在线教程丨图像生成新SOTA，FLUX.2可同时参考10张图，实现超高角色/风格一致性

原创 于 2025-12-02 18:18:18 发布 · 598 阅读 · 6 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #AI #开源模型 #FLUX.2 #AI生图

日前，沉寂已久的 Black Forest Labs 再度发力，开源新一代图像生成与编辑模型 FLUX.2。2024 年 FLUX.1 横空出世，在生成人物、尤其是真实人物的场景时，达到了接近真人实拍的效果。如今，FLUX.2 的升级则是在图像质量和创作灵活性上达到了新高度，其在指令理解、视觉质量、细节呈现以及输出多样性方面都达到了行业 SOTA 水平。

在这里插入图片描述

FLUX.2 在不同任务上的表现

具体而言，FLUX.2 ：

  • 支持多图参考，可以同时参考 10 张图像，实现当今最优的角色/产品/风格一致性。

  • 提升图像细节与真实感，实现了更精细的纹理细节、更锐利的质感表现及更稳定的光照效果，适用于产品拍摄、可视化呈现及摄影级应用场景。

  • 支持文本渲染，能够稳定生成复杂排版、信息图表、网络梗图及 UI 原型中的精细文本。

  • 增强型指令遵循，显著提升对复杂结构化指令的执行精度，包括多部分提示词与构图约束。

  • 更好地理解世界，基于现实世界知识、光照及空间逻辑的场景构建显著增强，呈现更符合预期行为的连贯场景。

  • 更高分辨率与灵活输入输出比例，支持高达 400 万像素的图像编辑。

据官方介绍，在开源图像模型领域，FLUX.2 在文本到图像生成、单参考编辑及多参考编辑方面均取得行业领先性能。目前，「FLUX.2-dev：图像生成与编辑模型」已上线 HyperAI 官网（hyper.ai）的教程版块， 快来开启你的创作之旅吧！

教程链接：

https://go.hyper.ai/N4sTv

为了便于大家体验教程，HyperAI 为新用户准备了注册福利， 完成平台注册后，在「财务中心」使用兑换码「FLUX.2」进行兑换，即可获得 1 小时 NVIDIA RTX PRO 6000 使用时长（资源有效期为 1 个月），数量有限，手慢无！

Demo 运行

1.进入 hyper.ai 首页后，选择「FLUX.2-dev：图像生成与编辑模型」，或进入「教程」页面选择。进入点击「在线运行此教程」。

或是直接复制链接至浏览器进入模型克隆页面：https://go.hyper.ai/N4sTv

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.页面跳转后，点击右上角「Clone」，将该教程克隆至自己的容器中。

注：页面右上角支持切换语言，目前提供中文及英文两种语言，本教程文章以英文为例进行步骤展示。

在这里插入图片描述

3.选择「NVIDIA RTX PRO 6000 Blackwell Server Edition」以及「PyTorch」镜像，按照需求选择「Pay As You Go（按量付费）」或「Daily Plan/Weekly Plan/Monthly Plan（包日/周/月」，点击「Continue job execution（继续执行）」。

HyperAI 为新用户准备了注册福利，仅需 $1，即可获得 5 小时 RTX 5090 算力（原价 $2.45）， 资源永久有效。
在这里插入图片描述
在这里插入图片描述

4.等待分配资源，首次克隆需等待 3 分钟左右的时间。当状态变为「Running（运行中）」后，点击「API address」旁边的跳转箭头，即可跳转至 Demo 页面。

