FLUX 3 Image: caixas delimitadoras, saída em 4K e o layout como arquivo de configuração

A Black Forest Labs lançou o FLUX 3 Image em 1º de outubro, completando o componente de imagem da família FLUX 3. Ele está disponível por meio da API e do Playground da empresa, com desconto introdutório de 50% válido até 8 de outubro e um lançamento com pesos abertos prometido para as próximas semanas.

As três alegações principais são saída nativa em 4K, controle de layout em nível de elemento e edições que preservam regiões. Vale a pena destrinchar cada uma delas, porque a terceira faz mais do que o marketing sugere.

A grade substitui a prosa

O FLUX 3 Image aceita um array JSON de caixas delimitadoras anexado ao prompt, expresso em uma grade de coordenadas normalizada de 0 a 1000. Cada elemento recebe um ID, uma descrição textual e uma caixa no formato [y_min, x_min, y_max, x_max]. O modelo então posiciona esse elemento dentro da caixa, independentemente da resolução de saída.

É nisso que o lançamento se baseia, e é uma mudança genuína na forma como o layout é especificado. Na maioria dos fluxos de trabalho de texto para imagem, o arranjo espacial é descrito em linguagem natural ("uma garrafa no terço esquerdo, uma mão entrando pela direita") e o modelo interpreta isso como uma preferência branda. O resultado é uma distribuição de saídas que geralmente fica em algum lugar próximo da descrição — às vezes não.

Uma grade de coordenadas elimina a etapa de interpretação. Você não está mais descrevendo um layout e torcendo; você está declarando um. Para um designer que trabalha em uma ferramenta de layout, isso se encaixa em um modelo mental já existente. Para um pipeline que gera centenas de fotos de produto nas quais o modelo precisa estar sempre na mesma posição, transforma um problema estético em um problema de configuração.

Há uma ressalva que acompanha qualquer sistema de coordenadas: as caixas não dizem ao modelo o que vai dentro delas, e uma descrição que especifica o objeto errado será renderizada com confiança no lugar errado. Precisão na geometria não produz automaticamente precisão na semântica.

4K sem a etapa de upscale

O FLUX 3 Image gera nativamente até 5.456 por 3.072 pixels (cerca de 16,8 megapixels) em várias proporções de tela, sem uma passagem de super-resolução.

A maioria dos modelos de imagem tem chegado no máximo a algo entre 1024 e 2048 pixels nativamente, com qualquer coisa maior tratada por upscale depois. Isso é aceitável para entrega em tela e cada vez mais desconfortável para material impresso, imagens de destaque em e-commerce e displays de grande formato, onde a etapa de pós-processamento tende a suavizar exatamente o detalhe de textura que justifica a resolução.

Gerar em 4K também muda o que um fluxo de trabalho precisa validar. Um upscaler é um estágio separado, com seus próprios modos de falha, e remover um estágio remove uma categoria de controle de qualidade. Se a saída nativa se sustenta em tamanho real, em vez de apenas evitar um artefato óbvio, é algo que só testes práticos vão determinar.

Edições por região e a alegação de identidade de pixels

O terceiro recurso é a edição parcial: regenerar apenas uma região delimitadora especificada, deixando tudo fora dela intacto. A Black Forest Labs relata que 67,8% a 89,7% dos pixels permanecem idênticos bit a bit após uma edição.

Esse intervalo é amplo, e a dispersão carrega informação. O limite inferior implica um desvio significativo em toda a área não tocada; o limite superior chega perto de uma edição por máscara de verdade. Onde uma edição específica cai provavelmente depende de quanto a região regenerada restringe o entorno — vazamento de luz, sombras e bordas de contato criam pressão para alterar pixels vizinhos em nome da coerência.

Ainda assim, publicar um número de identidade de pixels já é um movimento útil. O problema do desvio na edição iterativa de imagens tem sido a principal reclamação contra a edição por difusão há dois anos: cada rodada sucessiva de revisão degrada as partes com as quais você estava satisfeito, até você desistir e começar de novo. Um modelo que quantifica quanto preserva ao menos declarou a meta.

O FLUX 3 Image também aceita até dez imagens de referência em uma única requisição, posicionando os sujeitos de acordo com o prompt e o layout das caixas delimitadoras. É nessa combinação (várias referências mais posicionamento declarado) que o modelo começa a parecer menos um gerador de imagens e mais uma ferramenta de composição com um backend de geração.

Dez referências também levantam a questão de para que serve uma "referência". Na maioria dos fluxos de trabalho atuais, uma imagem de referência significa transferência de estilo: você dá um visual ao modelo e ele o aproxima. Posicionar cada sujeito referenciado dentro de uma caixa declarada é uma promessa mais restrita e mais mecânica. Ela diz: este objeto, aqui. Se o modelo cumpre isso sob carga (dez sujeitos, uma tela 4K, caixas sobrepostas) é o tipo de coisa que aparece no uso em produção, e não em um post de lançamento.

A nota de treinamento que vale notar

Enterrada nos detalhes técnicos: o FLUX 3 Image foi treinado com a arquitetura Self-Flow da Black Forest Labs sobre dados de imagem, vídeo e áudio em conjunto. A base do FLUX 3 é um modelo de fluxo multimodal que cobre as três modalidades, e o modelo de imagem é uma de suas faces.

Isso importa para a forma como se lê o roadmap. Se imagem, vídeo e áudio compartilham um substrato de treinamento, a promessa de "pesos abertos em algumas semanas" vai além deste lançamento e fala de uma família de modelos que serão construídos sobre a mesma base — e de uma empresa que se posiciona como a alternativa de pesos abertos aos pacotes multimodais fechados do Google e da OpenAI.

Isso também explica a ordem de lançamento. A Black Forest Labs lançou os componentes de vídeo e áudio do FLUX 3 primeiro e o modelo de imagem estática por último. Para uma empresa cuja reputação foi construída na geração de imagens, lançar o modelo de imagem depois do de vídeo é uma ordem estranha — a menos que o modelo de imagem seja o mais difícil de acertar sobre a base compartilhada. Os controles de caixa delimitadora podem ser menos um recurso e mais uma solução de contorno para o que o treinamento conjunto em três modalidades faz com a fidelidade espacial de grão fino.

O que observar

Por ora, a leitura prática é mais estreita. O FLUX 3 Image é um produto de API pago, com controles de layout que antes exigiam uma etapa de composição, resolução nativa que elimina um upscaler e edições por região acompanhadas de um número de fidelidade publicado. A questão de saber se algo disso é melhor que as alternativas é uma questão de benchmark, e é para isso que servem as próximas semanas de testes independentes.

Três coisas valem acompanhar quando os pesos forem liberados. Primeiro, se a API de caixas delimitadoras sobrevive ao lançamento aberto intacta ou se torna um recurso exclusivo da API, o que seria uma divisão significativa entre os planos pago e gratuito. Segundo, se ajustes finos da comunidade conseguem atingir a mesma precisão de layout em hardware menor, ou se o comportamento das coordenadas depende de escala. Terceiro, se o número de identidade de pixels se sustenta em uma reprodução independente ou se revela uma medição de melhor caso em edições favoráveis.

O sinal mais amplo é o que as notas de lançamento declaram quase de passagem: a competição em geração de imagens saiu de quão impressionante pode ser uma única saída para se a centésima saída corresponde à primeira. Grades de layout, preservação de região e métricas de identidade de pixels são todas respostas a essa pergunta. Nenhuma delas faz uma imagem bonita. Elas fazem uma imagem repetível.