FLUX.3 in Diffusers: si parte in 3 righe (e i numeri veri)

FLUX.3 Image Klein gira in Diffusers dal primo giorno con la ModularPipeline: tre righe per caricare il checkpoint distillato e generare. Il post ufficiale di Hugging Face aggiunge i numeri misurati: quanto pesa, quanto è veloce e come quantizzarlo.

Si parte in tre righe

pip install -U diffusers transformers

import torch
from diffusers import ModularPipeline

pipe = ModularPipeline.from_pretrained("black-forest-labs/flux-3-image-klein")
pipe.load_components(dtype=torch.bfloat16)
pipe.to("cuda")

pipe(prompt="a red fox", output="images")[0].save("fox.png")

Il checkpoint distillato genera un'immagine 1024x1024 in 16 passi: circa 2 secondi su H100. Il modello base fa 50 passi con guidance ed è quello da usare per il fine-tuning.

Quanto pesa davvero

• bf16: 18,8 GB al load, 20,7 GB in inferenza (H100).
• fp8r: 14,3 GB al load, 16,3 GB in inferenza.
• nvfp4: 13,4 GB al load, 15,3 GB in inferenza (RTX 6000).

Con la variante nvfp4 servono circa 15 GB: una workstation con una 24GB ce la fa. I quantizzati si caricano da file singolo senza scaricare anche il transformer bf16.

Modulare sul serio

La pipeline è componibile: puoi estrarre il text encoder, codificare il prompt una volta, liberarlo dalla VRAM e generare più varianti dagli embedding salvati. Oppure inserire un blocco tuo dentro il loop di denoising.

LoRA pronti

Diffusers fornisce gli script DreamBooth LoRA sia per text-to-image che per image editing, più una guida completa con pesi gia' allenati in esempio. Il base è il checkpoint da cui partire per addestrare.

Provalo senza installare niente

La Space ufficiale gira su Zero GPU: text-to-image, editing e box direttamente dal browser, prima di decidere se installarlo in locale.

Da dove partire

Fonte: Blog Hugging Face: FLUX.3 in Diffusers — Numeri misurati, memoria, LoRA, pipeline modulare

Fonte: Space ufficiale (prova nel browser) — Generazione ed editing su Zero GPU