在这里插入图片描述

效果演示

进入 demo 页面后即可开始你的创作之旅啦 ⬇️

在这里插入图片描述

以下为文生图（text-to-image generation）效果展示：

在这里插入图片描述

以上就是 HyperAI超神经本期推荐的教程，欢迎大家前来体验！

教程链接：

https://go.hyper.ai/N4sTv

OpenBayes 教程上新丨多主体驱动生成能力达SOTA，字节UNO模型可处理多种图像生成任务
OpenBayes的博客
04-23 1073
字节跳动 Intelligent Creation 团队利用扩散 Transformer 模型本身具备的上下文生成能力，生成了具有高度一致性的多主体配对数据，并以 FLUX 为基础模型提出了 UNO 模型，能够处理图像生成任务中的不同输入条件。
干翻GPT-4o！FLUX.1 Kontext重磅发布！刷新图像生成和编辑SOTA！
阿木寺的博客
06-03 892
但是基于同一张起始图像和相同的编辑提示，使用不同模型进行的迭代编辑示例（顶部：FLUX.1 Kontext，中部：gpt-image-1，底部：Runway Gen4）。研究人员还看到，从FLUX1.1[pro]到FLUX.1 Kontext[pro]，再到FLUX.1 Kontext[max]，性能逐步提升，验证了研究人员训练迭代的成效。FLUX.1 Kontext是一款融合即时文本图像编辑与文本到图像生成的新一代模型，支持文本与图像提示，角色一致性强，速度快达GPT-Image-1的8倍。
arXiv 2025 | 耗资巨大！港中文与阿里用15000个A100 GPU日打造600万规模T2I推理数据集！
2501_92747450的博客
09-17 607
为解决开源T2I模型与闭源模型之间的性能差距，本研究提出FLUX-Reason-6M数据集和PRISM-Bench评估基准。研究目标是为T2I模型提供大规模、聚焦推理能力的训练数据和一套全面、拟人化的评估体系。核心技术贡献包括：1) 构建FLUX-Reason-6M数据集，其包含600万张高质量图像和2000万条中英双语描述，围绕想象力、实体、文本渲染、风格、情感和构图六大特性进行组织，并开创性地提出GCoT以提供详细的生成步骤指导。
新晋顶流Agent颠覆设计师！Lovart一手实测来了：是该刷屏爆火
量子位
05-15 1362
其次，Lovart内部还构建了一套设计流程，能够将用户的高层设计需求自动拆解为结构化的任务序列，包括风格定义、元素选择、布局设计到最终渲染。一番深入体验下来，不得不说，Lovart带来了不同于其它AI设计工具的体验，能够理解设计流程和专业需求，交付更接近专业水准的成果。有点意外，Lovart并没有立刻生成，而是在原Logo的基础上又设计了一番，其中有忠实于原Logo的，也有改动大一些的。其中就包括图层、蒙版、文本微调等，比如图层中，还支持透明度、色调、饱和度、阴影、曝光、对比度等精细调节。
51c大模型~合集170
whaosoft~aiotの开发板商城
08-18 1620
然而，当前的开源 dLLMs 却因一定的技术挑战 —— 例如缺少完善的 KV 缓存机制，以及未充分释放并行潜力 —— 推理速度远慢于同规模的 AR 模型。观察到，当模型的潜在空间从低维（如 4 通道）扩展到更高维（如 16 通道）时，尽管后者能表达更丰富的细节，但也偶发性地出现了一些生成 「翻车」的情况（如图 3 所示）。通过建模移动流量在时间、空间、城市环境之间的联合分布，UoMo 在多城市的预测任务中具备优越的性能表现，并且具备较好的零样本 / 小样本学习能力，体现出卓越的通用性与泛化能力。
51c大模型~合集83
whaosoft~aiotの开发板商城
12-05 2825
我自己的原文哦~https://blog.51cto.com/whaosoft/12725573 #通过单张照片生成交互式3D场景 李飞飞的初创公司推出首个项目 今天，由人工智能先驱李飞飞创立的初创公司 World Labs 推出了其首个项目：一个能够通过单张图片生成类似视频游戏的 3D 场景的人工智能系统。 许多人工智能系统能够将照片转化为 3D 模型和环境，但World Labs 现在是唯一一个可以互动和修改的。 “（我们的技术）让你能够进入任何一张图片，并在 3D 空间中探
