画像生成ツールを使ったことがある人なら、あのもどかしさを知っているはずです。絵はよくできているのに犬が反対側にいて、隅に置きたかった看板が真ん中にある、という具合です。Hugging FaceのDiffusersライブラリが初日から対応したBlack Forest LabsのFLUX.3 Image Kleinは、これを直接解決します。プロンプトにバウンディングボックスを書き込んで画像の各部分をどこに置くかを指定でき、参照画像から取った要素を動かすこともできます。
このモデルは、テキストからの画像生成と、複数の参照画像を使った編集の両方を1つのチェックポイントで扱います。レイアウトの指定は、プロンプト内の領域のJSONリストで行います。各領域には識別子、ボックス、短い説明があり、主な説明文からそれを参照します。編集では、変更を反映した完成形の画像をプロンプトで説明し、参照画像は順番に指定します。Black Forest Labsは、被写体、場面、光、構図、スタイルを含むシーン全体の説明を勧めています。蒸留済みのチェックポイントは既定で16ステップで1024 x 1024の画像を作り、Nvidia H100では約2秒で済みます。一方、ベースのチェックポイントはガイダンス付きで50ステップかかり、微調整の出発点として位置づけられています。
小規模なスタジオには実用面の配慮が重要です。Black Forest Labsは、BF16の重みに加え、メモリの少ないGPU向けに行単位のFP8版とNVFP4版のトランスフォーマーも提供しており、Diffusersには生成と編集の 両方に使えるDreamBooth LoRAの学習スクリプトが含まれているため、チームは自社のスタイルや製品をモデルに覚えさせられます。私たちのレビューによると、このモデルのパラメータは約56億で、テキストエンコーダーにQwen3-VL-4Bを使い、Black Forest Labs自身のAPIは768ピクセルで1枚0.008ドルから4Kで0.036ドルです。
配置の制御は、構図を提案程度にしか扱わないことの多い画像モデルの最大の弱点の1つでした。それが控えめなハードウェアで動くオープンウェイトモデルで使えるのは、デザイナー、広告担当者、一貫したレイアウトを大量に作る人にとって役に立ち、Diffusersの対応で既存の処理の流れにも組み込めます。
商用で使う前にライセンスを確認してください。私たちのレビューでは、重みが無料なのは年間売上500万ドル未満の組織に限られ、それより大きな企業は別の契約か有料のAPIが必要です。速度の数字は既定の解像度でのH100のもので、小さなGPUや大きな画像では遅くなります。また、Diffusersの記事が示すのは選ばれた例でのレイアウト制御の力であり、混み合った場面でどれだけ確実にボックスを守るかは、自分のプロンプトで試す必要があります。