Black Forest Labs: FLUX.3 Image

FLUX 3 Image to model generowania i edytowania obrazów firmy Black Forest Labs z wyraźnym sterowaniem kompozycją. Opis tekstowy może utworzyć nową scenę; dostarczone obrazy mogą określać obiekt, scenę do poprawienia lub kilka elementów do połączenia. Prostokąty ograniczające pozwalają wskazać w opisie miejsce każdego elementu i części istniejącego obrazu do zmiany. Wynikiem jest obraz, na którym należy sprawdzić zamówioną scenę, tekst i układ.

Utwórz scenę lub podaj instrukcję edycji

Dla nowego obrazu opisz obiekt, działanie lub pozę, otoczenie, światło i kadr. Umieść dokładny tekst do pokazania na obrazie w cudzysłowie i określ jego położenie. Autorski opis produktu może przedstawiać czerwony kubek turystyczny na jasnej kamiennej powierzchni, z dużym nagłówkiem nad nim i miękkim porannym światłem uwydatniającym uchwyt. Zdefiniuj relację między nagłówkiem, produktem i tłem, zamiast podawać niepowiązane określenia stylu.

Przy edycji wskaż konkretny obiekt i zmianę: zmień kolor kubka, zastąp etykietę, przesuń postać lub zmień stylistykę sceny. Pojedyncza edycja nie wymaga ręcznie narysowanego prostokąta. Udokumentowany przepływ rozwija instrukcję przed generowaniem i może automatycznie zlokalizować nazwany element oraz dodać prostokąt. Zwrócony rozwinięty prompt zapisuje tę interpretację, co przydaje się, gdy instrukcja wybierze niewłaściwy obiekt lub wprowadzi niechciany szczegół.

Połącz i przygotuj obrazy referencyjne

Konkretny profil producenta przyjmuje od jednej do dziesięciu referencji, dostarczonych jako adresy URL obrazów lub zakodowane dane obrazowe. Każda musi mieć co najmniej 256×256 pikseli i nie więcej niż 16 megapikseli. Nazwij referencję według pozycji lub widocznej treści, a następnie wyjaśnij jej rolę: osoba z Image 1, kurtka z Image 2 i pokój z Image 3. Obraz referencyjny jest źródłem informacji wizualnych, a nie instrukcją kopiowania wszystkich niepowiązanych szczegółów, które zawiera.

Ustawienie proporcji domyślnie ma wartość auto. W specyfikacji żądania pierwszeństwo mają proporcje zażądane w prompcie; w przeciwnym razie pierwszy obraz referencyjny wyznacza kadr, z kwadratowym wyjściem jako wariantem rezerwowym, gdy nie określa go ani referencja, ani żądany kształt. W kompozycji ustaw zamierzoną referencję sceny jako pierwszą lub wybierz proporcje wprost. Zachowaj obrazy źródłowe i ich kolejność przy wyniku, aby późniejsza poprawka korzystała z tego samego wizualnego punktu wyjścia.

Rozmieść elementy za pomocą prostokątów ograniczających

Prompt układu łączy opis z tablicą JSON wierszy elementów. Opis nazywa element za pomocą znacznika takiego jak <cup_1>; wiersz zawiera id, bbox i desc. Współrzędne są liczbami całkowitymi od 0 do 1000 w kolejności [top, left, bottom, right], mierzonymi od lewego górnego narożnika. Przykładowo [0, 0, 500, 500] opisuje lewą górną ćwiartkę niezależnie od rozmiaru obrazu w pikselach. Używaj proporcji, dla których zaprojektowano układ, ponieważ siatka współrzędnych rozciąga się wraz z kadrem.

Wiersz edycji używa zamiast tego from, src_bbox i tgt_bbox obok identyfikatora i opisu. ref_image_0 oznacza pierwszy dostarczony obraz. Zgodne prostokąty źródłowy i docelowy zakotwiczają element; różne prostokąty przesuwają go lub zmieniają rozmiar. Nowy wiersz bez źródła generuje swój opis w docelowej lokalizacji, umożliwiając dodawanie, zastępowanie lub zmianę koloru. Wiersz źródłowy bez celu usuwa element. Określ dodatki i usunięcia zarówno w instrukcji pisemnej, jak i w wierszach oraz zachowaj wiersze kotwiczące szczegóły, które mają pozostać na miejscu.

Nadaj napisom własny prostokąt i zacytuj dokładne brzmienie w desc. Prostokąty kierują położeniem i skalą; nie są maskami przycinającymi, więc element może wychodzić poza ich granice. Producent podaje, że nowe obiekty w prostokątach około 40×25 pikseli często nie pojawiały się w jego przykładach. Zapewnij dostateczną widoczną przestrzeń i sprawdź edytowane granice. Piksele poza celem zwykle pozostają stabilne, ale cienie, odbicia i pobliskie oświetlenie nadal mogą się zmienić.

Ugruntowanie w źródłach, klasy wyjścia i przydatne zapisy

Udokumentowany profil domyślnie włącza ugruntowanie, pozwalając wyszukiwaniu internetowemu i obrazów wpływać na generowanie. Można je wyłączyć dla zadania, które ma używać wyłącznie dostarczonego opisu i referencji. Przy rzeczywistym temacie jasno określ miejsce, wydarzenie lub obiekt i oddziel fakty od opracowania artystycznego. Obrazy wspomagane wyszukiwaniem nadal wymagają porównania z miarodajnym materiałem, gdy etykieta, obiekt lub przedstawione wydarzenie muszą być dokładne.

Pięć klas rozdzielczości to 768sq, 1k, 1.5k, 2k i 4k, z domyślnym 1k. Przedstawiają poziomy o równych polach liczonych w pikselach, dlatego dokładna szerokość i wysokość zależą od wybranych proporcji. Piętnaście stałych proporcji obejmuje zakres od 21:9 przez format kwadratowy i pionowy do 9:21. Profil tego modelu steruje rozmiarem przez proporcje i rozdzielczość; nie udostępnia pól seed, width ani height używanych w profilach żądań FLUX.2. Udokumentowany selektor wersji obecnie wskazuje zmienne wydanie, a nie potwierdza zgodności z datowanymi wagami dostawcy.

Przepływ producenta zwraca obraz po przetwarzaniu asynchronicznym wraz z rozwiniętym promptem. Podpisany link do pobrania obrazu jest ważny przez godzinę. Zachowaj rzeczywisty obraz, końcowy prompt i referencje, zamiast polegać na linku tymczasowym. Przy ocenie materiału porównaj zamówiony tekst, rozmieszczenie obiektów, tożsamość referencji i zmieniony obszar w docelowym rozmiarze wyświetlania. Ukończone generowanie jest punktem wyjścia do sprawdzenia tych wymagań wizualnych.