FLUX.2 Klein folgt nicht denselben Regeln wie Stable Diffusion oder sogar sein Vorgänger FLUX.1. Black Forest Labs hat dieses Modell von Grund auf neu auf einer neuen MMDiT-Architektur aufgebaut und den alten T5+CLIP-Text-Encoder durch Qwen3 ersetzt. Das Ergebnis ist ein Bildgenerierungsmodell, das deine Prompts eher liest wie ein LLM als wie ein Diffusionsmodell.
Dieser Guide erklärt, wie FLUX.2 Klein Prompts interpretiert, führt durch fünf echte Beispiele mit generierten Outputs.
Was FLUX.2 Klein anders macht
Drei architektonische Entscheidungen definieren, wie du dieses Modell prompten solltest.
Qwen3-Text-Encoder. Wo FLUX.1 noch T5+CLIP nutzte, um deinen Prompt zu parsen, läuft er bei FLUX.2 Klein durch Qwen3 – ein mehrsprachiges Sprachmodell, das räumliche Beziehungen, logische Bedingungen und Mehrsatz-Beschreibungen bis zu 512 Tokens versteht. Du kannst schreiben: „eine Katze, die ein Schild hält, auf dem die Textfarbe zur Augenfarbe der Katze passt", und das Modell wird diese Beziehung tatsächlich versuchen umzusetzen.
Feste 4-Schritt-Generierung. Das Modell wurde per Step-Distillation darauf trainiert, seine beste Ausgabe in genau 4 Inference-Schritten zu liefern. Diese Zahl zu ändern verbessert nicht die Qualität – sie zerstört sie. Betrachte es als Feature, das jedes Bild die gleiche vorhersehbare Menge an Rechenleistung kosten lässt.
Kein Negative Prompt, keine Guidance-Skala. Du bekommst keinen „vermeide das"-Hebel. Jede Anweisung muss positiv formuliert sein: Statt „kein Blur" schreibst du „knackscharfer Fokus mit messerscharfen Details". Diese Einschränkung erzwingt besseres Prompt-Schreiben, was zu besseren Bildern führt.
Über diese Kernunterschiede hinaus unterstützt FLUX.2 Klein Multi-Image-Reference – bis zu 3 Eingabebilder, die das Modell per KV-caching als visuellen Kontext nutzt. Ein Produktfoto, eine Szenen-Referenz und ein Style-Guide können ohne LoRA-Training in eine Generierung einfließen. Die 4B-Variante erscheint unter Apache 2.0, kommerzielle Nutzung ist also vollständig erlaubt.
Die Prompt-Struktur, die funktioniert
FLUX.2 Klein belohnt Prosa statt Keywords. „Eine Frau Anfang 30, die an einem regendurchnässten Tokioter Zebrastreifen steht" erzeugt ein besseres Bild als „Frau, 30er, Tokio, Regen, Zebrastreifen, Straße."
Hier das Framework, das konstant starke Ergebnisse liefert:
| Element | Zweck | Beispiel |
|---|---|---|
| Motiv | Wer oder was | „Ein wettergegerbter Fischer Ende sechzig" |
| Aktion | Was passiert | „flickt mit schwieligen Händen ein zerrissenes Netz" |
| Szene | Wo, nach Tiefe geschichtet | „auf einem hölzernen Steg, Fischerboote im Mittelgrund, nebelverhangene Hügel dahinter" |
| Stil | Visueller Ansatz | „Dokumentarfotografie, auf Leica M11 aufgenommen" |
| Beleuchtung | Quelle, Qualität, Richtung | „bedecktes, diffuses Licht mit einem warmen Aufreißen in den Wolken kameraseitig links" |
| Kamera | Objektiv, Blende, Komposition | „85mm bei f/2.8, geringe Schärfentiefe, Drittelregel" |
| Materialien | Oberflächentexturen | „salzverschmutzte Canvas-Jacke, ausgefranste Hanfseile, wettergegerbte Teak-Planken" |
Frontlade dein Motiv. Das Modell achtet mehr auf das, was im Prompt zuerst erscheint. Dein Hauptmotiv nach drei Sätzen Szenenbeschreibung zu vergraben, schwächt seine Präsenz im Output.
