bfl/flux-pro

Flux模型是由Black Forest Labs（BFL）推出的新一代图像生成模型系列，旨在克服传统Stable Diffusion（SD）架构的局限性。该系列通过底层架构重构，显著提升了生成质量、推理速度以及对复杂文本提示的理解与控制能力。‌ 

模型背景与核心思想 Flux模型由Stable Diffusion原班人马创立的研究机构Black Forest Labs开发。其核心思想并非对SD进行改良，而是采用全新的多模态扩散Transformer（MMDiT）架构与基于修正流（Rectified Flow）的生成框架，从底层彻底重构了图像生成流程。‌ 

相比传统SD模型，Flux旨在解决计算开销大、长文本理解弱、可控性差等痛点。‌

关键架构与技术 Flux模型的核心创新主要体现在以下两方面：  ‌

多模态扩散Transformer（MMDiT）架构‌ MMDiT架构是Flux能高效处理文本与图像信息的关键。它并非简单地将文本与图像token混合处理，而是通过交叉注意力机制让两者分别处理后再交互，从而保留各自特性并避免信息污染。‌

输入流程包括： ‌文本编码‌：提示词通过CLIP-G/14、CLIP-L/14和T5 XXL三个编码器分别提取全局语义、局部细节与生成更丰富的文本表示。‌ 1 ‌图像编码‌：图像经VAE编码为潜空间向量（如64×64×4），经打补丁（Patching）和位置编码后形成序列。‌‌

主干网络‌：一系列MMDiT Block接收图像token、条件信息与时间步，通过调制（Modulation）层动态影响注意力机制，确保生成过程准确遵循文本指导，最终经Unpatching层输出。‌ 1 ‌2. 基于修正流（Rectified Flow）的生成框架‌ Flux放弃了传统扩散模型的复杂噪声调度，转而采用修正流（Rectified Flow）框架。该框架通过学习一条近似直线的最优传输路径，将高斯噪声直接映射到数据分布，从而实现更直接、梯度更稳定的生成过程，这也是Flux模型推理速度显著提升的关键原因。‌ 

其生成步骤可简化为：文本编码初始化、噪声潜变量初始化、MMDiT主干网络逐步细化布局与细节、最终经VAE解码输出图像。‌ 

模型版本与特点 Flux系列已推出多个版本，具备不同的特点与适用场景： ‌Flux.1‌：于2024年推出，开源版本在生成质量媲美SDXL的同时，推理速度提升近一倍。它显著增强了文本依从性、多主体生成能力和手部生成等细节表现。‌ ‌

Flux.2‌：于2025年末推出，进一步嵌入了Mistral-3 24B大语言模型，旨在提升对复杂提示的深层语义理解与生成能力。‌ 

Flux.1提供了多种型号，包括开源可快速推理的“schnell”版本、适用于开发的“dev”版本以及仅通过API访问的“pro”版本。‌

其训练策略强调数据质量优于数量，并采用了务实的设计以提升模型性能。‌ 

性能与应用 Flux模型在多项能力上表现突出： ‌文本控制‌：能有效处理较长英文文本，对复杂提示（如包含多个对象、属性与空间关系的描述）的理解与依从性显著增强。‌ ‌

多主体生成‌：在多实体生成及分别控制颜色等任务上能力出色。‌ 

 ‌生成速度‌：基于修正流框架，其推理步骤减少，生成速度相比传统SD模型有显著优势。‌ 

 在风格适应性上，Flux模型保持了较好的多样性，但其对某些特定风格（如中国水墨画）的理解可能仍有局限。‌

 总体而言，Flux模型系列通过创新的架构设计，为图像生成领域提供了更高效、可控且理解能力更强的解决方案。