Flux-Modellarchitektur: Wie das 12B-Modell realistische NSFW-Inhalte erzeugt

Stand Mai 2026 stechen die Flux-Modelle von Black Forest Labs heraus, weil sie das alte U-Net-Schema hinter sich gelassen haben. Flux.1 erschien im August 2024 mit einem 12B-Hybrid-Setup. Flux.2 kam im November 2025 und wurde weiter verfeinert. Der Clou liegt in den Double-Stream- und Single-Stream-MMDiT-Blöcken. Sie verarbeiten Text- und Bild-Tokens gemeinsam durch multimodale Attention. Rectified Flow Matching ersetzt den klassischen Noisy-Diffusion-Tanz. Rotary Embeddings halten die räumlichen Beziehungen stabil. Diese Größe und die Architektur-Änderung zeigen sich dort, wo es am wichtigsten ist: Hautporen, die echt wirken, Muskelschatten, die dem Licht korrekt folgen, und intime Posen, die nicht in anatomische Albträume zerfallen. Ältere U-Net-Designs hatten mit diesen Details zu kämpfen. Flux rendert sie einfach.

Alles beginnt mit Rauschen. Das Modell nutzt parallele Transformer-Blöcke, damit jeder Text-Token direkt mit jedem Bild-Patch kommunizieren kann. Multimodale Attention ist hier der entscheidende Faktor. Wenn du einen bestimmten Körperwinkel oder Ausdruck vorgibst, fixieren die Attention-Layer die Semantik frühzeitig. Der Rectified-Flow-Pfad bereinigt das Sample danach, ohne den üblichen Drift älterer Modelle. Am Ende erhältst du kohärente Hände, konsistente Beleuchtung über Hautfalten hinweg und eine Szenenkomposition, die dem Prompt tatsächlich folgt. Diese Präzision ist der Grund, warum Flux bei komplexen Adult-Szenen der älteren Stable-Diffusion-Backbone überlegen ist.

Flux.2 brachte eine neue VAE, integrierte Mistral-3-VLM-Semantik und ermöglicht Multi-Reference-Support für bis zu zehn Bilder. Diese Änderungen sorgen für stabilere Identität über mehrere Aufnahmen hinweg und verbessern das Verständnis von Kleidung, Beleuchtung und Körperbeziehungen. Allein das VAE-Upgrade reduziert die wachsartigen Haut-Artefakte, die bei manchen Generationen noch auftreten. Multi-Reference macht Multi-Charakter-Szenen deutlich stabiler. Flux’ fortschrittliche multimodale Transformer-Architektur ist genau das, was nächste Generationen von NSFW-Video- und Bildgeneratoren braucht, um kohärenteren, anatomisch präziseren und besser steuerbaren Adult-Content zu erzeugen. Flux-Modellarchitektur: Hybrid-Transformer für NSFW-Präzision