FLUX.2 Klein

FLUX.2 Klein——在 Clore.ai 的 GPU 上实现亚秒级图像生成

FLUX.2 Klein 由 Black Forest Labs 推出，是 FLUX.1 的继任者，在相同图像质量下提供 快 20–60 倍。而 FLUX.1 每张图像需要 10–30 秒，FLUX.2 Klein 在 低于 0.5 秒 在 RTX 4090 上生成。它是一个 32B 的 Diffusion Transformer (DiT) 模型，采用 Apache 2.0 许可证，截至 2026 年 1 月，甚至在 Ollama 中有实验性支持。

主要特性

< 0.5 秒生成：比 FLUX.1 快 20–60×
32B DiT 架构：与 FLUX.1 相同的质量 dev
Apache 2.0 许可证：完全商业使用
Ollama 支持：通过 Ollama 的实验性图像生成（2026 年 1 月）
兼容 ComfyUI：可作为 FLUX.1 工作流的即插即用替代品
LoRA + ControlNet：社区适配器可用

要求

组件

最低

速度比较：FLUX.1 vs FLUX.2 Klein

GPU

FLUX.1 dev（20 步）

FLUX.2 Klein

加速倍数

速度

~25 秒

≈1.2 秒

20×

512x512

≈12 秒

≈0.4 秒

30×

RTX 5090

≈8 秒

≈0.25 秒

32×

H100

~5 秒

≈0.15 秒

33×

使用 diffusers 的快速入门

import torch
from diffusers import FluxPipeline

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

# 在 < 0.5 秒内生成图像！
image = pipe(
    prompt="一个赛博朋克风格的 GPU 挖矿机架在霓虹灯服务器室中，照片级真实感",
    height=1024,
    width=1024,
    num_inference_steps=4,  # Klein 只需 4 步！
    guidance_scale=3.5,
).images[0]

image.save("output.png")

节省内存模式（16GB GPU）

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

image = pipe("日落时的山地风景", num_inference_steps=4).images[0]

IC-Light 可作为 ComfyUI 节点使用：

FLUX.2 Klein 可作为现有 FLUX.1 ComfyUI 工作流的即插即用替代品：

下载 FLUX.2 Klein 检查点到 ComfyUI/models/diffusion_models/
在你的工作流中，将检查点节点更改为指向 FLUX.2 Klein
将步数减少到 4（而不是 FLUX.1 的 20–50）
将指导尺度设置为 3.0–4.0

# 为 ComfyUI 下载模型
cd ComfyUI/models/diffusion_models/
wget https://huggingface.co/black-forest-labs/FLUX.2-klein/resolve/main/flux2-klein.safetensors

批量生成

凭借次秒级生成，FLUX.2 Klein 可实现大规模批处理：

import torch
from diffusers import FluxPipeline

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

prompts = [
    "一辆红色跑车在山路上，电影感",
    "一个舒适的咖啡馆内部，温暖的灯光",
    "一名宇航员悬浮在地球上空，超真实",
    "秋天的中世纪城堡，奇幻艺术",
    # … 再添加数百个
]

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"已生成 {i+1}/{len(prompts)}")

# 在 RTX 4090 上：不到 1 分钟生成约 100 张图像！

支持 LoRA

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

# 加载在 FLUX 架构上训练的 LoRA
pipe.load_lora_weights("your-lora/flux2-style-lora", weight_name="lora.safetensors")
pipe.fuse_lora(lora_scale=0.8)

image = pipe("以训练风格的人像", num_inference_steps=4).images[0]

给 Clore.ai 用户的提示

批处理之王：在 0.4 秒/图像时，你可以在 RTX 4090 上每小时生成 10,000+ 张图像
仅 4 步：不要使用更多步数 — Klein 针对 4 步进行了优化（更多步数不会提升质量）
与 FLUX.1 相同的 LoRA：大多数 FLUX.1 LoRA 与 Klein 兼容
ComfyUI 即插即用：只需替换检查点，将步数改为 4
RTX 3090 也可行：1.2 秒/图像在 $0.3/天下仍然很不错

# 使用固定种子以获得一致结果

问题

解决方案

24GB 上出现 OOM

使用 enable_model_cpu_offload() + vae.enable_tiling()

图像模糊

确保已安装 num_inference_steps=4，不是更少。检查 guidance_scale 3.0–4.0

首次生成缓慢

正常 — 模型在首次调用时加载（约 30 秒）。之后：次秒级

ComfyUI 检查点错误

确保你有 .safetensors 文件，而不是 diffusers 格式