Τι είναι το FLUX.1; Το μοντέλο πίσω από μεγάλο μέρος της σημερινής ποιότητας εικόνας

Το FLUX δεν είναι ένα μοντέλο. Η οικογένεια χωρίζεται σε γρήγορη, αποσταγμένη παραλλαγή φτιαγμένη να παράγει χρήσιμη εικόνα σε ελάχιστα βήματα, μια μεσαία παραλλαγή που είναι openly downloadable αλλά έχει όρους άδειας που περιορίζουν εμπορική χρήση, και μια κορυφαία παραλλαγή διαθέσιμη μέσω API αντί για αρχείο.

Η κρίσιμη συνέπεια είναι νομική και όχι τεχνική. Η επιλογή της openly downloadable παραλλαγής επειδή είναι βολική, και έπειτα η εμπορική χρήση των αποτελεσμάτων της, είναι το λάθος που γίνεται πιο συχνά· η άδεια, και όχι το μοντέλο, αποφασίζει αν αυτό επιτρέπεται.

Ελέγξτε ποια παραλλαγή τρέχει στην πράξη μια hosted υπηρεσία προτού υποθέσετε τι επιτρέπεται να κάνετε με το αποτέλεσμα. Οι υπηρεσίες δεν το δηλώνουν πάντα, και η απάντηση αλλάζει ό,τι κατέχετε.

Η πρακτική εμπειρία που αναφέρεται είναι ότι «αντιμιλά» λιγότερο. Αν ζητήσετε τρία συγκεκριμένα αντικείμενα σε συγκεκριμένη διάταξη, είναι πιο πιθανό να πάρετε τρία αντικείμενα έτσι τοποθετημένα, αντί για όμορφη εικόνα με δύο από αυτά και άλλη διάταξη.

Αυτό όμως έχει αντάλλαγμα. Ένα μοντέλο που τηρεί στενά τις οδηγίες είναι λιγότερο πρόθυμο να «βελτιώσει» ένα μέτριο prompt, οπότε ένα αόριστο αίτημα επιστρέφει αόριστη εικόνα αντί να «κολακευτεί» σε κάτι εντυπωσιακό. Μοντέλα με ισχυρότερη αισθητική άποψη κολακεύουν τεμπέλικα prompt και παλεύουν τα συγκεκριμένα· εδώ συμβαίνει το αντίθετο.

Η πρακτική συνέπεια είναι ότι η λεπτομέρεια ανταμείβεται εδώ με τρόπο που δεν ισχύει παντού. Η ονομασία του φωτισμού, του εστιακού μήκους και του μέσου αλλάζει μετρήσιμα το output — γι’ αυτό και οι οδηγίες prompt σε αυτόν τον ιστότοπο είναι γραμμένες με αυτούς τους όρους.

Η ευανάγνωστη στοιχειοθεσία ήταν για χρόνια ο σίγουρος τρόπος να αναγνωρίσετε generated εικόνα. Οι επιγραφές έβγαιναν σαν πειστικό, αλλά ανορθόγραφο συνονθύλευμα, επειδή ένα diffusion μοντέλο συνέθετε σχήματα γραμμάτων από οπτική στατιστική αντί να «γράφει» κάτι.

Το FLUX είναι αισθητά καλύτερο σε αυτό, και σύντομα strings — μια λέξη σε πινακίδα, μια ετικέτα σε συσκευασία, ένας τίτλος σε αφίσα — βγαίνουν αρκετά συχνά αναγνώσιμα ώστε να τα ενσωματώσετε στον σχεδιασμό. Δεν είναι engine στοιχειοθεσίας: τα μεγάλα κείμενα ακόμη υποβαθμίζονται, και όσο μακραίνει το string τόσο χειροτερεύουν οι πιθανότητες.

Η πρακτική τεχνική είναι να ζητάτε λιγότερο κείμενο απ’ όσο θέλετε και να προσθέτετε τα υπόλοιπα σωστά μετά. Ένα generated υπόβαθρο με μία ευανάγνωστη λέξη πάνω του, τελειωμένο σε πραγματικό εργαλείο σχεδίασης, υπερέχει από εικόνα με παράγραφο «παραλίγο σωστών» γραμμάτων ψημένη στα pixels.

Σε σχέση με το Stable Diffusion, είναι νεότερη δουλειά από επικαλυπτόμενους ανθρώπους: συνήθως ισχυρότερη έξοδος και καλύτερη τήρηση οδηγιών, με τίμημα πολύ μικρότερο απόθεμα community checkpoint και style adapters.

Σε σχέση με το Midjourney, είναι το λιγότερο «γνώμης». Το Midjourney θα φτιάξει κάτι με άποψη από σύντομο prompt· το FLUX θα φτιάξει αυτό που ζητήσατε — καλύτερο όταν ξέρετε ακριβώς τι θέλετε και χειρότερο όταν ελπίζετε να εκπλαγείτε.

Σε σχέση με τα κλειστά μοντέλα συνδεδεμένα με assistants, είναι αυτό που μπορείτε πράγματι να τρέξετε ή να φιλοξενήσετε μόνοι σας — κάτι που μετρά όταν η διεκπεραίωση, η ιδιωτικότητα ή η επαναληψιμότητα είναι περιορισμοί και όχι προτιμήσεις.

Οι φωτογραφίες αυτού του ιστότοπου έχουν δημιουργηθεί με την οικογένεια FLUX — στη συλλογή αναγράφεται το μοντέλο σε κάθε κάρτα μαζί με το prompt και το seed, ώστε ο ισχυρισμός να είναι ελέγξιμος και όχι απλώς δηλωμένος. Δεν έχουμε εμπορική σχέση με τη Black Forest Labs· είναι εργαλείο για το οποίο πληρώνουμε όπως όλοι.

Ο λόγος που λέμε ποιο μοντέλο έφτιαξε μια εικόνα είναι ότι ένας ιστότοπος που υποστηρίζει την τέχνη του prompt και την εικονογραφεί με εικόνες αγνώστου προέλευσης, υπονομεύει μόνος του το επιχείρημά του. Αν τα prompt στη σελίδα συλλογής είναι αληθινά, μπορούν να τρέξουν, και το όνομα του μοντέλου είναι μέρος της δυνατότητας αναπαραγωγής.