FLUX 3 Image ha trasformato la generazione di immagini in un file di layout

Black Forest Labs ha rilasciato FLUX 3 Image il 1° ottobre, e gran parte della copertura si è concentrata sulla risoluzione: output nativo fino a 4K, circa 16,8 megapixel, nessun upscaler nel processo. È un vero miglioramento. È anche l'aspetto meno interessante del rilascio.

La parte per cui vale la pena leggere la documentazione è il formato di input. FLUX 3 Image non vuole un paragrafo e un desiderio. Vuole una tabella.

Ogni elemento ha un indirizzo

Una richiesta di generazione è un array JSON di elementi. Ogni elemento porta un ID univoco, un bounding box scritto come `[y_min, x_min, y_max, x_max]` su una griglia normalizzata da 0 a 1000, e una descrizione in linguaggio naturale di ciò che deve stare lì. Un blocco di sfondo copre l'intera tela. Un prodotto si trova a `[400, 200, 950, 800]`. Un logo vive nell'angolo in alto a sinistra. Il prompt di scena esiste ancora, ma ora è uno tra diversi input anziché l'intero brief.

La griglia è indipendente dalla risoluzione. Lo stesso JSON di layout genera la stessa composizione a 768 pixel di larghezza o a 4K nativo, il che significa che il layout testato su una bozza economica è il layout che ottieni sul finale costoso.

Sembra una funzione di comodità. In pratica cambia chi può chiamare il modello. BFL ha progettato la tabella degli elementi in modo che un modello linguistico possa scriverla a partire da un brief di una riga e da un aspect ratio di destinazione. Un agente non deve tradurre l'intento in prosa e sperare per il meglio. Può disporre l'immagine come disporrebbe un foglio di calcolo, e gli ID degli elementi sopravvivono come riferimenti che può citare nei turni successivi.

C'è anche una conseguenza più economica. Poiché la griglia è indipendente dalla risoluzione, un layout può essere validato a 768 pixel a una frazione del prezzo e poi renderizzato a 4K con la composizione intatta. Iterazione e consegna finale smettono di contendersi il budget, il che conta per chiunque produca decine di immagini sullo stesso template.

Il pixel locking e il problema del drift

L'editing segue la stessa logica. Si specificano un bounding box di origine e uno di destinazione, si sceglie l'elemento da spostare, sostituire o rimuovere, e i pixel al di fuori di quella regione dovrebbero restare esattamente dove erano. La misurazione di BFL colloca le aree non toccate tra il 67,8 e l'89,7 percento di fedeltà bit-identica, un intervallo che dipende da quanto è complessa la modifica.

La parte onesta è la formulazione. La demo di lancio promette modifiche "senza cambiare nessun altro pixel". La documentazione API dice che i pixel non toccati "generalmente" restano invariati, e BFL ammette che le modifiche possono estendersi oltre il box specificato. Gli artefatti di bordo sono reali. Qualsiasi team che inserisca questo in una pipeline dovrebbe costruire un test di accettazione anziché fidarsi della demo.

Eppure, il confronto con l'inpainting ordinario non è nemmeno vicino. L'inpainting tradizionale lascia un drift sottile anche nelle regioni che gli è stato detto di lasciare intatte. Su una singola modifica, nessuno se ne accorge. Su un ciclo di approvazione in dieci passaggi, lo sfondo si è spostato, la tipografia si è ammorbidita e la composizione non corrisponde più a ciò che un cliente aveva approvato tre round prima. È quell'accumulo a rendere inutilizzabili le lunghe catene di editing, ed è proprio la cosa che i bounding box dovrebbero fermare.

