FLUX.2 Klein

FLUX.2 Klein — sub-sekündige Bildgenerierung auf Clore.ai GPUs

FLUX.2 Klein von Black Forest Labs ist der Nachfolger von FLUX.1 und liefert dieselbe Bildqualität bei 20–60× der Geschwindigkeit. Während FLUX.1 10–30 Sekunden pro Bild benötigte, erzeugt FLUX.2 Klein in unter 0,5 Sekunden auf einer RTX 4090. Es ist ein 32B Diffusion Transformer (DiT)-Modell mit Apache-2.0-Lizenz, und seit Januar 2026 wird es sogar experimentell in Ollama unterstützt.

Hauptmerkmale

• < 0,5 Sekunden Generierung: 20–60× schneller als FLUX.1

• 32B DiT-Architektur: Dieselbe Qualität wie FLUX.1 dev

• Apache-2.0-Lizenz: Volle kommerzielle Nutzung

• Ollama-Unterstützung: Experimentelle Bildgenerierung über Ollama (Jan 2026)

• ComfyUI-kompatibel: Drop-in-Ersatz für FLUX.1-Workflows

• LoRA + ControlNet: Community-Adapter verfügbar

Anforderungen

Komponente	Minimum	Empfohlen
GPU	RTX 3090 24GB	RTX 4090 24GB
VRAM	16GB (mit Offloading)	24GB
RAM	32GB	64GB
Festplatte	40GB	60GB
CUDA	12.0+	12.1+

Empfohlene Clore.ai-GPU: RTX 4090 24GB (~0,5–2 $/Tag) — Sub-Sekunden-Generierung

Geschwindigkeitsvergleich: FLUX.1 vs FLUX.2 Klein

GPU	FLUX.1 dev (20 Schritte)	FLUX.2 Klein	Beschleunigung
RTX 3090	~25 Sek.	~1,2 Sek.	20×
RTX 4090	~12 Sek.	~0,4 Sek.	30×
RTX 5090	~8 Sek.	~0,25 Sek.	32×
H100	~5 Sek.	~0,15 Sek.	33×

Schnellstart mit diffusers

import torch
from diffusers import FluxPipeline

pipe = FluxPipeline.from_pretrained(
    "black-forest-labs/FLUX.2-klein",
    torch_dtype=torch.bfloat16
)
pipe.to("cuda")

# Bild in < 0,5 Sekunden erzeugen!
image = pipe(
    prompt="ein Cyberpunk-GPU-Mining-Rig in einem neonbeleuchteten Serverraum, fotorealistisch",
    height=1024,
    width=1024,
    num_inference_steps=4,  # Klein benötigt nur 4 Schritte!
    guidance_scale=3.5,
).images[0]

image.save("output.png")

Speichereffizienter Modus (16GB GPUs)

pipe = FluxPipeline.from_pretrained(
    "black-forest-labs/FLUX.2-klein",
    torch_dtype=torch.bfloat16
)
pipe.enable_model_cpu_offload()  # Passt auf 16GB
pipe.vae.enable_tiling()         # Spart ~2GB

image = pipe("eine Berglandschaft bei Sonnenuntergang", num_inference_steps=4).images[0]

ComfyUI-Workflow

FLUX.2 Klein funktioniert als Drop-in-Ersatz in bestehenden FLUX.1 ComfyUI-Workflows:

1. Lade den FLUX.2 Klein Checkpoint herunter nach ComfyUI/models/diffusion_models/

2. Ändere in deinem Workflow den Checkpoint-Knoten, damit er auf FLUX.2 Klein zeigt

3. Reduziere die Schritte auf 4 (statt 20–50 für FLUX.1)

4. Setze die Guidance-Skala auf 3.0–4.0

# Modell für ComfyUI herunterladen
cd ComfyUI/models/diffusion_models/
wget https://huggingface.co/black-forest-labs/FLUX.2-klein/resolve/main/flux2-klein.safetensors

Batch-Erzeugung

Mit Sub-Sekunden-Generierung ermöglicht FLUX.2 Klein umfangreiche Batch-Verarbeitung:

import torch
from diffusers import FluxPipeline

pipe = FluxPipeline.from_pretrained(
    "black-forest-labs/FLUX.2-klein", torch_dtype=torch.bfloat16
).to("cuda")

prompts = [
    "ein roter Sportwagen auf einer Bergstraße, filmisch",
    "ein gemütliches Café-Innere, warme Beleuchtung",
    "ein Astronaut, der über der Erde schwebt, hyperrealistisch",
    "eine mittelalterliche Burg im Herbst, Fantasy-Kunst",
    # ... füge Hunderte mehr hinzu
]

for i, prompt in enumerate(prompts):
    image = pipe(prompt, num_inference_steps=4, guidance_scale=3.5).images[0]
    image.save(f"batch_{i:04d}.png")
    print(f"Erzeugt {i+1}/{len(prompts)}")

# Auf RTX 4090: ~100 Bilder in unter 1 Minute!

LoRA-Unterstützung

pipe = FluxPipeline.from_pretrained(
    "black-forest-labs/FLUX.2-klein", torch_dtype=torch.bfloat16
).to("cuda")

# Lade eine auf FLUX-Architektur trainierte LoRA
pipe.load_lora_weights("your-lora/flux2-style-lora", weight_name="lora.safetensors")
pipe.fuse_lora(lora_scale=0.8)

image = pipe("ein Porträt im trainierten Stil", num_inference_steps=4).images[0]

Tipps für Clore.ai-Nutzer

• Batch-Verarbeitungs-König: Bei 0,4 Sek./Bild kannst du auf der RTX 4090 über 10.000 Bilder pro Stunde erzeugen

• Nur 4 Schritte: Verwende nicht mehr — Klein ist für 4 Schritte optimiert (mehr verbessert die Qualität nicht)

• Gleiche LoRAs wie für FLUX.1: Die meisten FLUX.1 LoRAs sind mit Klein kompatibel

• ComfyUI Drop-in: Einfach den Checkpoint austauschen, Schritte auf 4 setzen

• RTX 3090 ist brauchbar: 1,2 Sek./Bild ist immer noch großartig bei 0,3 $/Tag

Fehlerbehebung

Problem	Lösung
OOM auf 24GB	Verwenden Sie enable_model_cpu_offload() + vae.enable_tiling()
Verschwommene Bilder	Stelle sicher, dass num_inference_steps=4, nicht weniger. Prüfe guidance_scale 3.0–4.0
Langsame erste Generierung	Normal — Modell lädt beim ersten Aufruf (~30s). Danach: Sub-Sekunden
ComfyUI Checkpoint-Fehler	Stelle sicher, dass du die .safetensors Datei hast, nicht das diffusers-Format

Weiterführende Lektüre

• FLUX.1 Anleitung — originale FLUX-Anleitung mit LoRA- und ControlNet-Details

• ComfyUI Anleitung — ComfyUI-Einrichtung und Workflows

• Black Forest Labs Blog

• HuggingFace Modell