Der Open-Source-KI-Bild-Stack wird neu aufgebaut – ein Workflow nach dem anderen

Unter den Modellveröffentlichungen dieses Monats läuft eine leisere Geschichte, und sie spielt sich auf Hugging Face ab. Das Open-Source-Werkzeug, das die lokale KI-Bildgenerierung antreibt, wird neu aufgebaut – und die Leute, die das tun, sind nicht die großen Labore. Es ist die Community, die öffentlich arbeitet.

Das klarste Beispiel kam am 11. September 2026, als Hugging Face Workflow1111 veröffentlichte, ein Projekt, das den größten Teil der Funktionalität von AUTOMATIC1111 mit gr.Workflow nachbildet. Wenn Ihnen dieser Satz nichts sagt, hier die Kurzfassung: Die beliebteste lokale Oberfläche für Stable Diffusion, das Tool, mit dem eine ganze Generation begann, Bildmodelle auf der eigenen GPU auszuführen, wird in einer modernen, wartungsfreundlicheren Form neu implementiert.

Was AUTOMATIC1111 war und warum es wichtig ist

Um zu verstehen, warum der Neuaufbau eine Nachricht ist, braucht man ein wenig Hintergrund.

Jahrelang nutzte man zum lokalen Ausführen von Stable Diffusion die Web-UI von AUTOMATIC1111, die jeder als A1111 kannte. Sie war der Standard. Sie erledigte Text-zu-Bild, Bild-zu-Bild, Inpainting, Upscaling und ein weitläufiges Ökosystem von Erweiterungen. Die meisten Tutorials, die meisten LoRA-Trainingsskripte und ein Großteil des Muskelgedächtnisses der Community liefen darüber.

Das Problem ist, dass A1111 in die Jahre gekommen ist. Die Codebasis hat über Jahre Patches angehäuft, das Erweiterungssystem wurde fragil, und die zugrunde liegende Gradio-Version, auf der es aufbaute, ist veraltet. In der Zwischenzeit übernahm ComfyUI, die knotenbasierte Alternative, mit einem saubereren, besser zusammensetzbaren Design das Power-User-Segment des Marktes. A1111 verschwand nicht, aber sein Schwung kam zum Stillstand.

Workflow1111 ist ein Versuch, das A1111-Erlebnis auf Basis von gr.Workflow neu aufzubauen, der neueren, strukturierteren Art, Gradio-Apps zu erstellen. Es ist kein Fork. Es ist eine Neuimplementierung, die offen durchgeführt wird.

Was der Neuaufbau abdeckt

Der Umfang ist für ein Community-Projekt beeindruckend. Workflow1111 baut 73 Knoten über 11 Medien-Pipelines hinweg neu auf und deckt damit den größten Teil dessen ab, was A1111 zum Standard machte.

Die Liste umfasst Text-zu-Bild, Bild-zu-Bild und High-Resolution-Fix, die drei Kernaufgaben. Außerdem gibt es eine Prompt-Matrix, mit der sich Kombinationen aus Prompts und Parametern in einem Raster testen lassen, und eine VLM-Reverse-Prompt-Funktion, die ein Bild liest und daraus einen Prompt vorschlägt. Dazu kommen Inpaint-Maskenerzeugung, ControlNet-artige Präprozessoren zur Steuerung des Modells mit Kanten- und Posendaten, Hintergrundentfernung, PNG-Metadaten-Verarbeitung und sogar Bild-zu-Video.

Das letzte ist das verräterische Detail. Das ursprüngliche A1111 war ein Werkzeug für Standbilder. Die neu aufgebaute Version enthält Video, was zeigt, dass das Projekt nicht nur die Vergangenheit nachbildet. Es baut den Stack für die Richtung, in die sich das Feld entwickelt, nicht für den Stand von früher.

Warum die Community das selbst macht

Es gibt ein Muster, das Beachtung verdient. Die geschlossenen Labore liefern Modelle. Die Open-Source-Community liefert die Infrastruktur darum herum.

Die Modelle bekommen die Schlagzeilen, aber die Infrastruktur entscheidet, ob ein Modell tatsächlich nutzbar ist. Ein großartiges Modell ohne brauchbare Oberfläche ist ein Forschungsartefakt. Ein gutes Modell mit einer großartigen Oberfläche wird zu etwas, das ein Hobbyist auf einem Laptop ausführen kann.

Die Community baut diese Infrastruktur neu auf, weil die geschlossenen Unternehmen kein Interesse daran haben. Ein Unternehmen wie OpenAI hat keinen Anreiz, eine lokale Stable-Diffusion-UI zu pflegen. Der Anreiz, lokales Tooling am Leben zu erhalten, kommt von den Menschen, die es nutzen, und sie machen die Arbeit aus demselben Grund wie jeder Open-Source-Maintainer: Sie brauchen das Tool, also bauen sie es.