Cosa hanno effettivamente trovato i creator

Un creator che ha eseguito le stesse istruzioni di editing su Midjourney, Ideogram 4.5 e FLUX 3 Image ha pubblicato un confronto utile. In un test che chiedeva di ricolorare un capo in seta rosa con fiori bianchi e un fiocco giallo crema, e poi dei macro primi piani del viso e delle mani, Midjourney ha gestito i primi piani ma ha mancato i fiori bianchi e la tonalità esatta. Ideogram 4.5 ha rispettato le modifiche al capo, anche se l'illuminazione negli scatti macro risultava sbagliata. FLUX 3 Image ha rispettato le modifiche al capo e ha ricevuto elogi per illuminazione e contesto nei primi piani. In un test separato, ha mantenuto una modifica su una minuscola colonna confinata agli oggetti previsti, mentre gli altri due hanno diffuso la modifica più ampiamente.

Il thread di un creator non è un benchmark. Trattatelo come un segnale su dove il modello è forte, che sembra essere il rispetto di istruzioni di dettaglio fine più che la stilizzazione ampia.

Cosa i bounding box non risolvono

Posizionamento e drift sono due problemi, non tutti. Un box dice al modello dove va una cosa. Non dice al modello che aspetto deve avere, e non impedisce a un elemento di riferimento di cambiare stile una volta posizionato. I team che generano un singolo prodotto su trenta sfondi diversi devono comunque mantenere coerente il prodotto stesso, e quel lavoro vive nelle immagini di riferimento e nel prompt, non nelle coordinate.

Il rendering del testo è l'altra cucitura aperta. Le immagini demo di BFL provengono da un prompt curato da un essere umano. Se un modello di layout posizioni in modo affidabile testo leggibile dentro un box piccolo, con un font specifico, è una questione separata, e il materiale di lancio non la affronta. Per il lavoro di impaginazione editoriale e di e-commerce, che è il pubblico a cui questo rilascio è destinato, è il dettaglio che decide l'adozione.

Né un input strutturato rende il modello meno una scatola nera in fatto di estetica. Puoi specificare che un logo va nell'angolo in alto a sinistra. Non puoi specificare che la composizione debba trasmettere calma.

I compromessi che nessuno ha messo nel titolo

I bounding box richiedono più configurazione che digitare "rendi lo sfondo blu". Devi sapere dove vanno le cose. Per un'immagine una tantum, quel sovraccarico probabilmente non vale la pena. Per una pipeline che rigenera lo stesso layout su venti foto prodotto, o per un agente che deve posizionare un logo in un punto affidabile, ripaga in fretta.

Il prezzo di lancio è scontato del 50 percento fino all'8 ottobre: circa 0,0205 $ per un'immagine a 768 pixel fino a 0,3035 $ per il 4K, con riferimenti e prompt inclusi e le generazioni fallite non fatturate. I pesi commerciali self-hosted sono disponibili contattando BFL, e un'edizione open-weights è promessa nelle prossime settimane.

La gestione dei riferimenti merita una nota a sé. Una singola chiamata accetta fino a 10 immagini di riferimento, e a ogni elemento si può indicare da quale riferimento proviene e dove va collocato. Dieci riferimenti da soli non sono inusuali. Dieci riferimenti che mappano ciascuno su un box specifico della tela sono un workflow per assemblare una composizione a partire da asset esistenti, il che è più vicino a come lavora un designer che a come funziona un prompt. Combinate questo con la griglia di layout e il modello inizia a somigliare meno a un pittore e più a un compositore con delle opinioni.

Il quadro più ampio è che le API di immagini sono state ottimizzate per anni attorno a una domanda: quanto bella viene l'immagine? FLUX 3 Image aggiunge una seconda domanda a cui gli agenti tengono di più. Puoi indirizzare una parte dell'immagine, modificarla e lasciare tutto il resto intatto? Una volta che la risposta è sì, la generazione di immagini smette di essere una slot machine e inizia a comportarsi come un file che puoi modificare.

Questa distinzione è il motivo per cui il confronto con Midjourney e Ideogram conta meno di quanto sembri a prima vista. Quei modelli competono su quanto è bella un'immagine appena generata, e restano molto bravi in questo. BFL compete sul fatto che un'immagine generata possa essere trattata come un documento con regioni stabili, e quella è una gara diversa con un vincitore diverso. La prima gara è quasi conclusa e la seconda è appena iniziata, che è all'incirca dove vuole trovarsi una scommessa infrastrutturale.