هر تصویر 1K در صفحه تعرفه‌ها عرضه شده بود. البته این مبالغ مربوط به مدل‌های متفاوتی است و لزوماً به معنی کیفیت خروجی یکسان نیست. سازندگان اعلام کرده‌اند که در کلاین، تولید و ویرایش تصویر در هر وضوح هزینه یکسانی دارد.

در همین حال، لیست قیمت‌های گوگل هزینه هر تصویر خروجی مدل Nano Banana 2.1 را ۰.۰۳۳۶ دلار برای 1K، حدود ۰.۰۵۰۴ دلار برای 2K و ۰.۱۱۳ دلار برای 4K اعلام کرده است؛ ارقامی که البته هزینه‌های پردازش ورودی، تولید متن، استدلال هوش مصنوعی و هرگونه جستجوی تحت وب را شامل نمی‌شود.

از سوی دیگر، اوپن‌ای‌آی در مستندات خود قیمت مدل GPT Image 2.5 را ۳۰ دلار به ازای هر یک میلیون توکن خروجی به علاوه هزینه‌های توکن‌های ورودی تعیین کرده است. از آن‌جا که مجموع هزینه هر تصویر متناسب با اندازه و کیفیت متغیر است، محاسبه هزینه بر پایه توکن یک نرخ ثابت به ازای هر تصویر نهایی به حساب نمی‌آید.

به این ترتیب، تعرفه‌های اعلام‌شده کلاین برای هر تصویر، به وضوح پایین‌تر از هزینه‌های اعلامی گوگل در کیفیت‌های 1K، 2K و 4K قرار می‌گیرد، هرچند که قیمت‌های گوگل شامل دیگر فاکتورهای قابل پرداخت نیست.

بنابراین، مقایسه واقعی مجموع هزینه‌ها نیازمند شبیه‌سازی بار کاری یکسان و محاسبه تمام جزئیات پرداختی هر ارائه‌دهنده خواهد بود.

پایه‌های مشترک تولید تصویر و رباتیک؛ یک زیربنا با دو خروجی متفاوت

بلک فارست لبز مدل کلاین را برگرفته از همان پایه بنیادین FLUX 3 توصیف می‌کند که مدل رباتیک اخیر آن‌ها یعنی FLUX 3 Action نیز بر آن استوار است. به گفته این شرکت، آموزش مشترک روی تصویر، ویدیو و صوت باعث می‌شود تا هوش مصنوعی ساختار بصری و رفتار فیزیکی اشیاء را عمیق‌تر درک کند. با این حال قابلیت‌های رسمی اعلام‌شده برای کلاین منحصراً به تصاویر مربوط می‌شود و این نسخه به تنهایی برای کنترل مستقیم ربات‌ها طراحی نشده است.

رابین رومباخ (Robin Rombach)، هم‌بنیان‌گذار و مدیرعامل بلک فارست لبز در بیانیه این رونمایی گفت: «خانواده FLUX 3 به جامعه هوش مصنوعی اجازه می‌دهد تا یک پایه و اساس مشترک را متناسب با نیازهای بسیار متفاوت، از کار‌های خلاقانه بصری گرفته تا علم رباتیک، شخصی‌سازی و هماهنگ کنند.»

این شرکت همچنین اعلام کرده که پارتنر بیرونی آن‌ها یعنی Cinder پیش از عرضه رسمی، هر دو نسخه کلاین را از نظر ایمنی ارزیابی کرده است. این ارزیابی به دنبال فیلتر دقیق دیتاست‌های آموزشی و دوره‌های تکمیلی پس‌آموزش انجام شد تا تولید محتوای مخرب محدود شود. طبق گزارش‌ها، آسیب‌پذیری‌های این مدل در مقایسه با سایر مدل‌های محبوب وزن‌باز کم‌تر بوده است، هرچند داده‌های آماری دقیق یا روش‌شناسی کاملی در بیانیه منتشر نشده است.

برای کسب‌وکارها، ارزش واقعی کلاین به این بستگی دارد که آیا کنترل محلی بر داده‌ها، امکان سفارشی‌سازی و مجوز تجاری رایگان، جذابیت بیشتری نسبت به راهکارهای آماده ابری برایشان ایجاد می‌کند یا خیر.

نتایج تست‌های گرافیکی به خوبی نشان می‌دهند که چرا انتخاب رزولوشن، نسخه مدل و سخت‌افزار، فاکتورهایی حیاتی در این معادله اقتصادی هستند؛ رفتن از کیفیت 1K به 2K روی یک کارت گرافیک معمولی می‌تواند زمان پردازش را از چند ثانیه به ده‌ها ثانیه یا حتی چند دقیقه برساند. در حالی که نرخ‌های اعلام‌شده هزینه استفاده از API را شفاف کرده است، توافقات تجاری برای میزبانی محلی شرکت‌های بزرگ همچنان نیازمند بستن قراردادهای اختصاصی خواهد بود.