Hvad er FLUX.1? Modellen bag meget af den nuværende billedkvalitet

FLUX er ikke én model. Familien deler sig i en hurtig, destilleret variant bygget til at lave et brugbart billede på meget få trin, en mellemvariant der kan downloades åbent men har licensbetingelser, som begrænser kommerciel brug, og en topvariant tilgængelig via en API i stedet for som fil.

Den vigtige konsekvens er juridisk snarere end teknisk. At vælge den åbent downloadbare variant fordi den er bekvem, og så bruge dens output kommercielt, er den fejl, der sker oftest — og det er licensen, ikke modellen, der afgør, om det er tilladt.

Tjek hvilken variant en hosted tjeneste faktisk kører, før du antager, hvad du må med resultatet. Tjenesterne oplyser det ikke altid, og svaret ændrer, hvad du ejer.

Den praktiske erfaring, folk rapporterer, er, at den modsiger mindre. Beder du om tre specifikke objekter arrangeret på en bestemt måde, får du oftere tre objekter arrangeret sådan — i stedet for et smukt billede med to af dem og en anden placering.

Det bytter mod noget reelt. En model, der holder sig stramt til instruktionerne, er mindre tilbøjelig til at forbedre en middelmådig prompt, så en vag anmodning giver et vagt billede frem for et slående. Modeller med en stærkere æstetisk mening smigrer dovne prompts og kæmper imod præcise; dette er den anden ende af handlen.

Arbejdskonsekvensen er, at detaljer belønnes her på en måde, de ikke gør overalt. At nævne lyset, brændvidden og mediet ændrer output mærkbart — derfor er prompt-guiden på dette site skrevet i de termer.

Læselige bogstaver var i årevis den sikre måde at spotte et genereret billede på. Skilte endte som tilforladeligt udseende volapyk, fordi en diffusion-model sammensatte bogstavformer ud fra visuelle statistikker frem for at stave noget.

FLUX er markant bedre til dette, og korte strenge — et ord på et skilt, en etiket på en pakke, en titel på en plakat — kommer læselige ud ofte nok til, at man kan designe omkring det. Det er ikke en satsmaskine: lange passager forringes stadig, og jo længere streng, desto dårligere chancer.

Den praktiske teknik er at bede om mindre tekst, end du ender med at ville have, og så tilføje resten ordentligt bagefter. En genereret baggrund med ét læseligt ord, færdiggjort i et rigtigt designværktøj, slår et genereret billede med et afsnit af næsten-rigtig tekst bagt ind i pixels.

Over for Stable Diffusion er den nyere forskning fra overlappende folk: generelt stærkere output og bedre efterlevelse af instruktioner — mod et langt mindre lager af community-checkpoints og stiladaptere.

Over for Midjourney er den mindre meningsdreven. Midjourney laver noget med et synspunkt ud fra en kort prompt; FLUX laver det, du bad om — bedre når du ved præcis, hvad du vil have, og dårligere når du håber på at blive overrasket.

Over for de lukkede, assistent-tilknyttede modeller er den den, du faktisk kan køre eller hoste selv — hvilket betyder noget, når gennemløb, privatliv eller reproducerbarhed er krav og ikke præferencer.

Fotografierne på dette site er genereret med FLUX-familien — galleriet angiver modellen på hvert kort sammen med prompt og seed, så påstanden kan efterprøves i stedet for blot at blive fremsat. Vi har ingen kommerciel relation til Black Forest Labs; det er et værktøj, vi betaler for som alle andre.

Grunden til, at vi siger, hvilken model der lavede et billede, er, at et site, der argumenterer for prompt-håndværk og illustrerer det med billeder, hvis oprindelse det ikke vil oplyse, har undermineret sin egen pointe. Hvis promptene på galleri-siden er ægte, kan de køres — og et modelnavn er en del af at kunne køre dem.