51c大模型~合集155
whaosoft~aiotの开发板商城
07-16 2184
具体而言，研究团队利用加权融合的方式在解码前将来自视觉对齐层的知识与全局信息结合，从而优化模型输出，既保留了语义信息，又减少了幻觉的产生。对于新的测试图像，该阈值可以确保生成的2D关键点置信区间（一系列以预测均值为中心，以协方差和阈值为半径的圆形区域）能够以用户预先设定的概率（例如 ）覆盖所有真实的关键点位置。实验结果表明，该方法在保证相近的真实位姿覆盖率的前提下，推理速度提升超过33%，并且生成的置信区间体积大幅度缩小——旋转置信区间体积最多减小99.9%，平移置信区间体积最多减小99.8%。
51c视觉~3D~合集1
whaosoft~aiotの开发板商城
11-26 1368
渲染阶段的流程如下图所示。中科院提出了一种基于全新的基于3DGS的大规模场景重建算法CityGaussian，不仅能够基于无人机航拍数据对小至建筑物，大至2.5平方千米的城市进行逼真的三维重建，还能借助其提出的LoD技术实现在重建出的城市中以1080P以上的高清分辨率进行实时游览，这将给地图场景预览、VR及AR带来全新的使用体验。UltrAvatar首先采用了一种全新扩散生产的方法，提取了真实的散射色彩，去除不必要的光照效应，从而生成真实皮肤材质颜色，使得生成的形象在不同光照条件下呈现出自然的质感。
51c视觉~合集41
whaosoft~aiotの开发板商城
01-05 1328
图像分类、物体检测等计算机视觉技术随着ImageNet、COCO数据集的挑战发展，出现了许多达到人类判断水平的类神经网络。而行为识别是个比图像的物体检测更高的一个领域，它需要理解一段视频来做出预测，比一般图像（二维空间）还要多花时间的维度。近年来有了一定的发展，但尚无法达到人类的理解层次。类似于 ImageNet，行为也有一个基准：ActivityNet，是一个动作相关的竞赛，首次举办于 CVPR2016 年，共有六种任务的挑战：时空动作定位这个任务需要判断视频中哪个位置有人，并且判断人在做什么动作。
51c大模型~合集128
热门推荐
whaosoft~aiotの开发板商城
05-16 1万+
例如，一系列（公认）无法在多项式时间内解决却可在多项式空间内解决的 NP-Complete（如旅行商等等），对于使用有限精度 Transformer 的 CoT 而言至少需要超越多项式（例如 exp (n)）规模的上下文长度，在真实应用中由于内存的限制完全不可行；纵观计算机科学的发展历史，这一「随时清理」的理念早已渗透到几乎所有计算模型之中：从最早的图灵机模型中，已读写的磁带符号可以被覆盖或重写，直到现在高级编程语言中，垃圾回收机制会自动清理不再可达的内存单元。随着问题规模增加，两者之间的差距愈发明显。
T2I-R1：通过语义级与图像 token 级协同链式思维强化图像生成
05-10
T2I-R1 将“语义级 Chain-of-Thought（先想清全局场景）”和“图像 token 级 Chain-of-Thought（逐 patch 细化像素）”首次合并到同一次文本-生成-图像流程中，并用强化学习框架 BiCoT-GRPO 联合优化二者：模型先用...
OpenBayes 教程上新丨Qwen-Image 刷新图像编辑 SOTA，实现精准中文渲染
OpenBayes的博客
08-14 946
阿里通义千问团队开源首个图像生成基础模型 Qwen-Image，参数量达 20B，采用全新 MMDiT 架构，刷新了图像生成模型 SOTA。
ECCV`24 | 蚂蚁集团开源风格控制新SOTA!StyleTokenizer：零样本精确控制图像生成
AIGCer的博客
09-07 1894
