要点
- FLUX 3 Image Klein（Black Forest Labs）：Qwen3-VL-4B-Instruct 文本条件、DiT 潜变量、自编码器；Base（50 步，CFG 3.5）与蒸馏版（16 步，无 CFG）。
- 单卡 B200、2048x2048、NVFP4：去噪约占 Base T2I 的 96.8%（14.24 s／14.70 s）。
- Cache-DiT（阈值 0.24）：2048x2048 上 Base T2I 约 1.94x，LPIPS 0.033；VC-Attention FP8 约 1.18x，LPIPS 0.086。
- 单卡组合栈：相对未编译 BF16，T2I 22.36->6.46 s（3.46x），I2I 54.64->12.28 s（4.45x）。
- 8xB200：Base 中位 T2I 14.90->3.00 s；去噪 6.01x，但蒸馏版端到端受非去噪占比限制。
NVIDIA 开发者博客把 FLUX 3 Image Klein 放进 TensorRT LLM VisualGen，在 Blackwell GPU 上逐步加速。软文案是「生成更快」。测出来的故事更硬。2048×2048 时，DiT 去噪几乎吃掉 Base 全部延迟，因此每一档认真加速，都是在感知差异（LPIPS）与墙钟时间之间谈预算。 内核融合有用。它消不掉保真账单。
[1]实际发布了什么
FLUX 3 Image Klein 由 Black Forest Labs 推出、在 GB200 NVL72 上训练：Qwen3-VL-4B-Instruct 做文本条件，扩散 Transformer refinement 潜变量，自编码器解码／编码。VisualGen 支持 BF16、FP8、NVFP4，并用 YAML 配置注意力、Cache-DiT、CFG／Ulysses 并行与 CUDA Graphs。
单卡 B200、NVFP4、VANILLA 注意力与 torch.compile 的管线计时显示：去噪占 Base T2I 96.8%、Base I2I 97.8%；蒸馏版仍有 84-89% 花在去噪。后文因此集中打 DiT 成本。
NVFP4 权重配 FlashInfer PrimsTS GEMM（含 SwiGLU、QKV+RoPE 融合）相对 BF16 最高约 1.62× T2I／1.58× I2I，相对自调 TensorRT LLM NVFP4 GEMM 的 T2I 再约 1.02-1.10×。
量化注意力：cuDNN FP8 约 1.08-1.09×，LPIPS 0.072／0.161（Base／蒸馏）。VC-Attention FP8（修复预算 ρ=0.005）约 1.18×／1.16×，LPIPS 0.086／0.151。文中建议 2048×2048 B200 用 VC-Attention。Sol-Attention（τ=1.0）在 16 步初始稠密时 1.24×，12 步时 1.30×；更高 τ 伤画质、加速有限。
Cache-DiT 在残差差低于阈值（文中 0.24）时复用中间输出。Base T2I 在 1024 与 2048 近乎减半（1.97×／1.94×，LPIPS 0.038／0.033）；蒸馏版增益较小（1.26×／1.20×）。
多卡：Base 用 CFG 分支（cfg_size: 2）加 Ulysses 切序列（ulysses_size: 4）；蒸馏版只用 Ulysses。八卡 B200、2048×2048 上，Base 中位 T2I 从 14.90 s 到 3.00 s，蒸馏版从 2.73 s 到 1.08 s。去噪加速 6.01×／4.44×，但八卡蒸馏约一半时间仍在去噪外。1024×1024 上 CUDA Graphs 再把八卡编译延迟砍约 2.2×。
单卡相对未编译 BF16 VANILLA，编译 + NVFP4／PrimsTS + Sol-Attention + Cache-DiT 达到 Base T2I 3.46×、I2I 4.45×；蒸馏最高约 2.34×。RTX PRO 6000 Blackwell Server Edition 相关栈约 1.73-3.25×。示例 T2I 阶梯累计 LPIPS 到 Cache-DiT 阶段约 0.095。
[1]台面上的证据
延迟与 LPIPS 均为 NVIDIA 自报（常见为 2 次预热后 10 次请求均值，seed 0），平台为 B200／DGX B200／RTX PRO 6000。文中给出 YAML 与容器标签便于复现栈本身。未声称第三方实验室复现；LPIPS 是感知代理，不是人类偏好研究。
[1]钢人与缺口
钢人。 生产图像工具活在延迟 SLA 下。每个优化旁同时公布 LPIPS，比只报速度更诚实。把去噪占比与端到端拆开，也解释了为何八卡蒸馏收益会变钝。
缺口：厂商在自有软硬件上的基准。博客图上过关的 LPIPS，品牌或印刷流程可能不收。Sol-Attention 的稠密步截止依赖调度。提示上采样未计入延迟。多图编辑与非 2048 尺寸要另开预算。
[1]谁该在意，下一步看什么
要上线 FLUX 3 的应用团队应先定 LPIPS（或人工）上限，再按序打开 NVFP4、注意力模式与 Cache-DiT。基建在为蒸馏版买八卡加速前，应先看非去噪占比。模型方应预期部署博文把质量差额当成一等指标。
未来六个月看：VisualGen 默认是否钉死 VC-Attention 或 Sol-Attention；BFL 是否发布对得上的质量卡；竞品运行时是否引用同一 LPIPS 协议。
[1]收束
耐看的句子不是「Blackwell 让 FLUX 3 变快」。而是高分辨率 DiT 服务已变成保真预算谈判：VisualGen 的主要杠杆都同时报出加速比与 LPIPS 账单。 六个月后，要么产品看板把这张账单当发版门槛，要么「快 3.5 倍」演示继续漂离用户真正肯收的图。
[1]