Największa różnica między FLUX 3 a FLUX 2 nie polega na zwykłym podniesieniu jakości. FLUX 2 to rodzina modeli do generowania i edycji obrazów. FLUX 3 to multimodalny model bazowy, który wykracza w stronę wideo, natywnego audio i przewidywania działań, zachowując generowanie i edycję obrazów.
Ta różnica zmienia też to, który model ma dziś sens. FLUX 2 oferuje produkcyjne API obrazów i dobrze zdefiniowane warianty, a PoYo udostępnia teraz pięć produkcyjnych workflows wideo FLUX 3 z natywnym audio, wejściami wizualnymi, przedłużaniem i sterowaniem klatkami kluczowymi.
FLUX 3 vs FLUX 2 w skrócie
| Cecha | FLUX 2 | FLUX 3 |
|---|---|---|
| Główny cel | Generowanie i edycja obrazów | Ujednolicone generowanie i rozumienie multimodalne |
| Dane wejściowe | Tekst i referencje obrazowe | Tekst, obrazy i referencje wideo |
| Generowanie obrazów | Tak | Tak |
| Edycja obrazów | Tak | Tak |
| Generowanie wideo | Nie | Tak |
| Natywne audio | Nie | Tak |
| Wideo na wideo | Nie | Zapowiedziane |
| Klatki kluczowe na wideo | Nie | Zapowiedziane |
| Wielojęzyczne dialogi | Nie | Zapowiedziane |
| Przewidywanie działań | Nie | Zapowiedziane w wyspecjalizowanych wariantach |
| Otwarte wagi | Dostępne warianty FLUX.2 Klein | FLUX 3 Dev zapowiedziany, jeszcze niewydany |
| Status w PoYo | Dostępne API obrazów | Dostępnych pięć workflows wideo |
Różne cele produktowe
FLUX 2 zaprojektowano z myślą o wysokiej jakości syntezie i edycji obrazów. Jego rodzina obejmuje warianty nastawione na jakość, elastyczność i szybkość, dopasowane do różnych workflows obrazowych.
FLUX 3 korzysta ze wspólnej architektury dla obrazów, wideo i audio. Black Forest Labs przekonuje, że wspólna nauka tych modalności tworzy lepszą reprezentację świata: strukturę przestrzenną z obrazów, ruch i zmiany fizyczne z wideo oraz wskazówki przyczynowe z dźwięku.
Wynikiem jest szersza platforma, a nie bezpośredni zamiennik każdego endpointu obrazów FLUX 2.
Architektura: model obrazów a model multimodalny
FLUX 2 to rodzina modeli obrazów opartych na flow matching. Przyjmuje tekst i, w workflows edycji, referencje obrazowe, aby generować lub modyfikować obrazy statyczne.
FLUX 3 opiera się na badaniach BFL nad Self-Flow i na multimodalnym transformerze. Osobne enkodery i dekodery łączą obrazy, wideo, audio i potencjalnie sygnały działań ze wspólnym modelem.
Ta architektura ma wspierać zarówno generowanie, jak i rozumienie. Pozwala też, by wiedza zdobyta w jednej modalności poprawiała inną. Na przykład wideo może nauczyć model, jak porusza się przedmiot, a audio może dostarczyć dowodów na temat kontaktu, uderzenia i zachowania materiału.
Generowanie i edycja obrazów
Obie generacje obejmują syntezę i edycję obrazów, ale różnią się dostępnością.
FLUX 2
FLUX 2 to praktyczny wybór, gdy produkcyjny workflow potrzebuje:
- generowania obrazów z tekstu już teraz
- kontroli obrazu z wieloma referencjami
- edycji obrazów sterowanej promptem
- zdefiniowanych wariantów modeli i rozdzielczości
- znanych formatów żądań API i cennika
PoYo obsługuje obecnie warianty FLUX 2 Pro, Pro Edit, Flex i Flex Edit na stronie API FLUX 2.
