Felo API PlatformFelo API Platform
Terug naar modellen

FLUX 3 Image Klein API

FLUX 3 Image Klein is een open-weight beeldmodel van Black Forest Labs dat tekst-naar-beeld genereert, afbeeldingen bewerkt met één referentie en componeert met maximaal tien referenties.

FLUX 3 Image Klein is een open-weight model van Black Forest Labs voor het genereren en bewerken van afbeeldingen. Het model accepteert tekst- en beeldinvoer en levert beeldoutput. Naast tekst-naar-beeld genereert het aanpassingen op basis van één referentieafbeelding en stelt het composities samen uit maximaal tien referentieafbeeldingen. Met bounding boxes op een raster van 0 tot 1000 stuur je de plaatsing en schaal van beeldelementen, zonder pixels hard te maskeren. Tekst in gegenereerde afbeeldingen wordt weergegeven en resoluties tot 4K zijn mogelijk.

Het model is geschikt voor makers en ontwikkelaars die tekst-naar-beeld willen, voor het bewerken van afbeeldingen met één referentie en voor het samenstellen van beelden uit meerdere referenties. Ook dient het als startpunt voor fine-tuning, LoRA-training en onderzoek vanuit het Klein Base-checkpoint, en voor lokale beeldbewerking op consumentenlaptops of implementatie op eigen infrastructuur met het oog op datasoevereiniteit. Het model gebruikt Qwen3-VL-4B-Instruct als aparte tekstencoder en een9B-parameter vision-language-model als prompt upsampler, die korte verzoeken omzet in gedetailleerde scènebeschrijvingen.

De gedistilleerde Klein-checkpoint werkt in 16 stappen zonder guidance en vormt de basis achter de BFL API; het niet-gedistilleerde Klein Base-checkpoint gebruikt 50 stappen bij CFG 3.5. De generatorgewichten zijn 11,2GB in BF16 en 5,6GB in FP8. Met de INT8-build draait het model met 8GB VRAM op NVIDIA GeForce RTX-GPU's via ComfyUI of Diffusers. Zonder de prompt upsampler worden de resultaten aanzienlijk zwakker; de upsampler staat standaard aan in de CLI, demo en ComfyUI.

Bijgewerkt:

MODEL-ID

flux-3-image-klein
Invoer
text / image
Uitvoer
image

Hoogtepunten

  • Open-weight beeldmodel van Black Forest Labs
  • Tekst-naar-beeld en beeldbewerking
  • Tot10 referentieafbeeldingen
  • Bounding boxes op raster van 0 tot 1000
  • Resoluties tot 4K
  • INT8-build met 8GB VRAM

Aanbieders

1 aanbieders

Vergelijk API-prijzen tussen aanbieders. Kies een aanbieder om alle kosten en voorwaarden te bekijken.

Aanbieder · Prijsdetails
Beschikbaarheid
$0.009

Benchmarks

  • Text-to-image Elo versus FLUX.2 klein

    Verbetering in Elo

    91
  • Image editing Elo versus FLUX.2 klein

    Verbetering in Elo

    70

Scores zoals gepubliceerd door de modelaanbieder.

Snelstart

Verstuur een afbeeldingstaak, controleer de status en sla de afbeeldingen op. De voorbeelden gebruiken curl en de standaardbibliotheek van Python 3.

POST https://openapi.felo.ai/api/v1/images/generations

1API-sleutel instellen

Maak een sleutel in je Felo API Platform-account en stel deze in als omgevingsvariabele.

export FELO_API_KEY="YOUR_API_KEY"

2Je eerste aanvraag doen

Optionele waarden verschillen per model en zijn hier niet ingesteld. Controleer ze in Playground. Velden staan naast model en prompt, zonder input-omslag.

curl --fail-with-body --max-time 60 "https://openapi.felo.ai/api/v1/images/generations" \
  -H "Authorization: Bearer $FELO_API_KEY" \
  -H "Content-Type: application/json" \
  -o created.json \
  -d '{
  "prompt": "A studio product photo of a ceramic coffee cup on warm linen, soft morning light",
  "model": "flux-3-image-klein"
}'

3Taak pollen

De aanvraag retourneert task_id. Controleer elke 3 seconden bij queued of running; stop bij succeeded, failed of interrupted. Maximaal 30 minuten wachten. Bewaar created.json om dezelfde taak verder op te vragen zonder opnieuw te versturen.

python3 - <<'PY'
import json, os, time
from pathlib import Path
from urllib.parse import quote
from urllib.request import Request, urlopen

task = json.loads(Path("created.json").read_text())
task_id = task["task_id"]
url = "https://openapi.felo.ai/api/v1/images/generations/" + quote(task_id, safe="")
headers = {"Authorization": "Bearer " + os.environ["FELO_API_KEY"]}
deadline = time.monotonic() + 1800

while task["status"] in ("queued", "running"):
    if time.monotonic() >= deadline:
        raise TimeoutError(f"Keep task_id={task_id} to resume polling")
    time.sleep(3)
    with urlopen(Request(url, headers=headers), timeout=60) as response:
        task = json.load(response)
    if task.get("task_id") != task_id or task.get("kind") != "image":
        raise ValueError("Unexpected task response")
    print(task["status"])

if task["status"] != "succeeded":
    raise RuntimeError(task.get("error") or task["status"])
if not task.get("outputs"):
    raise ValueError("Task succeeded without image outputs")
Path("task.json").write_text(json.dumps(task))
print("Saved task.json")
PY

4Uitvoer downloaden

Sla na succes outputs uit task.json op. HTTPS-URL’s, URL-objecten en b64_json worden ondersteund. Download ondertekende URL’s tijdig; daarvoor is geen API-sleutel nodig.

