FLUX 3 Image: Black Forest Labs setzt auf pixelgenaues Layout

Komponieren statt beschreiben

Das Herzstück von FLUX 3 Image ist die Bounding Box. Für jedes wichtige Element zeichnet man eine Box und beschreibt ihren Inhalt, ein Szenensatz verbindet dann alles. Das Modell rendert das Bild unter Einhaltung jeder Platzierung.

Das Raster ist auf beiden Achsen von 0 bis 1000 normalisiert, unabhängig vom gewählten Seitenverhältnis. Das Beispiel „Le Festival du Soleil“ zeigt die Logik: fünf Zeilen in der Tabelle, ein Titel in cremefarbener Serif-Typografie, eine Küstenstadt, eine parabolische Betonkuppel, Badende als Silhouetten und eine Menschenmenge am Strand.

Das Format des Prompts ist explizit: eine globale, einabsätzige Bildunterschrift, gefolgt von einer JSON-Tabelle, in der jede Zeile eine id, eine Box und eine Beschreibung trägt. Die Bildunterschrift erwähnt jedes Element über seine Kennung (animal_1, crowd_1…) dort, wo es auftaucht.

Eine Bearbeitung, die nichts zerstört

Zweites Versprechen: ein fertiges Bild retuschieren, ohne es zu verfälschen. Jede Box kann neu beschrieben, ersetzt oder verschoben werden, und mehrere Änderungen lassen sich in einem einzigen Durchgang anwenden.

Black Forest Labs betont die Stabilität: Was nicht verändert wurde, bleibt an seinem Platz, was es erlaubt, Bearbeitungsrunden aneinanderzureihen, ohne dass das Bild abdriftet. Die Demonstrationen zeigen einen umgefärbten Neoprenanzug und ein umgefärbtes Surfbrett, oder zwei zusätzlich eingefügte Taucher in einer bestehenden Szene.

Das war genau der historische Schwachpunkt der Diffusionsmodelle, die dazu neigten, alles neu zu generieren, sobald man ein Detail anfasste.

Die diskrete Rolle des Upsamplers

Kurze Anfragen laufen über einen Prompt-Upsampler, der sie in dichte Bildunterschriften verwandelt, das Format, auf das FLUX 3 trainiert wurde. Er kann die Bildunterschrift rund um die Boxen umschreiben und weitere Elemente vorschlagen.

Doch die Regel ist strikt: Jede vom Nutzer gezeichnete Box erreicht das Modell wortwörtlich, mit derselben id und denselben Koordinaten. Was der Upsampler hinzufügt, überlebt nur, wenn die Bildunterschrift darauf verweist. Ein Weg, der menschlichen Hand Vorrang vor der automatischen Umschreibung zu geben.

Ein Modell, zugeschnitten auf Agenten

Black Forest Labs präsentiert FLUX 3 Image als „designed for agents“. Es genügt, eine Zeile und ein Format vorzugeben: Ein LLM plant das Layout, schreibt die Bildunterschrift und die Elementtabelle mit semantischen ids.

Der Nutzer kann anschließend die Boxen verschieben, die ihm nicht zusagen, während das Modell in den übrigen so generiert, wie der Agent sie platziert hat. Das Beispiel eines „Schwanensees hinter den Kulissen“ veranschaulicht diese Kette.

Ganz ohne Boxen bleibt das Modell ein klassisches Text-to-Image-System, mit einer als solide beworbenen Prompt-Treue und einem nativen Verständnis von Komposition.

Angestrebte Nutzung und Zugang

Die hervorgehobenen Anwendungsfälle sind jene, in denen viele Elemente strengen Beziehungen gehorchen: Text, der um ein Foto herum gesetzt wird, Collagen, Vorschaubild-Raster, redaktionelle Doppelseiten, Menschenmengen-Szenen, in denen jedes Gesicht seinen Platz hat.

Beim Zugang kann man die Boxen im Playground von Hand zeichnen oder einen Layout-Prompt über die BFL-API senden. Unternehmen, die im großen Maßstab generieren, können auf Anfrage die Gewichte unter kommerzieller Lizenz erhalten, um sie zu fine-tunen und bei sich selbst zu hosten.