AI Research 技术调研

FLUX1.1 [pro]

17分钟阅读

一句话定位

FLUX1.1 [pro] 是 Black Forest Labs（BFL）2024-10-02 发布的闭源旗舰文生图模型，在不公开权重的前提下把上一代 flux-1 [pro] 的生成速度提升约 6 倍（同时 [pro] 也提速 2 倍），并提升画质、提示遵循与多样性；以代号 “blueberry” 匿名进入 Artificial Analysis 文生图竞技场后登顶 Elo 榜首（截至 2024-10-01）。一个月后（2024-11-06）追加 Ultra 模式（4× 分辨率、最高 4MP、单图约 10s）与 Raw 模式（更真实的”非合成”摄影质感），并随之上线商业化的 BFL API（FLUX1.1 [pro] 定价 4 美分/图）。

背景与定位

FLUX1.1 [pro] 不是一篇带论文/技术报告的研究发布，而是 BFL 的产品级闭源升级 + API 商业化节点，应放在 FLUX 家族的演进脉络里理解：

  • 2024-08-01 BFL 成立，首发 flux-1 三件套：FLUX.1 [pro]（闭源 API 旗舰）、FLUX.1 [dev]（开放权重、非商用、从 [pro] 指引蒸馏）、FLUX.1 [schnell]（Apache-2.0 少步蒸馏）。三者共享同一 12B rectified-flow transformer 骨干，建立在 flow-matching / rectified-flow 与 latent-diffusion-ldm 的潜空间训练范式之上。
  • 2024-10-02 本次发布 FLUX1.1 [pro]：定位为”更快更好”的下一代闭源旗舰，主打推理效率 × 画质的更优折中，并首次把 BFL API 推向 GA（beta）。
  • 2024-11-06 增量发布 Ultra/Raw 两种模式，把分辨率上限拉到 4MP 并补齐”真实摄影感”这一审美维度。
  • 后续家族（flux-1-tools、FLUX.1 Kontext、FLUX.1 Krea、FLUX.2…）继续在同一骨干上扩展可控编辑与统一生成。

BFL 团队的技术血统直接决定了 FLUX 的方法选择：核心成员是 VQGAN、Latent Diffusion、Stable Diffusion（含 SDXL、Stable Video Diffusion）、Rectified Flow Transformers、以及 Adversarial Diffusion Distillation（ADD）的作者（据 FLUX.1 发布博客）。因此 FLUX1.1 [pro] 本质是”潜空间 rectified-flow MMDiT + 对抗蒸馏加速”这一路线的工程化巅峰。

重要边界：BFL 从未为 FLUX.1 / FLUX1.1 系列发布正式技术报告（发布博客称”will publish a more detailed tech report in the near future”，但针对 t2i 基座始终未兑现）。下面”模型架构/训练方法”中可考证的细节，主要来自同骨干的 FLUX.1 Kontext 技术报告（arXiv:2506.15742） 与 FLUX.1 发布博客；凡 FLUX1.1 [pro] 自身未单独披露处，均明确标注为”沿用家族骨干（推断）“或”未披露”。

模型架构

FLUX1.1 [pro] 官方未单独公布架构图或参数量。以下为其所属 FLUX.1 骨干家族的公开设计（来自 FLUX.1 发布博客与 arXiv:2506.15742），FLUX1.1 [pro] 是在该骨干上做的迭代版本：

  • 整体范式：在图像 autoencoder 的潜空间中训练的 rectified flow transformer（潜空间扩散/流匹配），而非像素空间建模。
  • VAE / autoencoder：自训练的卷积 autoencoder，对抗目标从零训练；相比同类放大了训练算力并采用 16 个潜通道（16 latent channels），以提升重建质量。该 autoencoder 在下游训练中被冻结使用。
  • DiT 骨干（hybrid MMDiT + 单流）：由双流（double stream）块 + 单流（single stream）块混合构成。
    • 双流块：图文 token 各自独立权重，通过对”图文 token 拼接序列”做注意力实现跨模态混合（即 MMDiT 式设计）。
    • 单流块：双流之后把序列拼接，再过 38 个单流块作用于图文 token；最后丢弃文本 token、只解码图像 token。
    • 融合 FFN（fused feed-forward）：受 Dehghani 等启发，把单流块的调制参数量减半，并将注意力的输入/输出线性层与 MLP 融合成更大矩阵乘，提升训练/推理的 GPU 利用率。
  • 位置编码：因子化三维旋转位置编码（3D RoPE），每个潜 token 以 (t, h, w) 时空坐标索引（单图时 t≡0）。这天然支持任意分辨率/宽高比，也为后续多图上下文（Kontext）与高分辨率（Ultra）扩展铺路。
  • 文本编码器：FLUX1.1 [pro] 官方博客未点名。家族实现（开源 FLUX.1 [dev]/[schnell] 推理代码）使用 T5（文本主干）+ CLIP（池化文本嵌入做条件调制） 双文本编码器（开源参考实现公开事实；本页未单独抓取该实现文件，标注为家族常识，非 FLUX1.1 独立披露）。
  • 参数量与分辨率策略：FLUX.1 家族骨干为 12B 参数（发布博客）；FLUX1.1 [pro] 未单独公布是否同为 12B（未披露）。分辨率上，FLUX.1 家族”支持 0.1–2.0 MP 区间的多种宽高比/分辨率”（发布博客原文）；FLUX1.1 [pro] 发布博客预告”原生支持快速超高分辨率，up to 2k，coming soon”，随后由 2024-11-06 的 Ultra 模式兑现为 4× 分辨率、最高 4MP，且”不牺牲提示遵循”。标准档 FLUX1.1 [pro] 的默认/最高分辨率官方未单独给出明确数字（未单独披露）。