FLUX 3
Black Forest Labs podaje, że FLUX 3 Image poprawia:
- obsługę złożonych promptów
- wielojęzyczne generowanie tekstu
- różnorodność stylów
- obsługę różnych proporcji i rozdzielczości
- edycję obrazów
BFL nie opublikowało jednak ustandaryzowanego porównania ostatecznych endpointów FLUX 3 Image z pełną rodziną FLUX 2. Twierdzenie, że FLUX 3 wygrywa w każdym zadaniu obrazowym, byłoby przedwczesne.
Wideo to główne ulepszenie FLUX 3
FLUX 2 nie generuje wideo. FLUX 3 Video dodaje:
- wideo z tekstu
- wideo z obrazu
- wideo na wideo
- kontynuację wideo i audio
- wideo z klatek kluczowych
- sterowanie postacią i stylem na podstawie referencji
- klipy do 20 sekund
- agentic chaining w sekwencje wieloujęciowe
Dzięki temu FLUX 3 trafia do innego zestawu workflows produkcyjnych, w tym reklamy, krótkich form fabularnych, animowanego projektu graficznego i previsualizacji audiowizualnej.
Natywne audio zmienia workflow
Typowy pipeline wideo AI może generować nieme ujęcia, a potem używać osobnych narzędzi do mowy, efektów dźwiękowych, dźwięków tła i muzyki.
FLUX 3 generuje wideo i audio łącznie. BFL podkreśla:
- dźwięki fizyczne zgrane z widocznymi zdarzeniami
- wielojęzyczne dialogi
- mimikę i mowę
- kontynuację wideo i audio
- spójność audio w wygenerowanym ruchu
Natywne audio nie usuwa potrzeby kontroli ani projektowania dźwięku. Zmienia punkt wyjścia, bo daje scenę audiowizualną zamiast niemego klipu.
Kontrola referencji
FLUX 2 używa tekstu i referencji obrazowych do generowania i edycji. Dobrze nadaje się do obrazów produktowych, konceptów postaci, kompozycji i kontrolowanych zmian wizualnych.
FLUX 3 rozszerza kontrolę referencji na wideo:
- użyj obrazu jako klatki początkowej
- użyj obrazów jako referencji tożsamości lub stylu
- przenieś kluczowe elementy z jednego wideo do drugiego
- kontynuuj klip audiowizualny
- określ moment początkowy i końcowy za pomocą klatek kluczowych
PoYo obsługuje obecnie jeden obraz źródłowy dla wideo z obrazu, dwa uporządkowane obrazy dla generowania z pierwszej i ostatniej klatki, do dziesięciu klatek kluczowych z określoną pozycją oraz źródło MP4 do przedłużania wideo. Aktualne limity przesyłania sprawdź w dokumentacji API FLUX 3.
Dostęp do modeli i otwarte wagi
FLUX 2 ma już wydane opcje API i otwartych wag. FLUX.2 Klein na przykład jest przeznaczony do szybkiego generowania lokalnego lub hostowanego, na opublikowanych licencjach i z opublikowanymi wymaganiami.
Dla FLUX 3 BFL zapowiedziało:
- FLUX 3 Image przez API i prywatne wagi
- FLUX 3 Video przez API i prywatne wagi
- FLUX 3 Dev jako multimodalny szkielet z otwartymi wagami
- FLUX 3 Action przez wybranych partnerów
Wagi FLUX 3 Dev, licencja, miejsce pobrania i wymagania systemowe pozostają nieznane.
Dostępność i cennik
Obie rodziny są dostępne w PoYo, ale do różnych zadań produkcyjnych. FLUX 2 oferuje udokumentowane warianty generowania i edycji obrazów. FLUX 3 oferuje obecnie pięć workflows wideo: wideo z tekstu, wideo z obrazu, generowanie z pierwszej i ostatniej klatki, przedłużanie wideo oraz klatki kluczowe z określoną pozycją.
