图像模型开源还得是 FLUX！股票配资排排
Black Forest Labs 刚刚宣布开源旗舰图像模型FLUX.1 Kontext [ dev ] ，专为图像编辑打造，还能直接在消费级芯片上运行。
只有小小的12B，更少的参数，更快的推理，性能更是媲美GPT-image-1等一众闭源模型。
现在 FLUX.1 Kontext [ dev ] 可以让小狗迅速离开画面，为小老鼠戴上胡须，添加文字、修改背景也不在话下。
或者多次输入指令，直到让小哥成为酒吧里最靓的崽（bushi），直到让画面符合咱们需求。
具体来说，FLUX.1 Kontext [ dev ] 的主要特点有：
可以根据编辑指令直接更改现有图像，以及进行精确的本地和全局编辑。
不用做任何微调，就能直接引用里面的人物角色、风格样式和物品元素。
允许用户通过多次连续编辑优化图像 , 同时将视觉漂移降到最低。
专门为 NVIDIA Blackwell 进行了权重优化。
网友们也立马上手试玩，制作了一个旅行的 CPU 青蛙？
旅行必备的墨镜，还有抗寒的帅气红色毛衣也要准备妥当。（蛙蛙：出片，我势在必行）
或者 copy 一下自己喜欢的动漫角色。
轻轻松松店铺打烊，结束打工人完美的一天～（doge）
还有网友脑洞大开，试着和LoRA结合，造出了一个 Kontext 风格化肖像制作 APP。
现在 FLUX.1 Kontext [ dev ] 还完全支持ComfyUI。
温馨提示，官方直接开放了试玩 API，只需点击文末链接、上传图片就可以立即爽玩！
网友看罢表示，Black Forest Labs 不愧是图像届的 DeepSeek。
FLUX.1 Kontext 的开放权重变体
FLUX.1 Kontext 模型上个月一经发布，就因为其强大的上下文生成和编辑功能广受好评。
与现有的文本到图像模型不同，FLUX.1 Kontext 系列执行上下文图像生成，可以直接使用文本和图像进行提示，并无缝提取和修改视觉细节。
目前已经发布了适合快速迭代的专业版FLUX.1 Kontext [ pro ] 和高配版FLUX.1 Kontext [ max ] 。
FLUX.1 Kontext [ dev ] 作为 FLUX.1 Kontext 最新发布的开源版本，不仅继承了其图像生成的优势，它还更专注于编辑任务，可以直接在消费类硬件上运行。
首先模型架构上，依旧基于的是FLUX.1 模型，它是一种在图像自动编码器的潜在空间中训练的整流流 Transformer 模型，由双流块和单流块混合构建而成。
在此基础上，FLUX.1 Kontext [ dev ] 采用标记序列构建和位置信息编码进行优化：
标记序列构建：图像通过冻结的 FLUX 自动编码器，编码成潜在的上下文图像标记，并输入到模型的视觉流中。
位置信息编码：通过三维旋转位置嵌入（3D RoPE）对位置信息进行编码，为上下文标记的嵌入提供恒定偏移量。并将其视作为虚拟时间步，以清晰分离上下文和目标块，同时保持它们的内部空间结构。
然后使用整流流匹配损失进行训练，在训练时从 FLUX.1 的文本到图像检查点开始，收集并整理数百万个关系对进行模型优化。
优化后得到的流匹配模型进行潜在对抗扩散蒸馏（LADD），在减少采样步骤的同时提高样本质量，使 FLUX.1 Kontext [ dev ] 更高效。
最终得到的 FLUX.1 Kontext [ dev ] 模型包含120 亿参数，可以更专注于编辑任务，支持迭代编辑，可以在各种场景和环境中保留角色特征，并允许用户进行精确的局部或全局编辑。
图像编辑新标准
实验引入自研的KontextBench 基准进行模型性能验证，该基准包含 1026 个图像 - 提示对，涵盖局部编辑、全局编辑、角色参考、风格参考和文本编辑五个任务类别。
结果显示 FLUX.1 Kontext [ dev ] 在许多类别上都优于现有的开放式图像编辑模型和封闭模型，例如 Bytedance Bagel、HiDream-E1-Full 以及 OpenAI 的 GPT-image-1 等。
另外，FLUX.1 Kontext [ dev ] 还专门针对新的NVIDIA Blackwell 架构进行了TensorRT权重优化，可以在保持高质量的图像编辑性能的同时，极大地提高推理速度并减少内存使用量。
官方还提供了 BF16、FP8 和 FP4 TensorRT 的权重变体，用户可以自行对其速度、效率和质量进行调整，综合确保 FLUX.1 Kontext [ dev ] 充分利用最新的硬件功能。
在实际用户的反馈中，也发现 FLUX.1 Kontext [ dev ] 的推理速度较前代提升了 4 至 5 倍，模型在NVIDIA H100 GPU上运行，通常 5 秒内能够完成，在 Replicate 上的运行成本约为 0.0067USD，或每 1USD 运行 149 次。
但是也有网友提到，在 MacBook Pro 的芯片上运行时，迭代时间较长，每次迭代都需要 1 分钟左右。
那么欢迎你也一起来试一试，并将你的体验分享至评论区～
试玩链接：https://huggingface.co/spaces/black-forest-labs/FLUX.1-Kontext-Dev
论文链接：https://arxiv.org/abs/2506.15742
代码链接：https://github.com/black-forest-labs/flux/blob/main/docs/image-editing.md
参考链接：
[ 1 ] https://x.com/bfl_ml/status/1938257909726519640
[ 2 ] https://bfl.ai/announcements/flux-1-kontext-dev
[ 3 ] https://bfl.ai/models/flux-kontext
[ 4 ] https://huggingface.co/black-forest-labs/FLUX.1-Kontext-dev
[ 5 ] https://x.com/ComfyUI/status/1938259329498681385
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
� � 量子位 AI 主题策划正在征集中！欢迎参与专题365 行 AI 落地方案，一千零一个 AI 应用，或与我们分享你在寻找的 AI 产品，或发现的AI 新动向。
� � 也欢迎你加入量子位每日 AI 交流群，一起来畅聊 AI 吧～
一键关注 � � 点亮星标
科技前沿进展每日见股票配资排排
10倍杠杆配资提示：文章来自网络，不代表本站观点。
