Black Forest Labs: FLUX.2 Klein 4B

FLUX.2 [klein] 4B je kompaktný model Black Forest Labs na vytváranie obrázka z textového opisu a úpravu obrázkov s vizuálnymi referenciami. Jeho rectified-flow transformer so štyrmi miliardami parametrov spája generovanie a úpravy v jednej architektúre. Pomenovaná edícia 4B je destilovaná na malý počet krokov a referenčný príklad výrobcu používa štyri inferenčné kroky.

Úlohou modelu je interaktívny vizuálny návrh alebo revízia: preskúmať produktovú scénu, zmeniť odev postavy, spojiť subjekt s prostredím alebo doladiť vzhľad ilustrácie. Začnite dôležitou udalosťou či kompozíciou a potom opíšte subjekt, materiál, osvetlenie a uhol pohľadu. Konkrétne zadanie môže umiestniť matnú modrú keramickú šálku na svetlý dubový stôl, v blízkom pohľade s bočným svetlom, ktorý zachová viditeľné uško a glazúru. Výsledkom je obrázok na porovnanie s týmito rozhodnutiami.

Úpravy s malou zostavou referencií

Dokumentovaný profil 4B prijíma až štyri vstupné obrázky. Každému priraďte jasnú úlohu: vzhľad produktu, postava, prostredie alebo štýl. Ak jeden obrázok predstavuje scénu na úpravu, určte ho a uveďte zmenu aj detaily na zachovanie. Napríklad zachovajte siluetu a povrch šálky z prvého obrázka, použite miestnosť z druhého a nahraďte iba prikrývku stola. Poradie referencií a presný pokyn na zmenu dávajú revízii jasnejší cieľ než žiadosť o všeobecné zlepšenie.

Výrobca rozlišuje tento kompaktný referenčný rozpočet od väčších variantov FLUX.2. Uvádza aj to, že [klein] nemá rozšírenie zadania. Dôležité opisné informácie vrátane vzťahu medzi referenčnými objektmi dodajte sami namiesto spoliehania sa na automatické rozšírenie krátkeho označenia. Pri sérii zachovávajte rovnakú referenciu subjektu a vizuálne požiadavky a meňte vždy jedno rozhodnutie o scéne.

Nastavenia výstupu a hranice edície

Presný profil 4B výrobcu uvádza výstup JPEG, PNG a WebP s predvoleným JPEG. Explicitná šírka a výška sú dokumentované s minimom 64 pixelov pre každú; príklad referenčnej karty modelu používa obrázok 1024×1024. Tento príklad je konfiguráciou vzorkovania, nie tvrdením, že každá úloha musí byť štvorcová alebo že 1024 pixelov je maximum modelu. Zamýšľaný výrez a formát zobrazenia zvoľte pred prípravou vizuálneho zadania a potom pri tejto veľkosti porovnajte jemné písmo a drobné prvky.

Publikovaný štvorkrokový príklad používa guidance_scale 1.0. Túto destilovanú edíciu udržujte oddelenú od FLUX.2 [klein] Base 4B, ktorého nedestilovaný tréningový signál je určený na adaptáciu, tréning LoRA a výskum. Base 4B a modely 9B sú samostatné voľby s odlišnými nárokmi na prípravu a vzorkovanie. Štandardné ovládanie kompaktného modelu sa tiež líši od nastaviteľných krokov a guidance pri [flex]; [max] má vlastnú schopnosť vyhľadávania na ukotvenie v zdrojoch.

Detaily na overenie v obrázku

Presná karta modelu uvádza, že tento model nie je zdrojom faktických informácií. Písaný text v obrázku môže byť nepresný alebo skreslený a generovaná scéna sa môže od požiadavky odchýliť. Štýl zadania významne ovplyvňuje dodržiavanie pokynov. Kontrolujte pravopis, množstvá, štítky, identitu subjektu a konkrétne objekty určené na zachovanie; príťažlivá kompozícia nepotvrdzuje správnosť produktovej vlastnosti ani ilustrovaného faktu. Výrobca tiež poznamenáva, že štatistické výstupy môžu odrážať skreslenia tréningových dát.

Pri posúdenom vizuáli uchovajte zdrojové referencie, konečné znenie a zvolenú identitu modelu spolu s obrázkom. Dokumentácia vydania rozlišuje ukážkové vodoznaky na úrovni pixelov v referenčnom kóde od metadát pôvodu C2PA používaných v hostovanom výstupnom postupe výrobcu. Uchovanie vrátených údajov o pôvode pomáha vysvetliť pôvod vizuálu; je oddelené od overenia, či požadovaná vizuálna zmena uspela.