Hva er FLUX.1? Modellen bak mye av dagens bildekvalitet

FLUX er ikke én modell. Familien deles i en rask, destillert variant bygget for å gi et brukbart bilde på svært få steg, en mellomvariant som kan lastes ned åpent men har lisensvilkår som begrenser kommersiell bruk, og en toppvariant tilgjengelig via et API i stedet for som fil.

Den viktige konsekvensen er juridisk snarere enn teknisk. Å velge den åpent nedlastbare varianten fordi det er praktisk, og så bruke resultatene kommersielt, er feilen som oftest skjer, og det er lisensen — ikke modellen — som avgjør om det er tillatt.

Sjekk hvilken variant en hostet tjeneste faktisk kjører før du antar hva du kan gjøre med resultatet. Tjenester sier det ikke alltid, og svaret endrer hva du eier.

Den praktiske erfaringen folk rapporterer, er at den krangler mindre. Ber du om tre spesifikke objekter arrangert på en bestemt måte, får du oftere tre objekter arrangert slik, i stedet for et vakkert bilde med to av dem og en annen oppstilling.

Det avveies mot noe reelt. En modell som følger instruksjoner tett, er mindre tilbøyelig til å forbedre en middelmådig prompt, så en vag forespørsel gir et vagt bilde i stedet for noe slående. Modeller med en sterkere estetisk mening smigrer late prompter og slåss mot presise; dette er andre enden av det byttet.

Den praktiske implikasjonen er at detaljer belønnes her på en måte de ikke gjør overalt. Å navngi lys, brennvidde og medium endrer output merkbart, og derfor er prompt-veiledningen på dette nettstedet skrevet i de termene.

Lesbar tekst var i årevis den sikre måten å avsløre et generert bilde på. Skilt ble til plausibelt utseende gibberish fordi en diffusion-modell satte sammen bokstavformer fra visuelle statistikker i stedet for å stave noe.

FLUX er vesentlig bedre på dette, og korte strenger — et ord på et skilt, en etikett på en pakke, en tittel på en plakat — kommer ut lesbare ofte nok til at du kan designe rundt det. Den er ikke en typografimotor: lange tekster brytes fortsatt ned, og jo lengre streng, desto dårligere odds.

Den praktiske teknikken er å be om mindre tekst enn du vil ha og legge til resten skikkelig etterpå. En generert bakgrunn med ett lesbart ord på, ferdigstilt i et ordentlig designverktøy, slår et generert bilde med et avsnitt av nesten-riktig bokstavsuppe bakt inn i pikslene.

Mot Stable Diffusion er det nyere arbeid fra overlappende folk: generelt sterkere output og bedre instruksjonsfølging, mot et langt mindre utvalg av fellesskaps-checkpoints og stiladaptere.

Mot Midjourney er den den mindre meningsbærende av de to. Midjourney lager noe med et tydelig ståsted fra en kort prompt; FLUX lager det du ba om, som er bedre når du vet nøyaktig hva du vil ha og dårligere når du håper på å bli overrasket.

Mot de lukkede, assistent-tilknyttede modellene er dette den du faktisk kan kjøre eller drifte selv, noe som betyr noe når gjennomstrømming, personvern eller reproduserbarhet er rammer heller enn preferanser.

Fotografiene på dette nettstedet er generert med FLUX-familien — galleriet oppgir modellen på hvert kort sammen med prompt og seed, så påstanden kan sjekkes i stedet for å bare hevdes. Vi har ingen kommersiell relasjon til Black Forest Labs; det er et verktøy vi betaler for som alle andre.

Grunnen til at vi sier hvilken modell som lagde et bilde, er at et nettsted som argumenterer for prompt-håndverk, og illustrerer det med bilder hvis opphav det ikke vil oppgi, undergraver sin egen sak. Hvis promptene på galleri-siden er ekte, kan de kjøres, og et modellnavn er del av å kunne kjøre dem.