為什麼重要
FLUX 接過了 Stable Diffusion 在開放影像生態中扮演的角色。社群工具、微調模型和 LoRA 都轉向了它,它在 ComfyUI、Replicate 和 fal 等推論平台以及各種商業產品裡都很容易用到。它的 API 模型還在不少知名創意應用程式的幕後被使用。
它也把這個領域推向了新的架構。FLUX 使用的是以流匹配(具體來說是 rectified flow)訓練的擴散 Transformer,而不是早期 Stable Diffusion 版本的 U-Net 擴散設計。這一組合此後成了頂尖影像和影片模型的標準配方。
深度解析
FLUX 由 Black Forest Labs 開發,這是一家德國實驗室,創辦人中有好幾位是 Stable Diffusion 背後的研究者。第一個家族 FLUX.1 在 2024 年 8 月推出,分三個版本:Pro(僅透過 API 提供)、Dev(開放權重,限非商業用途)和 Schnell(德語裡「快」的意思,一個蒸餾版本,以寬鬆的 Apache 2.0 授權條款發布)。
FLUX 很快成為領先的開放權重影像模型。它比此前的開放模型更能遵循又長又細的提示,畫手和文字可靠得多,並且追平或超過了同期的許多閉源模型。
模型家族
- FLUX.1 [pro]、[dev]、[schnell](2024 年):最初的文生圖模型,約 120 億參數。Schnell 只需 1 到 4 步就能生成不錯的影像。
- FLUX.1 Tools:用於局部重繪、畫面外擴和結構控制(深度圖或邊緣圖)的附加模型,思路上類似 ControlNet。
- FLUX.1 Kontext(2025 年):一個影像編輯模型。你給它一張圖加一條指令(「把夾克換成紅色」「把這個角色放到海灘上」),它在編輯的同時讓主體在多次編輯中保持一致。
- FLUX.2(2025 年底):下一代模型,解析度更高,文字更好,支援多張參考圖輸入,同樣是 API 版本和開放權重版本並存。
內部原理
FLUX.1 在一個 16 通道 VAE 的壓縮潛空間裡生成,比舊版 Stable Diffusion 模型的 4 通道潛變數保留了更多細節,FLUX.2 則使用 32 通道 VAE。提示由大型文字編碼器讀取(FLUX.1 中是 T5 加 CLIP,FLUX.2 中是單一 Mistral 文字編碼器),這是它能理解複雜提示的重要原因。Dev 和 Schnell 版本是從 Pro 蒸餾而來的,所以它們不按通常的方式使用經典的負面提示或無分類器引導,而是接受一個內建在模型裡的「guidance」值。
自己執行
全精度的 FLUX.1 Dev 需要約 24 GB VRAM,但量化版本(FP8、NF4 或 GGUF)能在 8 到 12 GB 的顯示卡上執行,品質上有所取捨。ComfyUI 是在本地執行它最常見的方式,為特定風格、產品或人物微調 LoRA 也是很流行的用法。
授權
每個版本都要查看授權條款。Schnell 是 Apache 2.0,可以商用。Dev 等級的權重使用非商業授權條款,商業使用可以透過 Black Forest Labs 的 API 或付費授權獲得。