FLUX.2 Klein nenasleduje rovnaké pravidlá ako Stable Diffusion či dokonca jeho predchodca FLUX.1. Black Forest Labs vybudovali tento model od nuly na novej architektúre MMDiT, pričom starý textový enkóder T5+CLIP vymenili za Qwen3. Výsledkom je model na generovanie obrázkov, ktorý číta vaše prompty skôr ako LLM než ako difúzny model.
Tento sprievodca rozoberá, ako FLUX.2 Klein interpretuje prompty, prechádza piatimi reálnymi príkladmi s vygenerovanými výstupmi.
Čo robí FLUX.2 Klein iným
Tri architektonické voľby definujú, ako by ste mali tento model promptovať.
Textový enkóder Qwen3. Kým FLUX.1 na parsovanie promptu používal T5+CLIP, FLUX.2 Klein ho beží cez Qwen3 – viacjazyčný jazykový model, ktorý rozumie priestorovým vzťahom, logickým podmienkam a viacvetným opisom až do 512 tokenov. Môžete napísať „mačka držiaca ceduľu, kde sa text zhoduje s farbou očí mačky“ a model skutočne vyskúša tento vzťah.
Pevná 4-kroková generácia. Model bol krokovane destilovaný, aby produkoval najlepší výstup v presne 4 krokoch inferencie. Zmena tohto čísla nezlepší kvalitu – rozbije ju. Považujte to za vlastnosť, ktorá robí každý obrázok rovnako predvídateľne drahý na výpočet.
Žiadny negatívny prompt, žiadna guidance scale. Nedostanete páčku „vyhnúť sa tomu“. Každá inštrukcia musí byť vyjadrená pozitívne: namiesto „bez rozmazania“ napíšte „krištáľovo ostré stred so žiletkovo ostrými detailmi“. Toto obmedzenie vynúti lepšie písanie promptov, čo vedie k lepším obrázkom.
Okrem týchto základných rozdielov FLUX.2 Klein podporuje viacobrázkovú referenciu – až 3 vstupné obrázky, ktoré model používa ako vizuálny kontext prostredníctvom KV-cachingu. Produktová fotka, referencia scény a štýlový sprievodca sa môžu spojiť do jednej generácie bez akéhokoľvek LoRA trénovania. Varianta 4B je uvoľnená pod Apache 2.0, takže komerčné využitie je plne povolené.
Štruktúra promptu, ktorá funguje
FLUX.2 Klein odmeňuje prózu pred kľúčovými slovami. „Žena okolo tridsiatky stojaca na dokrčanej dažďom tokijskej priechode pre chodcov“ vygeneruje lepší obrázok než „žena, 30, Tokio, dážď, priechod, ulica“.
Tu je rámec, ktorý konzistentne prináša silné výsledky:
| Prvok | Účel | Príklad |
|---|---|---|
| Subjekt | Kto alebo čo | „Zrastný rybár neskorých šesťdesiatych rokov“ |
| Akcia | Čo sa deje | „spravuje roztrhanú sieť mozolnatými rukami“ |
| Scéna | Kde, vrstvené podľa hĺbky | „na drevenom móle, rybárske lode v strednom pláne, kopce pokryté hmlou vzadu“ |
| Štýl | Vizuálny prístup | „dokumentárna fotografia, natáčané na Leica M11“ |
| Osvetlenie | Zdroj, kvalita, smer | „zamračené rozptýlené svetlo s teplým prielomom v mračnách zľava z kamery“ |
| Kamera | Objektív, clona, kompozícia | „85mm pri f/2.8, plytká hĺbka ostrosti, pravidlo tretín“ |
| Materiály | Povrchové textúry | „plátená vetrovka so soľnými škvrnami, oťukané konopné lano, ošúchané teakové dosky“ |
Dajte subjekt dopredu. Model venuje viac pozornosti tomu, čo sa v promptu objaví ako prvé. Pochovanie hlavného subjektu po troch vetách opisu scény oslabí jeho prítomnosť vo výstupe.
Pomenujte svoje materiály. FLUX.2 Klein má výnimočne detailnú knižnicu textúr. „Liaty hliník so sotrom radiálnym vrúbkovaním“ sa vyrendruje inak než len „kov“ – a bližšie k tomu, čo skutočne chcete.
Opisujte svetlo tak, ako by to urobil fotograf. Špecifikujte zdroj (prirodzené, umelé, okolité), kvalitu (mäkké, ostré, rozptýlené), smer (bočné, zadné, zvrchu) a farebnú teplotu (teplá, chladná, zlatá). Opisy osvetlenia majú najväčší vplyv na kvalitu výstupu.
Príklady promptov
1. Fotorealistický portrét
Plnoformátový redakčný portrét 28-ročnej japonskej keramičky s krátko strihanými čiernymi vlasmi a hlinou na predlaktiach, oblečenej vo voľnom indigovo farbenom plátenom záchrade cez biele bavlnené tričko. Stojí vo svojej dielni obklopená sušiacou sa keramikou na drevených policiach, mäkké severne orientované okenné svetlo ju osvetľuje zľava z kamery, ostré zaostrenie na jej oči, plytká hĺbka ostrosti pri f/1.8, natáčané na Fujifilm GFX100S s 110mm objektívom, teplá zemito zemitá farebná paleta, jemná textúra kože s viditeľnými pórmi, tichá koncentrácia vo výraze, matné filmové zrnko.
FLUX.2 Klein rendruje textúru kože a látky na úrovni, ktorej predchádzajúce open-source modely nedosiahli. Pomenovanie konkrétnych materiálov – „indigovo farbené plátno“, „hlinkový prach“, „biela bavlna“ – aktivuje rendrovanie textúr modelom spôsobom, aký všeobecné opisy míňajú.
