Architektura modelu Flux: Jak model 12B tworzy realistyczne NSFW

Od maja 2026 modele Flux z Black Forest Labs wyróżniają się, ponieważ porzuciły stary schemat U-Net. Flux.1 pojawił się w sierpniu 2024 z hybrydową konfiguracją 12B. Flux.2 przybył w listopadzie 2025 i udoskonalił go dalej. Spójrz, sekret tkwi w tych blokach MMDiT z podwójnym i pojedynczym strumieniem. Przetwarzają one tokeny tekstu i obrazu razem poprzez multimodalną uwagę. Rectified flow matching zastępuje zwykły hałaśliwy taniec dyfuzji. Rotary embeddings utrzymują ścisłe relacje przestrzenne. Ta skala plus zmiana architektury pokazuje się tam, gdzie ma to największe znaczenie: pory skóry, które wyglądają realistycznie, cienie mięśni, które prawidłowo podążają za światłem, i intymne pozy, które nie zapadają się w koszmarne anatomie. Starsze projekty U-Net walczyły z tymi szczegółami. Flux po prostu je renderuje.

Zacznij od szumu. Model uruchamia równoległe bloki transformer, które pozwalają każdemu tokenowi tekstowemu bezpośrednio komunikować się z każdą łatką obrazu. Multimodalna uwaga jest tutaj prawdziwym motorem. Rzecz w tym, że gdy prosisz o konkretny kąt ciała lub ekspresję, warstwy uwagi wcześnie blokują semantykę. Ścieżka rectified flow następnie oczyszcza próbkę bez zwykłego dryfu, na który cierpią starsze modele. Szaleństwo. Kończysz z koherentnymi dłońmi, spójnym oświetleniem na fałdach skóry i kompozycją sceny, która naprawdę podąża za promptem zamiast zgadywać. Ta precyzja sprawia, że Flux wyprzedza na złożonych scenach adult w porównaniu ze starszym szkieletem Stable Diffusion.

Flux.2 dodał nowy VAE, wciągnął semantykę Mistral-3 VLM i otworzył wsparcie dla wielu referencji do dziesięciu obrazów. Te zmiany zacieśniają tożsamość między ujęciami i poprawiają sposób, w jaki model rozumie ubrania, oświetlenie i relacje ciała. Nie będę kłamać, samo ulepszenie VAE zmniejsza woskowe artefakty skóry, które wciąż prześladują niektóre generacje. Wsparcie wielu referencji sprawia, że sceny wielopostaciowe są znacznie stabilniejsze. Zaawansowana architektura multimodalnego transformera Flux to dokładnie to, co umożliwia generatorom wideo i obrazów NSFW nowej generacji tworzenie bardziej spójnych, anatomicznie dokładnych i kontrolowanych treści adult. Architektura modelu Flux: Hybrydowy Transformer dla precyzji NSFW