5B小参数大能力：Flux.3 Klein与MOSS Image在Draw Things上手指南

开源图像模型正朝着「参数量更小、能力更强」的方向快速演进。最近在苹果生态的 Draw Things 上，两款 5B 级别的轻量旗舰模型——Flux.3 Klein 与 MOSS Image——相继可用，让消费级硬件跑出顶级生图与编辑能力成为现实。本文基于 B 站 UP 主「工具狂」的实测教程，梳理这两款模型的协议差异、能力特点与实战参数配置，帮助你在 Mac 与 iPad 上快速上手。

小参数趋势下的两款轻量旗舰

Flux.3 Klein 参数量为 5.6B（56 亿），MOSS Image 为 5B，二者都落在 5B 量级。这个级别的意义在于：普通消费级设备足以承载，同时模型能力并未因参数缩减而明显缩水。Flux.3 Klein 延续了上一代的双模能力，既能生成又能编辑；MOSS Image 官方暂不支持原生图像编辑，但在提示词理解、文字（含中文）生成与设计类任务上完成度不错。

两款模型都支持 JSON 结构化提示词精准控制 Bbox 位置生成，这一能力此前主要出现在 Ideogram 4 上。不过三者的 JSON 布局规则并不通用——原点位置、数值范围、坐标排列顺序完全不同，提示词不能直接照搬。UP 主为此更新了自制的 Bbox 元素定位布局工具页，并会分享相应的规则文件与提示词脚本。

Bbox（Bounding Box，边界框） 是计算机视觉中的基础概念，指用矩形坐标框出画面中的目标区域。在文生图模型中，把 Bbox 写进提示词，就等于告诉模型「某个元素应该出现在画面的哪个位置」，从而实现精确的版面控制，而不是任由模型自由构图。常见的坐标写法有 [x1, y1, x2, y2]（左上角与右下角两点）或 [x, y, w, h]（左上角坐标加宽高）两种，原点可能取左上角也可能取中心。正因为这些约定没有统一标准，不同厂商的 JSON 布局规则天然不兼容，跨模型照搬提示词往往会得到完全错位的画面。

LoRA（Low-Rank Adaptation，低秩适配） 是一种轻量化的模型微调技术：它不改动原模型权重，而是在注意力层旁挂接一对小尺寸的低秩矩阵，训练时只更新这部分参数。对于文生图模型，社区最常训练的 LoRA 有两类——风格/角色 LoRA 用于教会模型特定画风或人物，加速 LoRA 则通过蒸馏让模型在 4～8 步内完成原本需要数十步的采样，从而把出图时间压到十几秒。LoRA 体积极小（通常几十到几百 MB），即插即用，在 Draw Things 这类本地客户端里可以直接加载切换。

协议与版本：商用门槛与选型建议

使用协议方面，MOSS Image 采用宽松的 Apache License 2.0，对商业应用和学术研究都友好；Flux.3 Klein 采用 Flux Community License 社区许可，总体允许非商业用途，但对年营业额低于 500 万美元的合格用户提供商业产出豁免权，更大规模的商业化需单独咨询授权。换言之，年营收 500 万美元以下的个人和中小团队可以商用无忧，大公司则需另行购买授权。

版本选择上，MOSS Image 提供 Base 与 SFT 两个版本，SFT 是监督微调版、开箱即用，一般推荐直接使用；Base 版更多用于二次开发或训练微调。即便是 SFT 版本，正常出图也建议 30 步以上，目前已有多个加速 LoRA 可用。Flux.3 Klein 则提供 Base 版与蒸馏加速版，Base 推荐 50 步，蒸馏版默认推荐 16 步。

Apache License 2.0 是业界最宽松的开源协议之一，允许自由使用、修改、再分发，包括商业用途，只要求保留版权声明与许可声明，并附带专利授权条款，因此对企业与学术团队都非常友好。相比之下，社区许可（Community License） 是一种「附条件的开放权重许可」，典型做法是按营收或用户规模划线：小规模使用者可免费商用，超过阈值则需向版权方购买商业授权。Flux 系列采用的正是这一模式，因此使用前务必核对自身的年营业额是否落在豁免区间内，否则合规风险由使用者承担。