python3 - <<'PY'
import base64, json
from pathlib import Path
from urllib.request import urlopen

task = json.loads(Path("task.json").read_text())
if task.get("status") != "succeeded" or not task.get("outputs"):
    raise ValueError("No completed image outputs")
extensions = {"image/png": ".png", "image/jpeg": ".jpg", "image/webp": ".webp", "image/gif": ".gif", "image/avif": ".avif"}

for index, output in enumerate(task["outputs"], 1):
    item = output if isinstance(output, dict) else {}
    url = output if isinstance(output, str) else item.get("url") or item.get("unsigned_url")
    mime = item.get("media_type") or "image/png"
    if url and url.startswith("https://"):
        with urlopen(url, timeout=60) as response:
            data = response.read()
            mime = response.headers.get_content_type()
    elif url and url.startswith("data:image/") and ";base64," in url:
        header, encoded = url.split(",", 1)
        mime = header[5:].split(";", 1)[0]
        data = base64.b64decode(encoded, validate=True)
    elif item.get("b64_json"):
        data = base64.b64decode(item["b64_json"], validate=True)
    else:
        raise ValueError("Unrecognized image output")
    path = Path(f"image-{index}" + extensions.get(mime, ".bin"))
    path.write_bytes(data)
    print(path)
PY
input_references

Vervang voor bewerking de voorbeeld-URL door je HTTPS-afbeeldings-URL of een base64-afbeeldings-data-URL. Verstuur één keer en volg dezelfde controle- en opslagstappen.

curl --fail-with-body --max-time 60 "https://openapi.felo.ai/api/v1/images/generations" \
  -H "Authorization: Bearer $FELO_API_KEY" \
  -H "Content-Type: application/json" \
  -o created.json \
  -d '{
  "prompt": "Keep the product and framing. Replace the background with a sunlit marble countertop.",
  "model": "flux-3-image-klein",
  "input_references": [
    {
      "type": "image_url",
      "image_url": {
        "url": "https://example.com/product.png"
      }
    }
  ]
}'

Ondersteunde parameters

  • n
  • seed
  • resolution
  • aspect_ratio
  • output_format
  • input_references

Liever de volledige referentie?

API-referentie →

Veelgestelde vragen

Wat is FLUX 3 Image Klein?

FLUX 3 Image Klein is een open-weight model van Black Forest Labs voor het genereren en bewerken van afbeeldingen. Het model accepteert tekst- en beeldinvoer en levert beeldoutput. Naast tekst-naar-beeld genereert het aanpassingen op basis van één referentieafbeelding en stelt het composities samen uit maximaal tien referentieafbeeldingen. Met bounding boxes op een raster van 0 tot 1000 stuur je de plaatsing en schaal van beeldelementen, zonder pixels hard te maskeren. Tekst in gegenereerde afbeeldingen wordt weergegeven en resoluties tot 4K zijn mogelijk. Het model is geschikt voor makers en ontwikkelaars die tekst-naar-beeld willen, voor het bewerken van afbeeldingen met één referentie en voor het samenstellen van beelden uit meerdere referenties. Ook dient het als startpunt voor fine-tuning, LoRA-training en onderzoek vanuit het Klein Base-checkpoint, en voor lokale beeldbewerking op consumentenlaptops of implementatie op eigen infrastructuur met het oog op datasoevereiniteit. Het model gebruikt Qwen3-VL-4B-Instruct als aparte tekstencoder en een9B-parameter vision-language-model als prompt upsampler, die korte verzoeken omzet in gedetailleerde scènebeschrijvingen. De gedistilleerde Klein-checkpoint werkt in 16 stappen zonder guidance en vormt de basis achter de BFL API; het niet-gedistilleerde Klein Base-checkpoint gebruikt 50 stappen bij CFG 3.5. De generatorgewichten zijn 11,2GB in BF16 en 5,6GB in FP8. Met de INT8-build draait het model met 8GB VRAM op NVIDIA GeForce RTX-GPU's via ComfyUI of Diffusers. Zonder de prompt upsampler worden de resultaten aanzienlijk zwakker; de upsampler staat standaard aan in de CLI, demo en ComfyUI.

Hoe wordt het gebruik gefactureerd?

Je factuur hangt af van de aanbieder die je gebruikt, de prijzen en je verbruik. Langere invoer of andere voorwaarden kunnen andere prijzen hebben.

Welke invoer en uitvoer ondersteunt FLUX 3 Image Klein?

Het model accepteert tekst- en beeldinvoer en levert beeldoutput. Het genereert afbeeldingen uit tekstprompts, bewerkt met één referentieafbeelding en componeert uit maximaal tien referentieafbeeldingen.

Tot welke resolutie kan het model afbeeldingen genereren?

Het ondersteunt resoluties tot 4K.

Wat is het verschil tussen de gedistilleerde Klein-checkpoint en Klein Base?

De gedistilleerde Klein-checkpoint draait in 16 stappen zonder guidance en vormt de basis achter de BFL API. Klein Base is niet gedistilleerd en gebruikt 50 stappen bij CFG 3.5.

Waarvoor dient de prompt upsampler?

De prompt upsampler zet korte verzoeken om in gedetailleerde scènebeschrijvingen. Zonder de upsampler worden de resultaten aanzienlijk zwakker; hij staat standaard aan in de CLI, demo en ComfyUI.

Op welke hardware kan het model lokaal draaien?

Met de INT8-build draait het model met 8GB VRAM op NVIDIA GeForce RTX-GPU's via ComfyUI of Diffusers.

Gerelateerde modellen