Black Forest Labs: FLUX.3 Image

A FLUX 3 Image a Black Forest Labs képgeneráló és -szerkesztő modellje, kifejezett kompozícióvezérléssel. Szövegleírás új jelenetet készíthet; megadott képek témát, módosítandó jelenetet vagy több egyesítendő elemet rögzíthetnek. Befoglaló téglalapokkal a leírás megadhatja az egyes elemek helyét és a meglévő kép változtatandó részeit. Az eredmény a kért jelenetet, szöveget és elrendezést tartalmazó, ellenőrizhető kép.

Jelenet készítése vagy szerkesztési utasítás megadása

Új képhez írd le a témát, cselekvést vagy pózt, környezetet, fényt és képkivágást. A képen belüli pontos szöveget tedd idézőjelbe, és add meg megjelenési helyét. Eredeti termékleírás mutathat piros kempingbögrét világos kőfelületen, fölötte nagy címsorral és a fület kiemelő lágy reggeli fénnyel. Határozd meg a címsor, termék és háttér kapcsolatát, egymástól független stílusszavak helyett.

Szerkesztésnél azonosítsd a konkrét tárgyat és változást: bögre átszínezése, címkecsere, figura elmozdítása vagy jelenet újrastilizálása. Egyetlen szerkesztés nem igényel kézzel rajzolt téglalapot. A dokumentált folyamat generálás előtt kibővíti az utasítást, megkeresheti a megnevezett elemet és automatikusan hozzáadhat egy téglalapot. A visszaadott kibővített prompt rögzíti ezt az értelmezést, ami hasznos, ha az utasítás rossz tárgyat jelöl ki vagy nem kívánt részletet vezet be.

Referenciaképek egyesítése és előkészítése

A pontos gyártói profil egy–tíz referenciát fogad kép-URL-ként vagy kódolt képadatként. Mindegyik legalább 256×256 pixeles és legfeljebb 16 megapixeles legyen. Pozíciójával vagy látható tartalmával nevezd meg a referenciát, majd magyarázd el szerepét: az Image 1 személye, az Image 2 kabátja és az Image 3 szobája. A képreferencia vizuális információforrás, nem utasítás minden benne lévő, független részlet másolására.

Az oldalarány-beállítás alapértelmezése auto. A kérési specifikációban a promptban kért arány elsőbbséget élvez; egyébként az első referencia határozza meg a képkivágást, és ha sem referencia, sem kért forma nem adja meg, négyzetes kimenet az alapértelmezett tartalék. Kompozitnál a kívánt jelenetreferenciát tedd elsőre, vagy válaszd ki az arányt kifejezetten. A forrásképeket és sorrendjüket őrizd meg az eredménnyel, hogy későbbi módosítás ugyanabból a vizuális kiindulópontból induljon.

Elemek elhelyezése befoglaló téglalapokkal

Az elrendezési prompt képleírást és elemsorokat tartalmazó JSON-tömböt egyesít. A leírás például <cup_1> jelölővel nevez meg egy elemet; a sor id, bbox és desc mezőt tartalmaz. A koordináták 0–1000 közötti egészek [top, left, bottom, right] sorrendben, a bal felső saroktól mérve. Például [0, 0, 500, 500] a bal felső negyedet írja le a kép pixelméretétől függetlenül. Az elrendezéshez tervezett oldalarányt használd, mert a koordinátarács a képkivágással nyúlik.

A szerkesztési sor ehelyett from, src_bbox és tgt_bbox mezőt használ az azonosító és leírás mellett. A ref_image_0 az első megadott képet jelenti. Egyező forrás- és céltéglalap rögzíti az elemet; eltérő téglalap mozgatja vagy átméretezi. Forrás nélküli új sor a célhelyre generálja leírását, lehetővé téve hozzáadást, cserét vagy átszínezést. Cél nélküli forrássor eltávolítja az elemet. A hozzáadásokat és eltávolításokat az írott utasításban és sorokban is add meg, a helyben tartandó részletekhez pedig őrizd meg a rögzítő sorokat.

A felirat kapjon saját téglalapot, pontos szövege idézve szerepeljen a desc mezőben. A téglalapok az elhelyezést és méretet irányítják; nem vágómaszkok, ezért az elem túlnyúlhat rajtuk. A gyártó beszámolója szerint példáiban a nagyjából 40×25 pixeles téglalapok új tárgyai gyakran nem jelentek meg. Hagyj elegendő látható helyet, és ellenőrizd a szerkesztett határokat. A célterületen kívüli pixelek rendszerint stabilak maradnak, de az árnyékok, tükröződések és közeli világítás változhat.

Megalapozás, kimeneti osztályok és hasznos nyilvántartás

A dokumentált profil alapértelmezetten engedélyezi a megalapozást, így webes és képkeresés segítheti a generálást. Ez kikapcsolható, ha a leírás csak saját szövegét és referenciáit használhatja. Valós témánál világosan azonosítsd a helyszínt, eseményt vagy tárgyat, és különítsd el a tényszerű tartalmat a művészi megoldástól. A kereséssel segített képet is hiteles anyaghoz kell mérni, ha egy címkének, tárgynak vagy ábrázolt eseménynek pontosnak kell lennie.

Az öt felbontási osztály 768sq, 1k, 1.5k, 2k és 4k, alapértelmezetten 1k. Ezek azonos pixelterületű szinteket jelentenek, ezért a pontos szélesség és magasság a választott aránytól függ. Tizenöt rögzített arány terjed 21:9-től négyzetes és álló formákon át 9:21-ig. E modell profilja aránnyal és felbontással szabályozza a méretet; nem teszi elérhetővé a FLUX.2 kérésprofilok seed, width vagy height mezőit. Dokumentált verzióválasztója jelenleg változó kiadást nevez meg, nem dátumozott egyezést a beszállítói súlyokkal.

A gyártói folyamat aszinkron feldolgozás után képet és kibővített promptot ad vissza. Az aláírt képletöltési link egy óráig érvényes. Ideiglenes link helyett őrizd meg magát a képet, végső promptot és referenciákat. Ellenőrzött kép esetén a kért szöveget, tárgyelhelyezést, referenciaazonosságot és módosított területet a tervezett megjelenítési méretben hasonlítsd össze. A befejezett generálás e vizuális követelmények ellenőrzésének kiindulópontja.