最终，风格嵌入和文本嵌入被结合，并输入到SD的文本编码器中，这样风格图像就可以作为风格提示来生成图像，从而更好地描述所需风格。同时，风格和内容在各自独立的语义空间中处理，避免了风格和内容之间的重叠。例如，在生成的图像中，尽管包含了山脉和向日葵，但参考图像中的人类也出现在了结果中。这种方法帮助模型在嵌入空间中将相同风格的图像聚集在一起，而将不同风格的图像分散开来，从而增强了风格编码器处理新风格的鲁棒性。由于本文方法能够保持参考图像中的风格，如果使用多张不同风格的图像作为参考，则风格融合会产生新的风格。
向量嵌入：RAG系统背后的语义引擎
uncle_ll的博客
11-29 1302
向量嵌入技术将高维语义信息压缩为低维向量，使相似概念在向量空间中聚集。作为RAG系统的核心，嵌入质量直接影响语义检索效果。从静态词嵌入到动态上下文嵌入，技术不断演进，解决了多义词等难题。现代嵌入模型基于Transformer架构，通过对比学习优化检索性能。选型需考虑MTEB排名、语言支持等维度，并结合业务测试。未来趋势包括多模态融合、知识图谱增强和轻量化部署。嵌入技术已成为NLP领域的关键支柱，其优化对提升RAG系统性能至关重要。
【推荐系统】深度学习训练框架（五）：pyspark分布式TorchDistributor主从读取OSS文件认证机制
人工智能领域博客
11-28 1843
摘要： 本文详细解释了Spark Driver端与Worker端在OSS认证上的核心区别。Driver端通过Spark配置自动认证，而Worker端（独立Python进程）需显式提供认证信息。认证来源优先级为：1)Driver传递参数，2)环境变量，3)IAM角色。文章分析了架构差异导致的不同认证方式，并推荐从Driver传递认证信息的解决方案。当前实现已采用该方案，通过Spark配置或环境变量获取认证后传递给Worker进程，确保PyArrow能正确访问OSS数据。
07_Spring AI 干货笔记之提示词
在科技的浪潮中，我们寻找着创新的火种，在代码的海洋里，我们编织着智慧的网。腾飞开源，就是这样一个由技术精英汇聚而成的博客平台，我们致力于分享在Java、Python、IoT和人工智能等领域的最新研究成果和实战经验。 在腾飞开源的博客上，你会看到紧跟技术前
11-30 1256
本文详细介绍了Spring AI中的提示词核心概念与API设计。提示词作为引导AI模型生成特定输出的关键输入，其结构从简单字符串演进为包含多角色消息的复杂形式。Spring AI通过Prompt和Message接口提供结构化提示词管理，支持系统、用户、助手等角色分配。PromptTemplate类实现动态内容渲染，并支持自定义模板引擎。文章还涵盖提示词工程的最佳实践与令牌机制，为开发者提供完整的提示词设计解决方案。
RAG信息检索全解析：从Embedding到Reranker的超详细教程1
Trb201013的博客
11-27 1549
文章介绍了RAG系统中信息检索环节的核心技术，包括文档段落嵌入和用户查询嵌入，将文本转换为向量表示；详细解释了相似度检索的多种方法，如Top-K检索、MMR策略和Reranker二次排序技术；强调了合理切分策略对嵌入效果的重要性，以及查询扩展技术对提高检索准确度的作用。指出RAG的本质是"开卷考试"，检索质量直接影响最终生成效果。
【LLM】DeepSeekMath-V2模型
发现问题，并解决问题，批判性思维
11-29 904
研究问题：这篇文章要解决的问题是如何在大型语言模型（LLMs）中进行自我验证的数学推理。具体来说，现有的基于最终答案奖励的强化学习方法在数学推理中存在根本局限性，因为正确答案并不能保证推理的正确性，特别是在定理证明任务中。 研究难点：该问题的研究难点包括：如何在不依赖最终答案的情况下验证推理的正确性；如何在生成和验证之间建立有效的迭代改进循环；如何在没有已知解决方案的开放问题上扩展测试时计算。 相关工作：该问题的研究相关工作有：OpenAI的推理模型在定量推理竞赛中取得了显著进展；DeepMind的Deep
昇腾平台 vLLM 部署与性能优化实战：高吞吐推理落地指南
最新发布
二哈喇子！
12-01 5789
昇腾平台vLLM部署与性能优化实战摘要
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值