Standardowe workflows wideo FLUX 3 kosztują 34 kredyty za sekundę w 720p lub 58 kredytów za sekundę w 1080p. Przedłużanie kosztuje odpowiednio 82 lub 106 kredytów za sekundę. Wydane w PoYo ID modeli i pola żądań znajdziesz w dokumentacji API FLUX 3.
Obecne wydanie w PoYo to konkretnie rodzina wideo FLUX 3. Nie zakładaj, że osobne pozycje z planu rozwoju, czyli FLUX 3 Image, Action lub Dev, są częścią tych endpointów.
Który model wybrać?
Wybierz FLUX 2, gdy:
- potrzebujesz produkcyjnego API obrazów już teraz
- twoim wynikiem jest obraz statyczny
- potrzebujesz edycji obrazów opartej na referencjach
- wymagasz znanego cennika i parametrów żądań
- chcesz przetestować kilka wariantów nastawionych na obrazy
Śledź FLUX 3, gdy:
- potrzebujesz wideo z natywnym audio
- twój workflow łączy tekst, obrazy i referencje wideo
- chcesz kontynuacji wideo lub przejść między klatkami kluczowymi
- ważne są wielojęzyczne dialogi
- badasz multimodalne modele świata lub przewidywanie działań
Używaj obu, gdy:
FLUX 2 może pozostać stabilną warstwą produkcji obrazów, podczas gdy zespół ocenia FLUX 3 w nowych workflows audiowizualnych. FLUX 3 nie musi zastępować działającego pipeline obrazów już pierwszego dnia.
Najczęstsze pytania
Czy FLUX 3 jest lepszy niż FLUX 2?
FLUX 3 ma znacznie szerszy zestaw możliwości, ale nie ma jeszcze wystarczająco dużo publicznych, niezależnych testów, by stwierdzić, że jest lepszy w każdym zadaniu generowania lub edycji obrazów.
Czy FLUX 2 obsługuje wideo?
Nie. FLUX 2 to rodzina modeli do generowania i edycji obrazów.
Czy FLUX 3 nadal generuje obrazy?
Tak. FLUX 3 Image obsługuje syntezę i edycję obrazów obok nowych kierunków: wideo, audio i działań.
Czy FLUX 3 zastąpi FLUX 2?
BFL nie zapowiedziało, że FLUX 3 natychmiast zastąpi FLUX 2. W PoYo oba modele obecnie się uzupełniają: FLUX 2 obsługuje produkcyjne workflows obrazowe, a FLUX 3 pięć produkcyjnych workflows wideo.
Czy FLUX 3 jest open source?
Zapowiedziano szkielet FLUX 3 Dev z otwartymi wagami, ale nie został jeszcze wydany.
Który model jest dostępny w PoYo?
Oba są dostępne w PoYo. Wybierz FLUX 2 do generowania i edycji obrazów albo FLUX 3 do pięciu wydanych workflows wideo z natywnym audio.
Podsumowanie
FLUX 2 i FLUX 3 nie powinny być rozumiane wyłącznie jako stary i nowy model obrazów. Reprezentują dwa zakresy produktowe:
- FLUX 2: generowanie i edycja obrazów nastawione na produkcję
- FLUX 3: multimodalny fundament dla obrazu, wideo, natywnego audio i działań
Do obecnych zadań związanych z obrazem aktualnym wyborem pozostaje FLUX 2. Do generowania audiowizualnego i referencji multimodalnych dostępnych jest już pięć workflows wideo FLUX 3.
Przeczytaj szerszy przegląd FLUX 3, poznaj przewodnik po FLUX 3 Video albo skorzystaj z FLUX 3 w PoYo.
Źródła: Ogłoszenie FLUX 3 od Black Forest Labs, Ogłoszenie FLUX.2 od Black Forest Labs