Claude Code monta pipeline com FLUX.3 klein: 290 imagens de médicos por $3,2 de aluguel de GPU

Um especialista em tráfego pago para clínicas odontológicas substituiu os ensaios fotográficos dos médicos por geração de imagens. O pipeline combina o modelo FLUX.3 klein (gerador de imagens com 5,6 bilhões de parâmetros), a interface ComfyUI e o aluguel de GPUs na nuvem da RunPod.

Na entrada, entram o link da página de médicos da clínica e um retrato de cada profissional, tirado do site. Na saída, sai uma pasta de imagens validadas: o médico com lupas atendendo um paciente, examinando uma tomografia no monitor, operando ou mostrando um dinossauro de brinquedo a uma criança, sempre no interior daquela clínica específica e com o uniforme dela. Em uma semana, foram acumuladas 290 imagens aprovadas para mais de 20 médicos de várias clínicas, e o aluguel de GPU, os testes de modelos e o armazenamento custaram cerca de $3,2.

Todo o código e as configurações foram escritos pelo Claude Code (Opus 5.5, High Effort). O humano definiu a especificação, ajustou a arquitetura e aprovou o resultado.

Infraestrutura: pagar só pelos minutos de geração

Os requisitos eram simples: pagar apenas pelos minutos de geração, não baixar os modelos de novo e não expor o ComfyUI na internet. O autor escolheu a RunPod Secure Cloud com um disco de rede de 60 GB. Os modelos e o ComfyUI ficam no disco, e o pod é criado e removido em torno dele. A Community Cloud é mais barata, mas não oferece suporte a discos de rede. O disco custa $0,07 por GB ao mês, ou seja, $4,2, e é cobrado mesmo com o pod parado.

As placas são tentadas por ordem de prioridade: RTX 4090 ($0,89/h), RTX PRO 4500 Blackwell 32 GB ($0,72/h) e RTX PRO 4000 Blackwell 24 GB ($0,57/h). A disponibilidade na RunPod aparece como “Low” em todas e muda em minutos, por isso o script pod.sh up percorre a lista. Se o host do pod antigo não tem a placa necessária, o script remove o pod e cria outro no mesmo datacenter, e o disco permanece. Só a porta 22/tcp fica aberta; o ComfyUI é acessado por um túnel SSH em 127.0.0.1:8188. A chave de API fica apenas no .env.

O comando down repete o stop até o pod chegar ao estado EXITED: uma vez a API respondeu com timeout, e sem a repetição o pod teria continuado ligado. Antes de cada up, o agente escreve uma estimativa de custo e, ao fim da sessão, sempre para o pod. O estado do projeto fica no CLAUDE.md, para que a sessão seguinte continue de onde a anterior parou.

Por que FLUX.3 klein e para que serve o upsampler

O autor rodou três modelos com os mesmos prompts e a mesma referência. O FLUX.2 klein 4B (Apache 2.

0) mantém bem a semelhança do rosto, mas em cerca de metade das imagens desenha uma sonda no lugar do espelhinho, e as telas saem com uma pseudointerface. O FLUX.2 klein 9B desenha o espelhinho corretamente em 3 de 3 imagens, mas a licença Non-Commercial permite apenas testes, então o modelo ficou só para comparação.

O FLUX.3 klein foi lançado em 13 de outubro: tem encoder Qwen3-VL-4B, aceita até 10 referências e traz uma versão distilled de 16 passos sem guidance. Dos três, é o que melhor segue o prompt.

A licença FLUX Kommunity v1.0 permite publicidade se a receita do licenciado, somada à de suas afiliadas, for inferior a $5 milhões por ano.

O conjunto de arquivos pesa cerca de 17,5 GB. Ele inclui o transformer em int8, o encoder em int8, o prompt upsampler baseado em Qwen3.5-9B e o VAE do FLUX.2. O ComfyUI da imagem da RunPod (0.30.0) não reconhecia o novo modelo, então foi atualizado no disco para a versão 0.41.2.

O upsampler é obrigatório. O FLUX.3 espera uma descrição de cena de 150–200 palavras, e a BFL recomenda expressamente não trabalhar sem o upsampler da própria empresa.

Trata-se de um modelo de linguagem separado: ele analisa as referências e reescreve a solicitação como uma descrição detalhada. Em um exemplo com seis referências (rosto, consultório, lupas, espelhinho, pegada das mãos, emblema da clínica), 324 palavras viraram 235. O upsampler listou os móveis da foto do consultório e descreveu por conta própria a aparência do médico.

Também descartou a frase sobre a referência da pegada e confundiu a numeração das imagens, mas a imagem saiu correta. Por causa da decodificação gulosa, um prompt gera sempre a mesma descrição; assim, o seed altera detalhes, mas não a pose nem a composição. Cada imagem leva 12–18 segundos em uma RTX PRO 4500, e cerca de 27 segundos com o upsampler.

A primeira imagem da sessão espera cerca de dois minutos, enquanto os modelos são lidos do disco de rede.

Regras de prompt e a síndrome do consultório único

A primeira versão guardava prompts prontos, e os médicos de duas clínicas acabaram em consultórios quase idênticos. Então o autor dividiu a imagem em três partes: a ficha do médico (especialidades, sexo) com a foto do site; a cena do setups.yaml (ação, pose, objeto, paciente); e o visual da clínica do looks.yaml (ambientes, uniforme, iluminação, enquadramento, logotipo). A biblioteca de cenas é comum a todas as clínicas e tem 31 cenas. O arquivo do projeto se sobrepõe ao da biblioteca.

Regras testadas nas imagens:

• não descrever a aparência do médico: a descrição entra em conflito com a foto e desvia o rosto;
• definir separadamente a rotação do tronco e da cabeça, senão a pose da cabeça é copiada da foto;
• olhar para a câmera preserva melhor a semelhança do que olhar para baixo;
• vestir o paciente de forma explícita, senão ele recebe o mesmo uniforme do médico;
• definir as paredes sem molduras, para não surgirem molduras parecidas com diplomas. Diplomas falsos na publicidade de um médico são inadmissíveis.

Nos prompts, não convém escrever 8k, cinematic e bokeh. O upsampler corta palavras de avaliação, e cinematic puxa a pele para um aspecto “plástico”. Também não se deve pedir sorriso “hollywoodiano”: isso contraria as regras das clínicas.