ComfyUI und das zweigleisige Ökosystem

Das lokale Ökosystem läuft inzwischen auf zwei Gleisen.

ComfyUI ist das Power-Tool. Es ist knotenbasiert, das heißt, man verdrahtet seine eigene Pipeline aus einzelnen Operationen. Es ist schwerer zu lernen, aber weitaus flexibler und ist zum Standard für Leute geworden, die präzise Kontrolle wollen. Es wird ständig aktualisiert, und die neuesten Versionen sind weiter in dasselbe Terrain vorgedrungen; neue Versionen erschienen erst Mitte September.

Workflow1111 und seinesgleichen bilden das Zugänglichkeits-Gleis. Sie reproduzieren das vertraute, lineare A1111-Erlebnis für Menschen, die keinen Knoten-Graphen lernen wollen. Die beiden Gleise bedienen unterschiedliche Menschen und existieren nebeneinander, weil die Anwendungsfälle unterschiedlich sind.

Die Bedeutung des Workflow1111-Neuaufbaus liegt darin, dass das Zugänglichkeits-Gleis nicht länger dem Verfall überlassen wird. Lange Zeit sah es so aus, als bestünde die Wahl zwischen einem alternden A1111 und einem ComfyUI, das echtes technisches Können verlangt. Der Neuaufbau gibt den Menschen eine gepflegte, moderne Option dazwischen.

Lohnt sich lokales Tooling überhaupt?

Für die meisten Menschen lautet die ehrliche Antwort: Nein, zumindest anfangs nicht.

Die Cloud-Tools sind für die meisten Aufgaben besser. Sie sind schneller gestartet, erfordern keine gute GPU und verlangen keine Wartung. Wenn Sie einfach ein Bild erstellen möchten, öffnen Sie eine Web-App und erstellen Sie es.

Lokales Tooling verdient seinen Platz aus drei bestimmten Gründen. Der erste sind die Kosten bei großer Menge. Wenn Sie Tausende von Bildern generieren, schlägt der Preis pro Bild mit eigener Hardware jede API. Der zweite ist die Kontrolle. Lokale Tools lassen Sie jeden Parameter anfassen, eigene Modelle und LoRAs einwechseln und Pipelines bauen, die die Cloud-Tools niemals freigeben werden. Der dritte ist der Datenschutz. Wenn Ihre Bilder oder Prompts sensibel sind, bedeutet lokales Ausführen, dass sie Ihren Rechner nie verlassen.

Der Haken ist die Lernkurve. Lokales Tooling setzt voraus, dass man ein wenig über Modelle, ein wenig über Hardware und ein wenig über das Tooling selbst versteht. Das ist eine echte Hürde, und genau diese Hürde versuchen Projekte wie Workflow1111 zu senken, indem sie eine vertraute, lineare Oberfläche zurückbringen.

Der praktische Weg ist, in der Cloud zu starten und erst dann auf lokal umzusteigen, wenn man an eine Wand stößt. Wenn Sie dagegen stoßen, bedeutet die Tatsache, dass der Open-Source-Stack aktiv neu aufgebaut wird, dass die Wand niedriger ist als früher – und weiter sinkt.

Was es bedeutet, wenn Sie Modelle nicht lokal ausführen

Die meisten Menschen, die das lesen, werden nie ein Modell lokal ausführen, und das ist in Ordnung. Die Cloud-Tools sind für die meisten Aufgaben besser und werden immer günstiger.

Aber die Gesundheit des Open-Source-Stacks ist trotzdem für alle wichtig, aus zwei Gründen. Erstens kommen von dort die günstigen und kostenlosen Optionen. Die offenen Modelle und das Tooling darum herum sind es, die den Boden des Marktes davon abhalten zu steigen. Zweitens tauchen dort tendenziell zuerst die Ideen der nächsten Generation auf. Lokales Tooling ist der Ort, an dem Menschen mit den ungewöhnlichen Workflows experimentieren, die schließlich von den großen Unternehmen zu Produkten gemacht werden.

Workflow1111 ist im großen Ganzen ein kleines Projekt, eine Neuimplementierung einer Oberfläche, die die meisten Menschen nie nutzen werden. Aber es ist ein Signal dafür, dass das Open-Source-Ökosystem für KI-Bilder die Flut geschlossener Modelle nicht nur überlebt. Es wird aktiv neu aufgebaut, von Menschen, denen es wichtig ist, für ein Feld, das sich immer noch schneller verändert, als irgendjemand Schritt halten kann.