SFT（Supervised Fine-Tuning，监督微调） 指在基座模型之上，用人工标注的高质量「指令—输出」配对数据继续训练，使模型更懂人类意图、开箱即可用；代价是可能收窄输出分布，导致风格趋同。Base 版则是未经指令对齐的原始基座，可控性与多样性更强，但需要用户自己写更精细的提示词，也更适合作为二次训练与微调的起点。选择 SFT 还是 Base，本质上是在「易用性」与「多样性/可塑性」之间取舍。

Flux.3 Klein 实战：解剖学改善与编辑能力

UP 主下载模型后的第一件事是测试人体解剖学理解，因为上一代在这一项上表现糟糕，直接影响生成任务的可用性。实测多张图后，仅 5.6B 参数的 Flux.3 Klein 对人物生成总体表现良好，手指、肢体、面部在一般复杂场景下都能应付。出图的质感和细节被认为在某个 2.1 版本模型之上，但综合理解能力、尤其是中文生成能力仍有差距。

参数方面，UP 主分享了三组优质出图参数：一组对应 16 步蒸馏版，另两组搭配 4 步加速 LoRA，可直接下载导入。编辑能力是 Flux.3 Klein 的强项——换头换脸、扩图原生模型即可完成，关键在于提示词写法。配合工具网站先生成扩图底板再粘贴到 Draw Things 生成，或使用专门的扩图 OutPaint LoRA，可让扩图任务更稳定。

最有意思的是 Bbox 元素位置编辑：此前的 Ideogram 4 没有编辑能力，元素位置一换、重新生成后所有元素都会变样；Flux.3 Klein 在编辑模式下改变元素位置后重新生成，仅位置变化，其他元素特征完全不变。UP 主以广告牌与闪电的位置调整为例做了演示。

速度层面，Flux.3 Klein Base 搭配 4 步 LoRA 在 M5 iPad 上升图仅需 10 多秒，UP 主直言「这个速度让人很难不爱」，除中文渲染不行外，很多情况下会把它作为优先选择项。

MOSS Image 实战：文字见长，人物待打磨

MOSS Image 出自 OpenMOSS 团队，由上海创新研究所、复旦大学自然语言处理实验室与 MOSS.ai 联合创立，复旦大学邱锡鹏教授领衔，聚焦大模型、多模态生成及智能体等前沿领域的产学研融合与开源创新。用户一般下载后缀为 SFT 的版本。

实测感受是：该模型生成文字（包括中文）、做设计类任务时，提示词理解与生成完成度都不错；但人物生成，尤其是亚洲人面孔，多数情况下偏向「帅哥脸美女脸」，一眼 AI，有点像更早的 1.0 版本模型。UP 主猜测这与 SFT 有关，Base 版生成的人物在细节和多样性上要好很多。这一判断属于单一来源的主观体验，仅供参考。

MOSS Image 同样支持 JSON 与 Bbox 提示词精准控制画面布局，规则与 Ideogram 4 不同，提示词不能通用。UP 主目前使用三个加速 LoRA，认为最佳效果是 SFT 版本加 8 步的 Chroma D-MDR LoRA，并鼓励大家分享自己的结论。官方没有编辑版，开源社区虽有魔改编辑版，但在 Draw Things 中无法使用；考虑到已有模型的原生编辑能力足够强大，也没有必要折腾魔改版。

工具技能需要沉淀

两款模型之外，开源社区紧接着又出了新的旗舰模型，UP 主坦言已有些疲倦。其结论值得记下：把现有模型用好用透，在 Draw Things 里做好恰当的组合，完全足以满足各种生图与编辑任务；最怕的是每个新模型来了浅尝辄止、新鲜一下就没有然后了。模型迭代不止，但工具技能需要沉淀。