与 [pro] 的关系：FLUX1.1 [pro] 是 FLUX.1 [pro] 的换代版本（“our most advanced and efficient model yet”），同代还把旧 FLUX.1 [pro] 更新为”输出不变但快 2 倍”。两者是否为同一权重的不同蒸馏/同一新权重的不同档位，官方未披露。

数据

FLUX1.1 [pro] 的训练数据来源、规模、配比、清洗/过滤、re-captioning、合成数据占比均未披露。 BFL 对 t2i 基座既无技术报告也无 data card，本次两篇发布博客只字未提数据。可作为侧面参考的同骨干信息（来自 arXiv:2506.15742，针对 Kontext，但反映家族数据处理取向）：

  • 训练时按数据分辨率改变 logit-normal 时间步采样的众数 µ（resolution-dependent shift schedule），说明家族在多分辨率混合数据上训练。
  • 家族在安全侧采用基于分类器的过滤 + 对抗训练，以阻止 NCII/CSAM 等违规内容生成（Kontext 报告明确；FLUX1.1 [pro] 博客也提到 API 提供”content moderation”内容审核选项）。
  • Raw 模式”显著提升人物主体多样性、增强自然摄影真实感”的能力，暗示其在数据/微调侧专门强化了真实摄影分布与多样性保持，但具体数据细节未披露。

结论：数据维度基本为黑盒，本页不臆造任何规模/配比数字。

训练方法

FLUX1.1 [pro] 未单独披露训练流程。基于家族骨干（FLUX.1 发布博客 + arXiv:2506.15742）可确证的方法栈：

  • 训练目标：rectified flow matching（速度预测）。损失为 L = E‖v_θ(z_t,t,·) − (ε − x)‖²，其中 z_t = (1−t)x + tε 为潜空间中 x 与噪声 ε 的线性插值；时间步 t 采用 logit-normal shift 调度，众数 µ 随训练数据分辨率变化。这是 SD3/Rectified-Flow Transformer 一脉的标准做法。
  • 多阶段：家族范式为”先纯文生图预训练 → 再做任务化微调”。对开源档位，FLUX.1 [dev] 通过指引蒸馏（guidance distillation）从 FLUX.1 [pro] 蒸出（12B），FLUX.1 [schnell] 为少步蒸馏开放档。FLUX1.1 [pro] 自身的预训练/微调阶段细节未披露。
  • 加速 / 蒸馏（最关键的”6× 提速”来源，方法层面）：家族用对抗扩散蒸馏 / 潜空间对抗扩散蒸馏（ADD / LADD）把 50–250 步的流匹配采样压缩到极少步数，同时用对抗训练抑制高引导带来的过饱和伪影（arXiv:2506.15742 明确把 LADD 用于 [pro] 档；ADD 是 BFL 团队的代表作）。FLUX1.1 [pro] 博客只给出”比 FLUX.1 [pro] 快 6×、比当前可用的 FLUX.1 [pro] 快 3ד的结果数字，未公布它具体是更激进的步数蒸馏、新骨干、还是推理工程优化的组合——方法归因未单独披露，但 ADD/LADD 蒸馏是家族公开的加速基石。
  • 训练精度/并行/吞吐（家族实践，来自 Kontext 报告）：FSDP2 + 混合精度（all-gather 用 bfloat16，梯度 reduce-scatter 用 float32 以提升数值稳定性）；用 selective activation checkpointing 降低峰值 VRAM；为提吞吐用 FlashAttention 3 + 对单个 Transformer 块做 regional compilation（局部编译）。这是 Kontext 的实现，FLUX1.1 [pro] 是否完全一致未确证。
  • Ultra 模式：在保持提示遵循的前提下做 4× 分辨率（≤4MP）生成且仅 ~10s/图、比同类高分模型快 >2.5×——3D RoPE 的任意分辨率特性 + 蒸馏少步采样是其工程基础；是否额外做高分辨率 continue-training/微调未披露。

