Vad är FLUX.1? Modellen bakom mycket av dagens bildkvalitet

FLUX är inte en modell. Familjen delas i en snabb destillerad variant byggd för att ge en användbar bild på väldigt få steg, en mellanvariant som är öppet nedladdningsbar men med licensvillkor som begränsar kommersiell användning, och en toppvariant tillgänglig via API i stället för som fil.

Den viktiga konsekvensen är juridisk snarare än teknisk. Att välja den öppet nedladdningsbara varianten för att den är bekväm, och sedan använda dess utdata kommersiellt, är misstaget som görs oftast — och det är licensen, inte modellen, som avgör om det är tillåtet.

Kontrollera vilken variant en hostad tjänst faktiskt kör innan du antar vad du får göra med resultatet. Tjänster säger inte alltid, och svaret ändrar vad du äger.

Den praktiska erfarenhet folk rapporterar är att den argumenterar mindre. Ber du om tre specifika objekt arrangerade på ett visst sätt får du mer sannolikt tre objekt arrangerade så, i stället för en vacker bild med två av dem och en annan komposition.

Det byter mot något verkligt. En modell som lyder instruktioner tätt är mindre benägen att förbättra en medioker prompt, så en vag begäran ger en vag bild i stället för att smickras till något slående. Modeller med starkare estetisk åsikt smickrar lata prompts och kämpar mot specifika; detta är andra änden av det bytet.

Den praktiska implikationen är att detaljrikedom belönas här på ett sätt som inte gäller överallt. Att namnge ljuset, brännvidden och mediet ändrar utfallet påtagligt, vilket är varför prompt-guiden på den här sajten är skriven i de termerna.

Läsbara bokstäver var i åratal det säkra sättet att avslöja en genererad bild. Skyltar kom ut som trovärdig rappakalja eftersom en diffusion-modell satte ihop bokstavsformer av visuella statistiker i stället för att stava något.

FLUX är avsevärt bättre på detta, och korta strängar — ett ord på en skylt, en etikett på en förpackning, en titel på en affisch — blir läsbara tillräckligt ofta för att gå att designa runt. Det är inte en sättningsmotor: längre stycken faller fortfarande isär, och ju längre strängen är desto sämre odds.

Den praktiska tekniken är att be om mindre text än du vill ha och lägga till resten ordentligt efteråt. En genererad bakgrund med ett läsbart ord på, färdigställd i ett riktigt designverktyg, slår en genererad bild med ett stycke nästan-rätt text inbränt i pixlarna.

Jämfört med Stable Diffusion är det nyare arbete av överlappande personer: generellt starkare output och bättre instruktion-följande, mot ett mycket mindre lager av community-checkpoints och stiladaptrar.

Jämfört med Midjourney är den mindre opinionerad. Midjourney gör något med en tydlig hållning från en kort prompt; FLUX gör det du bad om, vilket är bättre när du vet exakt vad du vill ha och sämre när du hoppas bli överraskad.

Jämfört med de stängda assistentkopplade modellerna är det den du faktiskt kan köra eller hosta själv, vilket spelar roll när kapacitet, integritet eller reproducerbarhet är begränsningar snarare än preferenser.

Fotografierna på den här sajten genereras med FLUX-familjen — galleriet anger modellen på varje kort tillsammans med prompt och seed, så påståendet är möjligt att kontrollera i stället för att bara hävdas. Vi har ingen kommersiell relation med Black Forest Labs; det är ett verktyg vi betalar för som alla andra.

Anledningen att vi anger vilken modell som gjort en bild är att en sajt som argumenterar för prompt-hantverk men illustrerar det med bilder vars proveniens den inte avslöjar, har underminerat sin egen tes. Om promptarna på gallerisidan är verkliga kan de köras, och ett modellnamn är en del av att kunna köra dem.