ARTICLE · INTELLIGENCE

战地情报 · 详情页

来自尧图项目组的一线实战观察与深度解析

FLUX Kommunity License合规指南:商用红线、5M美元门槛与量化版衍生模型注意事项

FLUX Kommunity License合规指南:商用红线、5M美元门槛与量化版衍生模型注意事项
  • 人工智能
  • 大模型
  • 基础模型
  • 模型量化
  • 媒体生成
  • 本地部署

【免费下载链接】flux-3-image-klein-base-FP8

项目地址:https://ai.gitcode.com/hf_mirrors/unsloth/flux-3-image-klein-base-FP8
点击查看免费下载

flux-3-image-klein-base-FP8仓库是 Unsloth AI 发布的 FLUX 3 Image Klein Base 开放权重图像生成模型的 FP8 / INT8 量化版本,transformer 权重从 11.1 GB 压缩至 6.42 GB(FP8)或 5.81 GB(INT8),可大幅降低显存占用。整套模型受FLUX Kommunity License v1.0约束:默认仅限非商用,年收入低于 500 万美元的"合格用户"(Qualifying User)才可将生成内容用于商用。本文带你快速读懂商用红线、5M 美元门槛的判定口径,以及分发量化版这类衍生模型(Derivative)时必须遵守的义务。

⚠️ 本文为技术解读,不构成法律意见;商用决策请以 LICENSE.md 原文为准。

📦 先看仓库内容:你下载的是"衍生模型"

本仓库相比官方 base 模型,核心变化是把 transformer 与文本编码器做了量化:

文件体积量化方案
flux-3-image-klein-base-INT8.safetensors5.81 GBBFL 官方 INT8 + ConvRot 旋转,原样再分发
flux-3-image-klein-base-FP8.safetensors6.42 GBUnsloth 自制 FP8 e4m3 动态激活量化
flux-3-image-klein-base-text_encoder-FP8.safetensors5.61 GB文本编码器 FP8 层间 cast
flux-3-image-klein-base-text_encoder-INT8-ConvRot.safetensors5.25 GB文本编码器 INT8 权重量化

配套的text_encoder/、transformer/、vae/目录为官方原版组件,由 modular_model_index.json 索引加载。

关键点:量化 = 对官方权重的修改。仓库的 NOTICE.md 明确声明"Unsloth AI modified this FLUX Model",这正是许可证意义上的Derivative(衍生模型)声明范本,后面会重点讲。

📜 一分钟读懂授权框架:谁可以怎么用

FLUX Kommunity License 的授权逻辑只有两条主线:

  1. 非商用用途(Non-Commercial Purpose):任何人免费使用,包括公司内部的测试、评估与非商用研发(限非生产环境)。但用于营收活动、直接接触终端用户、为商用目的训练/蒸馏其他模型,都不算非商用,详见 LICENSE.md。
  2. 商用例外(Qualifying User):只有"合格用户"可以把模型的**输出内容(Output)**用于商用,且只能在生产环境中运行模型来生成这些输出,条款见 LICENSE.md。

🎯 什么是"5M美元门槛"?

条款原文定义(LICENSE.md):你与所有关联方(affiliates)的年化总收入低于 500 万美元,即 Qualifying User。

  • 口径是gross annualized revenue(年化总营收),含关联方合并计算,不是"本项目收入";
  • 表述为 "at any time"——即任何时点满足即可,营收增长突破门槛后,商用资格随之消失;
  • 超过门槛并非完全不能用:商用生成之外的一切用途都需向 BFL 申请商业许可(LICENSE.md)。

✅ 商用生成还要满足两个前提

即便你是合格用户,商用输出还须(LICENSE.md):

前提说明
内容过滤实施内容过滤措施,或在分发前对输出内容进行人工审查
AI 披露按适用法律要求,在输出内容上标注"由 AI 生成或修改"

🚫 商用红线全清单:这些用途一律禁止

LICENSE.md 第 4 条列出的限制是"硬红线",任何主体(无论是否合格用户)都不得触碰:

  • 军事用途、监控(含相关研究与开发);
  • 生物特征处理(biometric processing);
  • 生成非法内容(含 CSAM、未经同意的亲密影像),以及违法、欺诈、诽谤、滥用行为;
  • 侵犯第三方权利,包括公开权(rights of publicity)与数字复制人(digital replica)权利——商用生成名人肖像要小心这条;
  • 违反 GDPR、CCPA、欧盟 AI 法案等数据隐私与 AI 监管法规;
  • 🔴禁止用该模型、其衍生模型或输出内容去改进任何"功能相似"的其他 AI 模型(LICENSE.md)——即不能拿 FLUX 的输出蒸馏、训练竞品生成模型;
  • 篡改/删除版权声明(4.c)、绕过安全与限制机制(4.d)、提供与许可不一致的附加条款(4.e);
  • 违反出口管制与制裁法规(4.f / 4.g),包括向受限名单、受制裁地区或实体分发;
  • 机器人应用(Robotics Uses)仅限非商用场景。

另外注意第 8 条的自动终止机制(LICENSE.md):一旦违反任一条款,许可自动终止,须立即停止全部使用与分发;对 BFL 发起知识产权诉讼也会导致许可立即失效。

⚠️ 量化版属于"Derivative":分发时你该做什么

衍生模型的范围比你想象的宽

条款定义(LICENSE.md)中,Derivative 包括:

  1. 修改版、微调版模型;
  2. 基于该模型的作品;
  3. 通过蒸馏、中间表征、用模型输出的合成数据训练等方式,把 FLUX 的权重模式"迁移"到另一个模型——只要行为相似就算;
  4. 其他衍生作品。

注意括号里的澄清:输出内容(Output)不算 Derivative——生成图片归你负责,但图片本身不沾染模型授权限制;而微调权重、量化权重则属于 Derivative。

本仓库的 FP8 量化文件就是典型 Derivative:它是对官方权重的压缩修改,README.md 也提示"商用例外不是对商用微调或分发的 blanket permission"。

分发三义务:照着 NOTICE.md 抄作业

如果你要分发模型或其衍生模型(比如把你的 LoRA、量化权重挂到模型托管平台),LICENSE.md 要求你同时做到:

  1. 随包附带本许可证副本,并说明权利由 BFL 直接授予第三方;
  2. 显著展示 Attribution Notice(官方指定声明文本见 LICENSE.md);
  3. 分发 Derivative 时额外:在声明中注明你修改过该模型;你附加的条款不得限制他人按原许可证使用;不得暗示衍生模型是 BFL 官方产品或经其背书。

NOTICE.md 就是标准写法:第一段是 BFL 的版权声明,第二段写明"Unsloth AI 修改了此模型:FP8 权重由 Unsloth AI 量化",第三段交代文本编码器文件是 Apache 2.0 协议的 Qwen3-VL-4B-Instruct 的量化副本(NOTICE.md)。分发你的量化版/微调版时,建议参照这个结构。

🧭 常见场景速查表

场景是否合规依据/备注
个人学习、本地跑图✅非商用用途,免费
公司内部测试、评估(非生产环境)✅明确允许
小团队(总营收 < 5M 美元)商用生成图片✅合格用户例外;需内容过滤 + AI 披露
年营收 ≥ 5M 美元的公司商用生成❌需向 BFL 申请商业许可
用输出图片训练另一个类似生图模型❌红线 4.b
分发微调/量化权重⚠️ 有条件属 Derivative,须附带许可证 + 署名 + 注明已修改
生成、使用输出图片本身✅Output 不算 Derivative;你自担内容责任
军事、监控、生物特征用途❌红线 4.a,无例外

📚 合规自查清单

  • 确认主体总营收(含关联方)是否低于 500 万美元;
  • 商用部署是否保留内容过滤或输出审查流程;
  • 输出内容是否按要求标注 AI 生成;
  • 分发衍生模型时是否附带 LICENSE.md 副本与 Attribution Notice,并注明修改事实;
  • 是否避开军事、监控、生物特征、竞品模型训练等红线场景;
  • 商用生成之外的商用目的(如 API 转售、模型即服务)是否已取得商业许可。

涉及文件速查:许可证原文 LICENSE.md、衍生修改声明 NOTICE.md、量化指标与许可摘要 README.md。

  • 人工智能
  • 大模型
  • 基础模型
  • 模型量化
  • 媒体生成
  • 本地部署

【免费下载链接】flux-3-image-klein-base-FP8

项目地址:https://ai.gitcode.com/hf_mirrors/unsloth/flux-3-image-klein-base-FP8
点击查看免费下载

相关推荐

上一篇:OpenAI-Java源码解析:深入理解OpenAI API的Java封装机制
下一篇:tModLoader性能优化技巧:如何提升模组运行效率和加载速度

创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

RELATED READING

延伸阅读

更多一线实战笔记与深度复盘,助您持续精进