Infra（训练 / 推理工程）

  • 训练算力 / GPU·时 / 集群规模 / 吞吐：全部未披露。 FLUX1.1 [pro] 无技术报告。
  • 推理加速：核心卖点即推理工程——FLUX1.1 [pro] 比初代 FLUX.1 [pro] 快约 6×，比”当前可用的 FLUX.1 [pro]“快 3×；Ultra 模式 4MP 仅 ~10s/图、比同类高分方案快 >2.5×。底层依赖 ADD/LADD 步数蒸馏（家族）。开源 FLUX.1 推理仓库提供 TensorRT 支持（NVIDIA PyTorch 镜像、enroot），反映家族推理走 TensorRT 加速路线；FLUX1.1 [pro] 闭源服务端的具体量化/编译细节未披露。
  • 部署形态：纯 API / 托管服务（闭源、不放权重）。除 BFL 官方 API 外，发布即上线 Together.ai、Replicate、fal.ai、Freepik 等第三方平台。
  • 商业化：随发布开放 beta BFL API（docs.bfl.ml / 现 docs.bfl.ai），按图计费——FLUX.1 [dev] 2.5 ¢/图、FLUX.1 [pro] 5 ¢/图、FLUX1.1 [pro] 4 ¢/图、Ultra 模式 6 ¢/图（$0.06/image）。提供模型选择、分辨率、内容审核等可定制项。

评测 benchmark（把效果讲清楚）

FLUX1.1 [pro] 的官方评测以”匿名进 Arena 拿 Elo 第一”为核心，未公布 FID/CLIPScore/GenEval 等量化指标数字（无技术报告）。可考证的一手结果：

  • Artificial Analysis 文生图竞技场（Image Arena Elo）：FLUX1.1 [pro] 以代号 “blueberry” 匿名进入该众包人评 Arena，超越榜上所有模型，取得最高综合 Elo 分（数据为 artificialanalysis.ai 截至 2024-10-01；FLUX.1 推理速度为 BFL 内部基准）。官方未在博客中给出具体 Elo 数值，本页据源只陈述”登顶 Elo 榜首”，不臆造分数。
  • 速度（内部基准）：相对初代 FLUX.1 [pro] 6× 提速；相对”当前可用的 FLUX.1 [pro]” 3× 提速；旧 FLUX.1 [pro] 同步更新为”输出不变、2× 提速”。Ultra 模式 4MP ~10s/图、比同类高分模型 >2.5× 快。
  • 质量主张（定性）：相对前代提升 image quality / prompt adherence / diversity；Raw 模式”显著提升人物多样性、增强自然摄影真实感”。这些为官方定性主张，无数字。
  • 第三方/后续侧证：BFL 自家的 FLUX.1 Kontext 技术报告（arXiv:2506.15742）在其 Internal-T2I-Bench（1000 条 prompts，含 DrawBench/PartiPrompts + 真实用户 query；另在 GenAI bench 上补测）中指出”FLUX.1 Kontext 在各类目上一致地优于其前代 FLUX1.1 [pro]“，从侧面把 FLUX1.1 [pro] 标定为彼时家族 t2i 的强基线；但该报告同样未给出 FLUX1.1 [pro] 的独立绝对分数。

诚实标注：FID、CLIPScore、GenEval、T2I-CompBench、DPG-Bench、MJHQ-30K、HPSv2、ImageReward、PickScore 等学术指标在 FLUX1.1 [pro] 一手源中均未报告。

创新点与影响

核心贡献（产品/工程层面，非新方法论文）：

  1. 把”画质×速度”折中推到新前沿：在不降质（甚至提质）前提下相对前代 6× 提速，验证了潜空间 rectified-flow + ADD/LADD 蒸馏路线在旗舰档位的工程可行性。
  2. 匿名 Arena 登顶：以盲测 Elo 第一（2024-10）确立 FLUX 在闭源旗舰 t2i 的领先地位，是 Midjourney/DALL·E 3 之外的强力第三极。
  3. Ultra/Raw 两个产品维度：Ultra 把”高分辨率”与”快”解耦（4MP/10s），Raw 把”真实摄影感/主体多样性”显式产品化——后者预示了后续社区对”AI 味”反感的纠偏方向（与 FLUX.1 Krea [dev] 的”opinionated 审美”一脉相承）。
  4. BFL API 商业化落地：4 ¢/图的旗舰定价 + 多第三方分发，确立 FLUX 作为”开放权重（dev/schnell）+ API 旗舰（pro）“双轨商业模式的范本。

对后续的影响：FLUX1.1 [pro] 成为 FLUX 家族后续工作（flux-1-tools、FLUX.1 Kontext、FLUX.2）反复对标的 t2i 基线；其骨干（16-ch VAE + double/single-stream MMDiT + 3D RoPE + flow matching + LADD）被后续可控编辑与统一生成沿用，是 2024 下半年开放生态最具影响力的 DiT 文生图骨干之一。

已知局限：

  • 闭源、不放权重，仅 API；可复现性与研究价值受限。
  • 无技术报告，数据/算力/具体训练与蒸馏配方全程黑盒，本页多处只能标”未披露”。
  • 与 GPT-Image-1、Recraft 等相比为”均衡型”，单一维度（如纯审美或纯 prompt 遵循）未必每项最优（侧证见 Kontext 报告对家族的横向描述）。

原始链接

一手源存档（sources/）

关系图谱

反向链接