Co je FLUX.1? Model, který stojí za dnešní kvalitou generovaných obrázků

FLUX není jeden model. Rodina se dělí na rychlou destilovanou variantu navrženou pro použitelný obraz v několika málo krocích, střední variantu, kterou lze otevřeně stáhnout, ale jejíž licence omezuje komerční použití, a nejvyšší variantu dostupnou přes API místo souboru.

Důsledek je důležitější právně než technicky. Zvolit otevřeně stažitelnou variantu, protože je po ruce, a pak její výstupy použít komerčně, je nejčastější omyl — a o tom, zda to smíte, rozhoduje licence, ne model.

Předpoklady nedělejte ani u hostovaných služeb: ověřte si, kterou variantu skutečně provozují. Služby to ne vždy uvádějí a odpověď mění, co vlastníte.

Praktická zkušenost, kterou lidé popisují, je, že „se nehádá“. Požádáte-li o tři konkrétní objekty v určitém uspořádání, spíše dostanete tři objekty právě tak uspořádané, a ne krásný obraz se dvěma z nich a jiným rozvrhem.

To má svou daň. Model, který se těsně drží instrukcí, méně ochotně „vylepšuje“ průměrný prompt, takže vágní požadavek vrací vágní obraz, ne efektní. Modely se silnějším estetickým názorem lichotí líným promptům a bojují s konkrétními; tohle je opačný konec té výměny.

Pracovní implikace je, že detail se zde vyplácí víc než jinde. Pojmenování světla, ohniska a média výstup měřitelně mění, a proto je i naše nápověda k promptům psaná v těchto pojmech.

Čitelné písmo bylo léta spolehlivým způsobem, jak poznat generovaný obraz. Cedule vycházely jako věrohodně vypadající hatmatilka, protože difuzní model skládal tvary písmen ze zrakových statistik místo toho, aby cokoli hláskoval.

FLUX je v tom podstatně lepší a krátké řetězce — slovo na ceduli, štítek na obalu, titulek na plakátu — vycházejí čitelné dost často na to, aby se s nimi dalo navrhovat. Není to sázecí engine: dlouhé pasáže se stále rozpadají a čím delší text, tím horší šance.

Praktická technika je chtít méně textu, než nakonec potřebujete, a zbytek doplnit pořádným nástrojem. Generované pozadí s jedním čitelným slovem, dokončené ve skutečném designovém nástroji, poráží generovaný obraz s odstavcem téměř-správného textu vypáleného do pixelů.

Proti Stable Diffusion je to novější práce lidí s překryvem: obecně silnější výstup a lepší následování instrukcí, proti výrazně menšímu inventáři komunitních checkpointů a stylových adaptérů.

Proti Midjourney je méně „názorový“. Midjourney z krátkého promptu udělá něco s jasným pohledem; FLUX udělá to, oč žádáte — lepší, když přesně víte, co chcete, horší, když chcete být překvapen(a).

Proti uzavřeným modelům napojeným na asistenty je to ten, který skutečně můžete spouštět či hostovat sami — a to je důležité, když je průchodnost, soukromí nebo reprodukovatelnost podmínkou, ne preferencí.

Fotografie na tomto webu generujeme rodinou FLUX — galerie uvádí model na každé kartě společně s promptem a seedem, takže tvrzení je ověřitelné, ne jen proklamované. S Black Forest Labs nemáme žádný obchodní vztah; je to nástroj, za který platíme jako každý jiný.

Model uvádíme proto, že web, který argumentuje pro precizní práci s promptem a dokládá to obrázky s nejasným původem, podkopává vlastní případ. Pokud jsou prompty v galerii reálné, lze je spustit — a název modelu je součástí toho, aby to šlo.