Quem já usou um gerador de imagens conhece a frustração: a imagem ficou boa, mas o cachorro está do lado errado e a placa no meio, quando você a queria no canto. O FLUX.3 Image Klein, da Black Forest Labs, com suporte na biblioteca Diffusers do Hugging Face desde o primeiro dia, traz uma solução direta. Dá para escrever caixas delimitadoras no prompt para dizer onde cada parte da imagem deve ficar e mover elementos tirados de uma imagem de referência.
O modelo faz texto para imagem e edição com várias imagens de referência num único checkpoint. O controle de layout funciona com uma lista JSON de regiões no prompt, cada uma com identificador, caixa e uma descrição curta à qual a legenda principal se refere. Para editar, o prompt descreve a imagem que você quer já com a mudança, e as referências são citadas em ordem. A Black Forest Labs recomenda descrições completas da cena, com tema, ambiente, luz, composição e estilo. O checkpoint destilado gera uma imagem de 1024 x 1024 em 16 passos por padrão, em cerca de 2 segundos numa Nvidia H100, enquanto um checkpoint base roda 50 passos com orientação e serve de ponto de partida para ajuste fino.
Detalhes práticos importam para estúdios menores. Além dos pesos em BF16, a Black Forest Labs oferece versões FP8 por linha e NVFP4 do transformer para GPUs com menos memória, e o Diffusers inclui scripts de treinamento DreamBooth LoRA para geração e edição, para que as equipes ensinem ao modelo um estilo próprio ou um produto. Segundo nossa análise, o modelo tem cerca de 5,6 bilhões de parâmetros e usa um codificador de texto Qwen3-VL-4B, e a API da própria Black Forest Labs cobra de US$ 0,008 por imagem em 768 pixels a US$ 0,036 em 4K.
Controlar o posicionamento sempre foi um dos pontos mais fracos dos modelos de imagem, que costumam tratar a composição como sugestão. Ter isso num modelo de pesos abertos que roda em hardware modesto é útil para designers, anunciantes e quem produz layouts consistentes em grande volume, e o suporte no Diffusers permite encaixá-lo em fluxos existentes.
Confira a licença antes de usar comercialmente. Nossa análise aponta que os pesos só são gratuitos para organizações com receita anual abaixo de US$ 5 milhões; empresas maiores precisam de outro acordo ou da API paga. O número de velocidade vale para uma H100 na resolução padrão, então GPUs menores e imagens maiores serão mais lentas. E o texto do Diffusers mostra o que o controle de layout faz em exemplos escolhidos; quão bem ele respeita as caixas em cenas cheias é algo a testar com seus próprios prompts.