Black Forest Labs: FLUX.2 Klein 4B

FLUX.2 [klein] 4B to kompaktowy model Black Forest Labs do tworzenia obrazu z opisu tekstowego i edycji obrazów z referencjami wizualnymi. Jego transformer rectified-flow o czterech miliardach parametrów łączy generowanie i edycję w jednej architekturze. Nazwana wersja 4B jest poddana destylacji liczby kroków, a przykład referencyjny producenta wykorzystuje cztery kroki wnioskowania.

Rolą modelu jest interaktywny szkic wizualny lub poprawka: eksplorowanie sceny produktowej, zmiana ubrania postaci, połączenie tematu z otoczeniem lub dopracowanie wyglądu ilustracji. Zacznij od ważnego zdarzenia lub kompozycji, a następnie opisz temat, materiał, oświetlenie i punkt widzenia. Konkretny opis może umieszczać matową niebieską ceramiczną filiżankę na jasnym dębowym stole, w zbliżeniu oświetlonym z boku, z widocznym uchwytem i szkliwem. Wynikiem jest obraz do porównania z tymi decyzjami.

Edycja z niewielkim zestawem referencji

Udokumentowany profil 4B przyjmuje maksymalnie cztery obrazy wejściowe. Nadaj każdemu jasną rolę: wygląd produktu, postać, otoczenie lub styl. Jeśli jeden obraz jest sceną do edycji, wskaż go i określ zarówno zmianę, jak i szczegóły do zachowania. Na przykład zachowaj sylwetkę i powierzchnię filiżanki z pierwszego obrazu, użyj pokoju z drugiego i zmień tylko nakrycie stołu. Kolejność referencji i precyzyjna instrukcja zmiany dają poprawce jaśniejszy cel niż prośba o ogólne ulepszenie.

Producent odróżnia ten kompaktowy budżet referencji od większych wariantów FLUX.2. Podaje również, że [klein] nie rozwija promptów. Samodzielnie dostarcz ważne informacje opisowe, w tym relacje między obiektami z referencji, zamiast polegać na automatycznym rozwinięciu krótkiej etykiety. W serii zachowuj tę samą referencję tematu i wymagania wizualne, zmieniając po jednej decyzji dotyczącej sceny.

Ustawienia wyniku i granice wersji

Konkretny profil 4B producenta wymienia wynik JPEG, PNG i WebP, domyślnie JPEG. Podane wprost wartości szerokości i wysokości mają według dokumentacji minimum 64 piksele każda; przykład referencyjny w karcie modelu używa obrazu 1024×1024. Ten przykład jest konfiguracją próbkowania, a nie twierdzeniem, że każde zadanie musi być kwadratowe lub że 1024 piksele stanowią maksimum modelu. Wybierz zamierzony kadr i format wyświetlania przed przygotowaniem opisu wizualnego, a następnie porównaj drobne napisy i małe cechy w tym rozmiarze.

Opublikowany przykład czterokrokowy używa guidance_scale 1.0. Odróżniaj tę destylowaną wersję od FLUX.2 [klein] Base 4B, którego niedestylowany sygnał treningowy jest przeznaczony do adaptacji, treningu LoRA i badań. Base 4B i modele 9B są odrębnymi wyborami, z innymi wymaganiami przygotowania i próbkowania. Standardowe ustawienia kompaktowego modelu różnią się także od regulowanych kroków i guidance w [flex]; [max] ma własną funkcję wyszukiwania informacji ugruntowujących.

Szczegóły do sprawdzenia w obrazie

Konkretna karta modelu podaje, że model nie jest źródłem informacji faktograficznych. Tekst wewnątrz obrazu może być błędny lub zniekształcony, a wygenerowana scena może odbiegać od żądania. Styl promptu znacząco wpływa na zgodność. Sprawdź pisownię, ilości, etykiety, tożsamość obiektu lub postaci i konkretne przedmioty do zachowania; atrakcyjna kompozycja nie potwierdza poprawności cechy produktu ani zilustrowanego faktu. Producent zauważa też, że statystyczne wyniki mogą odzwierciedlać uprzedzenia danych treningowych.

Dla ocenionego materiału zachowaj referencje źródłowe, ostateczne sformułowanie i wybraną tożsamość modelu wraz z obrazem. Dokumentacja wydania odróżnia przykładowe znakowanie wodne na poziomie pikseli w kodzie referencyjnym od metadanych pochodzenia C2PA stosowanych w hostowanym procesie wyjściowym producenta. Zachowanie zwróconych informacji o pochodzeniu pomaga wyjaśnić źródło materiału; jest odrębne od sprawdzania, czy żądana zmiana wizualna się powiodła.