Black Forest Labs: FLUX.2 Klein 4B

Το FLUX.2 [klein] 4B είναι το συμπαγές μοντέλο της Black Forest Labs για δημιουργία εικόνας από περιγραφή κειμένου και επεξεργασία εικόνων με οπτικές αναφορές. Ο transformer rectified-flow τεσσάρων δισεκατομμυρίων παραμέτρων συνδυάζει δημιουργία και επεξεργασία σε μία αρχιτεκτονική. Η ονομασμένη έκδοση 4B έχει υποστεί απόσταξη βημάτων και το παράδειγμα αναφοράς του κατασκευαστή χρησιμοποιεί τέσσερα βήματα συμπερασμού.

Ο ρόλος του μοντέλου είναι ένα διαδραστικό οπτικό προσχέδιο ή αναθεώρηση: διερεύνηση σκηνής προϊόντος, αλλαγή ενδυμασίας χαρακτήρα, συνδυασμός θέματος με περιβάλλον ή βελτίωση εμφάνισης εικονογράφησης. Ξεκινήστε από το γεγονός ή τη σύνθεση που έχει σημασία και περιγράψτε κατόπιν το θέμα, το υλικό, τον φωτισμό και την οπτική γωνία. Μια συγκεκριμένη περιγραφή θα μπορούσε να τοποθετεί ματ μπλε κεραμικό φλιτζάνι σε ανοιχτόχρωμο δρύινο τραπέζι, σε κοντινή λήψη με πλευρικό φωτισμό που διατηρεί ορατά το χερούλι και το σμάλτο. Το αποτέλεσμα είναι εικόνα για έλεγχο σε σχέση με αυτές τις αποφάσεις.

Επεξεργασία με μικρό σύνολο αναφορών

Το τεκμηριωμένο προφίλ 4B δέχεται έως τέσσερις εικόνες εισόδου. Δώστε σαφή ρόλο σε καθεμία: εμφάνιση προϊόντος, χαρακτήρας, περιβάλλον ή ύφος. Αν μία εικόνα είναι η σκηνή προς επεξεργασία, προσδιορίστε την και δηλώστε τόσο την αλλαγή όσο και τις λεπτομέρειες που θα διατηρηθούν. Για παράδειγμα, κρατήστε τη σιλουέτα και την επιφάνεια του φλιτζανιού από την πρώτη εικόνα, χρησιμοποιήστε το δωμάτιο της δεύτερης και αντικαταστήστε μόνο το κάλυμμα του τραπεζιού. Η σειρά αναφορών και μια ακριβής οδηγία αλλαγής δίνουν σαφέστερο στόχο στην αναθεώρηση από ένα αίτημα γενικής βελτίωσης.

Ο κατασκευαστής διακρίνει αυτό το μικρό όριο αναφορών από τις μεγαλύτερες παραλλαγές FLUX.2. Αναφέρει επίσης ότι το [klein] δεν διαθέτει εμπλουτισμό προτροπής. Δώστε εσείς τις σημαντικές περιγραφικές πληροφορίες, μαζί με τη σχέση μεταξύ αντικειμένων αναφοράς, αντί να βασίζεστε σε αυτόματη επέκταση σύντομης ετικέτας. Για σειρά εικόνων, κρατήστε την ίδια αναφορά θέματος και τις οπτικές απαιτήσεις, αλλάζοντας κάθε φορά μία απόφαση σκηνής.

Ρυθμίσεις εξόδου και όρια εκδόσεων

Το συγκεκριμένο προφίλ 4B του παραγωγού αναφέρει έξοδο JPEG, PNG και WebP, με προεπιλογή JPEG. Τεκμηριώνονται ρητές τιμές πλάτους και ύψους με ελάχιστο 64 pixel για καθεμία· το παράδειγμα της κάρτας μοντέλου αναφοράς χρησιμοποιεί εικόνα 1024×1024. Αυτό το παράδειγμα είναι ρύθμιση δειγματοληψίας, όχι ισχυρισμός ότι κάθε εργασία πρέπει να είναι τετράγωνη ή ότι τα 1024 pixel είναι το μέγιστο του μοντέλου. Επιλέξτε την επιθυμητή περικοπή και το σχήμα προβολής πριν προετοιμάσετε την οπτική περιγραφή και συγκρίνετε κατόπιν μικρά γράμματα και χαρακτηριστικά σε αυτό το μέγεθος.

Το δημοσιευμένο παράδειγμα τεσσάρων βημάτων χρησιμοποιεί guidance_scale 1.0. Διατηρήστε αυτή την αποσταγμένη έκδοση χωριστή από το FLUX.2 [klein] Base 4B, του οποίου το σήμα εκπαίδευσης χωρίς απόσταξη προορίζεται για προσαρμογή, εκπαίδευση LoRA και έρευνα. Το Base 4B και τα μοντέλα 9B είναι διαφορετικές επιλογές, με διαφορετικά ζητήματα προετοιμασίας και δειγματοληψίας. Οι τυπικοί έλεγχοι του συμπαγούς μοντέλου διαφέρουν επίσης από τα ρυθμιζόμενα βήματα και guidance του [flex]· το [max] έχει δική του δυνατότητα τεκμηρίωσης μέσω αναζήτησης.

Λεπτομέρειες που πρέπει να επαληθευτούν στην εικόνα

Η συγκεκριμένη κάρτα μοντέλου αναφέρει ότι αυτό το μοντέλο δεν είναι πηγή πραγματολογικών πληροφοριών. Το γραπτό κείμενο μέσα σε εικόνα μπορεί να είναι ανακριβές ή παραμορφωμένο και η παραγόμενη σκηνή μπορεί να αποκλίνει από το αίτημα. Το ύφος προτροπής επηρεάζει σημαντικά τη συμμόρφωση. Ελέγξτε ορθογραφία, ποσότητες, ετικέτες, ταυτότητα θέματος και τα συγκεκριμένα αντικείμενα που πρέπει να παραμείνουν· μια ελκυστική σύνθεση δεν αποδεικνύει ότι ένα χαρακτηριστικό προϊόντος ή εικονογραφημένο γεγονός είναι σωστό. Ο κατασκευαστής σημειώνει επίσης ότι οι στατιστικές έξοδοι μπορούν να αντανακλούν προκαταλήψεις των δεδομένων εκπαίδευσης.

Για ελεγμένο οπτικό αρχείο, κρατήστε τις αρχικές αναφορές, την τελική διατύπωση και την επιλεγμένη ταυτότητα μοντέλου μαζί με την εικόνα. Η τεκμηρίωση έκδοσης διακρίνει το ενδεικτικό υδατογράφημα σε επίπεδο pixel στον κώδικα αναφοράς από τα μεταδεδομένα προέλευσης C2PA που εφαρμόζονται στη φιλοξενούμενη ροή εξόδου του κατασκευαστή. Η διατήρηση της επιστρεφόμενης προέλευσης βοηθά να εξηγηθεί η καταγωγή ενός οπτικού αρχείου· διαφέρει από τον έλεγχο επιτυχίας της ζητούμενης οπτικής αλλαγής.