Nenne deine Materialien. FLUX.2 Klein hat eine außergewöhnlich detaillierte Texturbibliothek. „Gebürstetes Aluminium mit dezenter radialer Maserung" rendert anders als einfach „Metall" – und näher an dem, was du tatsächlich willst.
Beschreibe Licht wie ein Fotograf. Gib die Quelle (natürlich, künstlich, ambient), Qualität (weich, hart, diffus), Richtung (Seiten-, Gegen-, Oberlicht) und Farbtemperatur (warm, kühl, golden) an. Lichtbeschreibungen haben den größten einzelnen Einfluss auf die Output-Qualität.
Prompt-Beispiele
1. Fotorealistisches Porträt
Ein ganzseitiges Editorial-Porträt einer 28-jährigen japanischen Keramikkünstlerin mit kurzgeschorenem schwarzen Haar und Tonstaub auf den Unterarmen, die eine lockere indigofarbene Leinen-Schürze über einem weißen Baumwoll-T-Shirt trägt. Sie steht in ihrer Werkstatt, umgeben von trocknender Töpferware auf Holzregalen, weiches Nordfensterlicht beleuchtet ihr Gesicht von kameraseitig links, knackscharfer Fokus auf ihre Augen, geringe Schärfentiefe bei f/1.8, auf Fujifilm GFX100S mit 110mm-Objektiv aufgenommen, warme, erdige Farbpalette, feine Hauttextur mit sichtbaren Poren, stille Konzentration in ihrem Ausdruck, matte Filmkörnung.
FLUX.2 Klein rendert Hauttextur und Gewebe auf einem Niveau, das frühere Open-Source-Modelle nicht erreichen konnten. Spezifische Materialien zu nennen – „indigofarbenes Leinen", „Tonstaub", „weiße Baumwolle" – aktiviert das Textur-Rendering des Modells auf Arten, die generische Beschreibungen verfehlen.
2. Illustration mit gemischten Stilen
Eine reich detaillierte digitale Illustration, die Moebius-Linienarbeit mit Ghibli-Aquarellwaschungen verschmilzt: eine junge Meeresbiologin in einem retrofuturistischen Tauchanzug mit zerkratztem Bernstein-Visier, sitzend auf dem Rumpf eines versunkenen Frachtschiffs am Meeresboden in Dämmerungstiefe. Biolumineszierende Quallen treiben im Mittelgrund vorbei, ein korallenbewachsener Anker liegt neben ihr. Warmes Bernsteingleuhen von ihrer Lampenlampe mischt sich mit kühlem, türkisfarbenem Biolumineszenzlicht aus dem umgebenden Wasser, handgezeichnete Konturlinien über weichen, flächigen Farbfüllungen, sichtbare Aquarellpapier-Textur, serene, nachdenkliche Atmosphäre, zentrierte Breitbildkomposition.
Der Qwen3-Encoder versteht Künstler-Referenzen und verschmilzt sie zu einer kohärenten Ästhetik, anstatt sich für eine zu entscheiden. Duale Lichtquellen – die warme Suit-Lampe gegen kühle Biolumineszenz – aktivieren die Color-Grading-Fähigkeiten des Modells besonders gut.
3. Produktaufnahme mit Multi-Image-Reference
Platziere die Taschenuhr aus dem ersten Referenzbild in der Eichentischszene aus der zweiten Referenz, wobei die exakten Proportionen, Zifferblatt-Markierungen und Gehäuseveredelung erhalten bleiben. Positioniere sie leicht links der Mitte mit der Kette zum rechten Rand hinabhängend, einem gefalteten Leinentuch darunter, weiches diffuses Morgenlicht von kameraseitig rechts erzeugt eine goldene Kantenlicht-Spiegelung am offenen Gehäuse. Dezente Reflexion auf der Schreibtischoberfläche, auf Hasselblad H6D mit 120mm-Makro bei f/8 aufgenommen, kommerzielle Produktfotografie, saubere Komposition, neutrales warmes Color Grading.
