Czym jest FLUX.1? Model stojący za sporą częścią obecnej jakości obrazów

FLUX to nie jest jeden model. Rodzina dzieli się na szybki wariant destylowany, projektowany do uzyskania użytecznego obrazu w bardzo małej liczbie kroków, wariant „środkowy”, który można pobrać, ale z licencją ograniczającą użycie komercyjne, oraz najwyższy wariant dostępny przez API, a nie jako plik.

Najistotniejsza konsekwencja jest prawna, nie techniczna. Wybranie wariantu do pobrania, bo jest wygodny, a potem komercyjne użycie jego wyników to najczęstszy błąd — i to licencja, a nie model, rozstrzyga, czy jest to dozwolone.

Proszę sprawdzić, który wariant dana usługa hostowana faktycznie uruchamia, zanim założą Państwo, co wolno z wynikiem. Usługi nie zawsze to deklarują, a odpowiedź zmienia zakres Państwa praw.

Doświadczenie z praktyki jest takie, że mniej „dyskutuje”. Poproszą Państwo o trzy konkretne obiekty ułożone w określony sposób i częściej otrzymają trzy obiekty ułożone właśnie tak, zamiast pięknego obrazu z dwoma z nich i inną kompozycją.

To ma realny koszt. Model, który ściśle trzyma się instrukcji, jest mniej skłonny „poprawiać” przeciętny prompt, więc nieprecyzyjna prośba zwraca nieprecyzyjny obraz, a nie efektowny. Modele o silniejszej opinii estetycznej „schlebiają” leniwym promptom i walczą ze sprecyzowanymi — tu jest drugi koniec tego kompromisu.

Wniosek roboczy: szczegółowość jest tu nagradzana w sposób, w jaki nie wszędzie bywa. Nazwanie światła, ogniskowej i medium wyraźnie zmienia wynik, dlatego wskazówki promptowe na tej stronie są pisane właśnie w tych kategoriach.

Czytelne liternictwo było przez lata pewnym sposobem rozpoznania obrazu generowanego. Szyldy wychodziły jako wiarygodny bełkot, bo model diffusion składał kształty liter ze statystyk wizualnych, a nie „spisywał” czegokolwiek.

FLUX jest w tym wyraźnie lepszy i krótkie ciągi — słowo na szyldzie, etykieta na opakowaniu, tytuł plakatu — bywają czytelne na tyle często, by można było na tym projektowo polegać. To nie jest jednak silnik składu: długie fragmenty nadal się degradują i im dłuższy tekst, tym gorsze szanse.

Praktyczna technika: prosić o mniej tekstu, niż finalnie ma być, a resztę dodać poprawnie później. Wygenerowane tło z jednym czytelnym słowem, dokończone w prawdziwym narzędziu projektowym, wygrywa z obrazem, w którym „na twardo” zakodowano akapit prawie-poprawnego pisma.

Wobec Stable Diffusion to nowsza praca pokrewnych osób: ogólnie mocniejszy wynik i lepsze trzymanie się instrukcji, kosztem znacznie mniejszego „magazynu” społecznych checkpoints i adapterów stylu.

Wobec Midjourney jest mniej opiniotwórczy. Midjourney zrobi coś z wyraźnym punktem widzenia z krótkiego promptu; FLUX zrobi to, o co Państwo proszą — lepiej, gdy wiedzą Państwo dokładnie, czego chcą, gorzej, gdy liczą Państwo na zaskoczenie.

Wobec modeli zamkniętych podpiętych do asystentów to ten, który faktycznie można uruchomić lub hostować samodzielnie — co ma znaczenie, gdy przepustowość, prywatność lub odtwarzalność to wymagania, a nie preferencje.

Fotografie na tej stronie generujemy rodziną FLUX — galeria podaje model na każdej karcie, obok promptu i seed, więc to twierdzenie jest weryfikowalne, a nie deklaratywne. Nie mamy relacji komercyjnej z Black Forest Labs; to narzędzie, za które płacimy jak każdy.

Mówimy, który model wygenerował obraz, bo serwis, który argumentuje za rzemiosłem promptu, a ilustruje to obrazami o nieujawnionym pochodzeniu, podważa własną tezę. Jeśli prompty w galerii są prawdziwe, da się je uruchomić — a nazwa modelu jest częścią możliwości ich odtworzenia.