2. Ilustrácia so zmiešanými štýlmi
Bohato detailná digitálna ilustrácia spájajúca linkovanie Moebius s akvarelovými preplachmi Ghibli: mladá morská biologička v retrofuturistickom potápačskom obleku s prasknutým jantárovým vizárom, sediaca na trupe potopenej nákladnej lode na dne oceánu v hĺbke súmraku. Bioluminescenčné medúzy sa vznášajú popri v strednom pláne, korálmi obrastená kotva leží vedľa nej. Teplá jantárová žiara z lampášika jej skafandra sa mieša s chladnou tyrkysovou bioluminescenciou okolitej vody, ručne kreslené obrysové linky cez mäkké plné farebné výplne, viditeľná textúra akvarelového papiera, kontemplatívna pokojná atmosféra, centrovaná široká kompozícia.
Qwen3 enkóder rozumie referenciám na konkrétnych umelcov a zlúči ich do súvislej estetiky namiesto výberu jedného z nich. Dvojité zdroje svetla – teplý lampášik skafandra proti chladnej bioluminescencii – obzvlášť dobre aktivujú schopnosti modelu v oblasti farebného gradingu.
3. Produktový záber s viacobrazkovou referenciou
Umiestnite vreckové hodiny z prvého referenčného obrázku na scénu s dubovým stolom z druhej referencie, pričom zachováte ich presné proporcie, označenia ciferníka a povrchú úpravu. Umiestnite ich mierne vľavo od stredu s retiazkou sa tiahnucou k pravému okraju, zložená látková utierka pod nimi, mäkké rozptýlené ranné svetlo sprava z kamery vytvárajúce zlatý okrajový odlesk na otvorenom puzdre. Jemný odraz na povrchu stola, natáčané na Hasselblad H6D s 120mm makro pri f/8, komerčná produktová fotografia, čistá kompozícia, neutrálny teplý farebný grading.
Tento pracovný tok je presne to, na čo bola viacobrazková referencia postavená. Produkt si zachová identitu z prvej referencie, scéna prichádza z druhej referencie a váš prompt potrebuje opísať len kombináciu – poziciovanie, osvetlenie a kompozíciu.
4. Presný text v obrázku
Matný čierny kávový hrnolok stojaci na betónovej kuchynskej linke vedľa zložených novín. Hrnolok obsahuje text „GOOD CODE SHIPS FAST“ v čistej bielej bezserifovej tučnej typografii obtočenej okolo jeho stredu. Para stúpa z hrnolku, mäkké rozptýlené vrchné kuchynské svetlo, plytká hĺbka ostrosti pri 50mm f/2.8, minimálne moderné interiérové pozadie mierne rozmazané, neutrálna chladná farebná paleta, redakčná produktová fotografia, krištáľovo čitateľná typografia.
FLUX.2 Klein zvláda text v obrázku výrazne lepšie než FLUX.1. Špecifikovanie štýlu písma („bezserifové tučné“), farby („čistená biela“), umiestnenia („obtočená okolo stredu“) a veľkosti písmen dáva modelu dostatok informácií na konzistentné rendrovanie čitateľnej typografie.
5. Komplexná viacvrstvová scéna
Filmový pohľad na veľkú starú knižnicu v zlatej hodine. Predný plán: ťažký dubový čítací stôl s otvorenou knihou viazanou v koži, mosadzná lupa odpočívajúca na jej stránkach. Stredný plán: vysoké tmavé drevené knižné police siahajúce od podlahy po strop, plné oťukaných chrbtov v bordó, námorníckej modrej a lesnozelenej. Pozadie: veľké arkýřové okno teplým zlatým slnečným svetlom prenikajúcim dnu, čiastočky prachu plávajúce v lúčoch. Natáčané na 35mm pri f/4, hĺbkové zaostrenie, jemné filmové zrnko, bohatá teplá farebná paleta s hlbokými drevenými tónmi a jantárovým svetlom, symetrická centrovaná kompozícia.
Rozdelenie scény na predný plán, stredný plán a pozadie dáva FLUX.2 Klein jasnú hĺbkovú štruktúru na sledovanie. Každá rovina dostáva vlastné materiály a interakcie s osvetlením – koža a mosad zblízka, oťukané chrbty kníh v strede, zlaté okenné svetlo vzadu. Model zvláda tento vrstvený prístup oveľa spoľahlivejšie než jediný súvislý opis celej miestnosti.
Časté chyby
Používanie negatívnych promptov. FLUX.2 Klein ich úplne ignoruje. Opíšte, čo chcete vidieť: „čistý povrch, bez označení“ namiesto pokusu o vylúčenie „text, vodoznak“.
Zmena počtu krokov. Model produkuje správny výstup len pri 4 krokoch. Nastavenie na 20 či 50 nepridá detail – proces krokovnej destilácie bol optimalizovaný presne na 4.
Písanie krátkych, neurčitých promptov. „Žena v červených šatách“ plytvá schopnosťami Qwen3 enkóderu. FLUX.2 Klein produkuje najsilnejší výstup pri promptoch s 40–120 slovami, ktoré detailne opisujú subjekt, scénu, osvetlenie a materiály.
Generovanie pod 768px. Model bol trénovaný pre vysokorozlíšenie výstup. Pod 768×768 kvalita citeľne klesá. Zlatá stredná cesta je medzi 1024 a 1536 pixelmi na stranu.
Aplikovanie FLUX.1 LoRA. FLUX.2 používa úplne inú architektúru – nový transformér, nový textový enkóder. FLUX.1 LoRA sú nekompatibilné. Viacobrazková referencia pokrýva väčšinu prípadov použitia, ktoré predtým vyžadovali LoRA trénovanie.