Dieser Workflow ist genau das, wofür Multi-Image-Reference gebaut wurde. Das Produkt behält seine Identität aus Referenz eins, die Szene stammt aus Referenz zwei, und dein Prompt muss nur die Kombination beschreiben – Positionierung, Beleuchtung und Komposition.
4. Präziser Text in einem Bild
Ein mattschwarzer Kaffebecher auf einer Beton-Arbeitsplatte neben einer gefalteten Zeitung. Der Becher trägt den Text „GOOD CODE SHIPS FAST" in sauberer weißer serifenloser Fett-Typografie, um die Mitte gewickelt. Dampf steigt vom Becher auf, weiches diffuses Deckenlicht von oben, geringe Schärfentiefe bei 50mm f/2.8, minimalistischer moderner Innenraum im Hintergrund leicht verschwommen, neutrale kühle Farbpalette, Editorial-Produktfotografie, knackscharfe lesbare Typografie.
FLUX.2 Klein behandelt Text im Bild deutlich besser als FLUX.1. Wenn du den Schriftschnitt („serifenlos fett"), die Farbe („sauber weiß"), die Platzierung („um die Mitte gewickelt") und die Groß-/Kleinschreibung angibst, hat das Modell genug Informationen, um konsistent lesbare Typografie zu rendern.
5. Komplexe, mehrschichtige Szene
Eine cineastische Ansicht einer alten, großen Bibliothek zur Goldenen Stunde. Vordergrund: ein schwerer Eichen-Lesetisch mit einem aufgeschlagenen ledergebundenen Buch, einer Messing-Lupe auf den Seiten. Mittelgrund: hohe dunkle Holzregale von Boden bis Decke, gefüllt mit gealterten Buchrücken in Bordeaux, Marineblau und Waldgrün. Hintergrund: ein großes Bogenfenster mit warmem goldenem Sonnenlicht, das durchströmt, Staubpartikel in den Lichtstrahlen schwebend. Auf 35mm bei f/4 aufgenommen, tiefe Schärfentiefe, feine Filmkörnung, reiche warme Farbpalette mit tiefen Holztönen und Bernsteinlicht, symmetrische zentrierte Komposition.
Eine Szene in Vorder-, Mittel- und Hintergrund aufzuteilen, gibt FLUX.2 Klein eine klare Tiefenstruktur, der es folgen kann. Jede Ebene erhält eigene Materialien und Lichtwechselwirkungen – Leder und Messing ganz vorn, gealterte Buchrücken in der Mitte, goldenes Fensterlicht hinten. Das Modell setzt diesen geschichteten Ansatz deutlich zuverlässiger um als eine einzelne endlose Beschreibung des gesamten Raums.
Häufige Fehler
Verwendung von Negative Prompts. FLUX.2 Klein ignoriert sie vollständig. Beschreibe stattdessen, was du sehen willst: „saubere Oberfläche, unmarkiert", anstatt zu versuchen, „Text, Wasserzeichen" auszuschließen.
Verändern der Schrittanzahl. Das Modell liefert nur bei 4 steps korrekten Output. Auf 20 oder 50 zu setzen, fügt keine Details hinzu – der Step-Distillation-Prozess wurde exakt auf 4 optimiert.
Kurze, vage Prompts schreiben. „Eine Frau in einem roten Kleid" verschwendet die Fähigkeiten des Qwen3-Encoders. FLUX.2 Klein produziert seinen stärksten Output mit 40-120-Wort-Prompts, die Motiv, Szene, Beleuchtung und Materialien detailliert beschreiben.
Generierung unter 768px. Das Modell wurde für hochauflösenden Output trainiert. Unter 768×768 sinkt die Qualität spürbar. Der Sweet Spot liegt zwischen 1024 und 1536 Pixeln pro Seite.
Anwenden von FLUX.1-LoRAs. FLUX.2 nutzt eine komplett andere Architektur – neuer Transformer, neuer Text-Encoder. FLUX.1-LoRAs sind inkompatibel. Multi-Image-Reference deckt die meisten Anwendungsfälle ab, die früher LoRA-Training erforderten.