Claude Code a monté un pipeline sur FLUX.3 klein : 290 images de médecins pour $3,2 de location de GPU

Un spécialiste du trafic payant pour cliniques dentaires a remplacé les séances photo des médecins par de la génération d'images. Le pipeline repose sur le modèle FLUX.3 klein (un générateur d'images de 5,6 milliards de paramètres), sur l'interface ComfyUI et sur la location de GPU dans le cloud RunPod.

En entrée : un lien vers la page des médecins de la clinique et un portrait par médecin tiré du site. En sortie : un dossier d'images vérifiées. On y voit un médecin en loupes binoculaires en train de soigner un patient, d'examiner un scanner CT sur un écran, d'opérer ou de montrer un dinosaure en peluche à un enfant, le tout dans l'intérieur de cette clinique précise et avec sa tenue.

En une semaine, le pipeline a accumulé 290 images approuvées pour plus de 20 médecins de plusieurs cliniques. La location des GPU, les tests de modèles et le stockage ont coûté environ $3,2. Claude Code (Opus 5.

5, High Effort) a écrit tout le code et les configurations. L'humain a rédigé le cahier des charges, corrigé l'architecture et validé le résultat.

Infrastructure : ne payer que les minutes de génération

Le cahier des charges était simple : ne payer que les minutes de génération, ne pas retélécharger les modèles et ne pas exposer ComfyUI sur internet. L'auteur a choisi RunPod Secure Cloud avec un disque réseau de 60 Go. Les modèles et ComfyUI résident sur ce disque, et le pod est créé puis supprimé autour de lui. Community Cloud coûte moins cher, mais ne prend pas en charge les disques réseau. Le disque coûte $0,07 par Go et par mois, soit $4,2, et il est facturé même quand le pod est arrêté.

Les cartes sont essayées par ordre de priorité : RTX 4090 ($0,89/h), RTX PRO 4500 Blackwell 32 Go ($0,72/h), RTX PRO 4000 Blackwell 24 Go ($0,57/h). Chez RunPod, la disponibilité affichée est partout « Low » et change en quelques minutes. Le script pod.sh up parcourt donc la liste. Si l'hôte de l'ancien pod n'a pas la carte voulue, le script supprime le pod et en crée un nouveau dans le même datacenter, tandis que le disque reste en place. Seul le port 22/tcp est ouvert, et ComfyUI est accessible via un tunnel SSH sur 127.0.0.1:8188. La clé API n'est stockée que dans .env.

La commande down répète stop jusqu'à ce que le pod passe à l'état EXITED : une fois, l'API a répondu par un timeout, et sans nouvelle tentative le pod serait resté allumé. Avant chaque up, l'agent écrit une estimation du coût, et après la session il arrête toujours le pod. L'état du projet est conservé dans CLAUDE.md, pour que la session suivante reprenne là où la précédente s'est arrêtée.

Pourquoi FLUX.3 klein, et pourquoi un upsampler

L'auteur a fait tourner trois modèles sur les mêmes prompts et la même référence. FLUX.2 klein 4B (Apache 2.

0) conserve bien la ressemblance du visage, mais dans environ la moitié des images, il dessine une sonde à la place du miroir dentaire, et les écrans affichent une pseudo-interface. FLUX.2 klein 9B dessine correctement le miroir dans 3 images sur 3, mais sa licence Non-Commercial n'autorise que les tests : le modèle n'a donc servi qu'à la comparaison.

FLUX.3 klein est sortie le 13 octobre : encodeur Qwen3-VL-4B, jusqu'à 10 références, version distilled en 16 étapes sans guidance. Des trois, c'est elle qui suit le mieux le prompt.

La licence FLUX Kommunity v1.0 autorise la publicité si le chiffre d'affaires du licencié, affiliés compris, est inférieur à $5 millions par an.

L'ensemble de fichiers pèse environ 17,5 Go. Il comprend un transformer int8, un encodeur int8, un prompt upsampler basé sur Qwen3.5-9B et le VAE de FLUX.2. Le ComfyUI de l'image RunPod (0.30.0) ne connaissait pas le nouveau modèle ; il a été mis à jour sur le disque vers la version 0.41.2.

L'upsampler est obligatoire. FLUX.3 attend une description de scène de 150–200 mots, et BFL déconseille expressément de travailler sans son upsampler.

Il s'agit d'un modèle de langage distinct : il examine les références et réécrit la requête en une description détaillée. Dans l'exemple avec six références (visage, cabinet, loupes, miroir, position des mains, emblème de la clinique), 324 mots sont devenus 235. L'upsampler a énuméré le mobilier à partir de la photo du cabinet et a décrit lui-même l'apparence du médecin.

En revanche, il a supprimé la phrase sur la référence de la prise en main et a mélangé la numérotation des images, mais l'image obtenue était correcte. Avec le décodage glouton, un prompt donne une seule description : le seed modifie donc les détails, mais ni la pose ni la composition. Une image prend 12–18 secondes sur une RTX PRO 4500, et environ 27 secondes avec l'upsampler.

La première image d'une session attend environ deux minutes, le temps que les modèles se chargent depuis le disque réseau.

Règles de prompts et syndrome du cabinet unique

La première version stockait des prompts tout faits, et les médecins de deux cliniques se sont retrouvés dans des cabinets presque identiques. L'auteur a alors découpé l'image en trois parties : la fiche du médecin (spécialités, sexe) avec la photo du site ; la scène issue de setups.yaml (action, pose, objet, patient) ; et l'identité visuelle de la clinique issue de looks.yaml (locaux, tenue, lumière, cadrage, logo). La bibliothèque de scènes est commune à toutes les cliniques et contient 31 scènes. Le fichier du projet prime sur celui de la bibliothèque.

Règles vérifiées sur les images :

• ne pas décrire l'apparence du médecin : la description entre en conflit avec la photo et éloigne le visage ;
• définir séparément la rotation du buste et celle de la tête, faute de quoi la pose de la tête est copiée depuis la photo ;
• un regard vers la caméra conserve mieux la ressemblance qu'un regard vers le bas ;
• habiller le patient explicitement, sinon il reçoit la même tenue que le médecin ;
• décrire les murs sans cadres, pour éviter l'apparition de cadres qui ressemblent à des diplômes. Les faux diplômes sont inadmissibles dans une publicité de médecin.

Il vaut mieux ne pas écrire 8k, cinematic ni bokeh dans les prompts. L'upsampler supprime les mots d'appréciation, et cinematic tire la peau vers un rendu « plastique ». Il ne faut pas non plus demander un sourire « hollywoodien » : cela va à l'encontre des règles des cliniques.