Mi a FLUX.1? A jelenlegi képminőség nagy részének hátterében álló modell

A FLUX nem egyetlen modell. A család egy gyors, desztillált variánsra bomlik, amely nagyon kevés lépésben ad használható képet; egy középső variánsra, amely nyíltan letölthető, de a kereskedelmi felhasználást korlátozó licenccel; és egy csúcsvariánsra, amely API-n keresztül érhető el fájl helyett.

A lényeges következmény jogi, nem technikai. A nyíltan letölthető variánst választani a kényelem miatt, majd a kimenetét kereskedelmi célra használni — ez a leggyakrabban elkövetett hiba, és arról a licenc dönt, nem a modell, hogy ez megengedett-e.

Ellenőrizze, egy hosztolt szolgáltatás pontosan melyik variánst futtatja, mielőtt feltételezné, mit tehet a kimenettel. Nem mindig közlik, és a válasz megváltoztatja, mi az, ami az Öné.

A gyakorlatban az a tapasztalat, hogy kevesebbet „vitatkozik”. Ha három konkrét tárgyat kér meghatározott elrendezésben, nagyobb eséllyel kap három tárgyat pont úgy elrendezve, nem pedig egy szép képet kettővel és máshogy.

Ennek valós ára van. Egy modell, amely szorosan ragaszkodik az utasításokhoz, kevésbé hajlamos feljavítani a középszerű promptot, így a homályos kérés homályos képet ad, nem pedig „megszépített” eredményt. Az erősebb esztétikai véleményű modellek hízelegnek a lusta promptoknak, és ellenállnak a szigorú specifikációnak; ez ennek az ellentéte.

A gyakorlati következmény, hogy itt a részletek arányosan megtérülnek. A fény megnevezése, a fókusztávolság és a médium kimondottan érezhetően változtat az eredményen — ezért írjuk a prompt útmutatókat ezen az oldalon ilyen részletességgel.

Az olvasható felirat évekig megbízható jele volt a generált képnek. A táblák felirata „hihető maszlagként” jött ki, mert a diffusion modell vizuális statisztikákból rakta össze a betűformákat, nem pedig szó szerint betűzött.

A FLUX ebben érezhetően jobb, és rövid szövegek — egy szó egy táblán, egy címke egy csomagoláson, egy plakát címe — elég gyakran olvashatók ahhoz, hogy lehessen rájuk tervezni. Ez nem tördelőmotor: a hosszú szövegek továbbra is romlanak, és minél hosszabb a string, annál rosszabbak az esélyek.

A praktikus módszer, hogy kevesebb szöveget kér, mint amennyit szeretne, és a többit utólag, rendes tervezőeszközben adja hozzá. Egy generált háttér egy olvasható szóval, majd rendes eszközben befejezve, jobb, mint egy generált kép egy beégetett, csaknem-jó bekezdéssel.

A Stable Diffusionhöz képest újabb munka részben ugyanattól a csapattól: általában erősebb kimenet és jobb utasításkövetés, szemben a közösségi checkpointok és stílusadapterek jóval szűkebb készletével.

A Midjourney-hez mérve visszafogottabb. A Midjourney rövid promptból is markáns nézőpontú képet készít; a FLUX azt készíti el, amit kért — ez jobb, ha pontosan tudja, mit akar, és rosszabb, ha meglepetést remél.

A zárt, asszisztenshez kötött modellekhez képest ez az, amit ténylegesen futtathat vagy hosztolhat, ami számít, ha az áteresztőképesség, az adatvédelem vagy a reprodukálhatóság nem preferencia, hanem követelmény.

Az oldalon látható fényképek a FLUX családdal készülnek — a galériában minden kártyán feltüntetjük a modellt a prompttal és a seeddel együtt, így az állítás ellenőrizhető, nem csak kijelentett. Nincs kereskedelmi kapcsolatunk a Black Forest Labs-szal; eszköz, amelyért úgy fizetünk, mint bárki más.

Azért írjuk ki, melyik modell készített egy képet, mert egy oldal, amely a prompt-készség mellett érvel, de a példaképei eredetét nem közli, saját magát gyengíti. Ha a galériában lévő promtok valósak, lefuttathatók, és a modell neve a lefuttathatóság része.