10 月 2 日,德国黑森林实验室(Black Forest Labs,下称 BFL)上线 FLUX 3 Image。官方给它的标题是"对每一个像素的最大控制",一句话说明是:把每个元素放到画布上,然后一次一个框地编辑成品图,你没碰过的地方保持原样。这个团队由原 Stable Diffusion 论文的核心作者创办,FLUX 系列一直是开源生图里绕不开的一支。这次他们没有换一个更大的模型,而是换了一套输入方式——让生图从"描述得准不准"的运气活,变成"布局定得对不对"的工程活。
先说清它在产品线里的位置。FLUX 3 是一个把图像、视频、音频和动作放在一起训练的多模态基座,7 月 23 日以 Early Access 形式放出,8 月 5 日先上了视频能力,图像这一档到 10 月才补齐。先视频、后图像的顺序在生图圈里不常见,BFL 的解释是图像子模型直接建在已经跑通的基座上。
一、核心变化:画布变成坐标网格,元素用边界框定位
- 画布被抽象成 0–1000 的归一化网格,横竖两个方向都是如此。不管你选什么画幅比例,每个框都用
[y_min, x_min, y_max, x_max]四个数写出来,一个框圈一个元素。 - 生成要写两层东西:一段全局 caption 描述整张图,后面跟一张"元素表"——一个 JSON 数组,每行给三样:
id、bbox(边界框)、desc(这个框里画什么)。caption 用 id 引用元素,比如animal_1,模型的每个元素都落在自己的框里。 - 框也可以不自己画。给 agent 一句话加一个画幅比例,LLM 会替你把整张布局规划出来:写出 caption 和元素表,给每个要紧的元素分配框和语义 id;所有框仍然可编辑,你挪走不喜欢的,剩下的就按 agent 摆好的位置出图。
- 官方强调框是"原样送进模型"的。一个 prompt upsampler 会把你的一句话扩写成模型训练时用的密集 caption,它可能围着你的框写描述、也可能自己补几个元素,但你画的每个框、连同 id 和坐标都会原封不动传进去;upsampler 额外加的东西,只有在 caption 里被提到才留得下来。
这套接口把过去"反复改提示词碰运气"的过程,替换成一次结构化的布局输入。官方给出的适用场景很具体:带文字的海报与杂志跨页、拼贴与分格、人群里每张脸都要各就各位的拥挤画面——共同点是部件多、关系严格。
二、编辑:改一处,框外像素不动
- 按框修改成品图,一次可以做多处。每个框都可以重新描述、替换成别的东西,或者整体挪走。
- 没碰的区域保持像素级不变。官方的说法是"你没动的一切,都还待在原地",所以一张图能撑过一轮又一轮的编辑。这针对的是图像编辑里的老毛病:每次重绘都带来整体漂移,改到后面,最初满意的部分也跟着变了样。
- 多轮编辑因此变得可用。换衣服颜色、换画面主体、把某块手绘换成照片,这些操作被限制在各自的框里,误差不会累加到整张图上。
- 框是唯一的"手术区"。愿意在局部反复微调的创作流程,收益最大;如果整张图都要大改,那按框编辑省下来的返工有限。
三、分辨率与参考图:原生 2K/4K,最多 10 张参考
- 原生渲染 2K 和 4K,不是先把小图生成再插值放大。官方给出的 4K 样张是 5456×3072 像素、约 16.8 兆像素,并称纹理、人脸、颜色这些细节都会按全分辨率渲染出来。
- 单次最多融 10 张参考图。每张参考图按添加顺序拿到一个 token,从
ref_image_0开始;你写一句话,分别用这些 token 引用它们,FLUX 3 自己决定每张参考图摆在画面什么位置、占多大,然后整体渲染。 - 参考图也能参与定位。元素表里可以给参考图里的对象单独指定落点,也就是说多图合成不是"丢进去看运气",而是能安排谁上哪块画布。
- 文字渲染有针对性的优化。官方公开的样张里有竖排日文字符,字体、颜色和排布都按描述走,而不是当成普通纹理糊上去。
- 一句真话:原生的意思是"出多大就是多大",但 4K 的单价明显高于 2K,分辨率在 FLUX 3 Image 这里是成本的主要变量,不是免费附赠。
四、价格:按分辨率阶梯,首发五折到 10 月 8 日
官方定价页给出的是按输出分辨率分档的整图单价(单位:美元/张):
| 输出分辨率 | 标准价 | 首发五折价(至 10/8) |
|---|---|---|
| 768 × 768 | $0.041 | $0.0205 |
| 1K | $0.048 | $0.024 |
| 1.5K | $0.07 | $0.035 |
| 2K | $0.10 | $0.05 |
| 4K(5456×3072) | $0.607 | $0.3035 |
几个必须先记住的点:
- 计费口径只看"出多大 × 出几张"。定价页的档位是按输出分辨率定的,没有为参考图单列一项;也就是说你塞 1 张还是 10 张参考图,出同一档分辨率的价钱一样。这一点和 BFL 上一代按兆像素计费的产品是两个逻辑(见下表)。
- 4K 不是"贵一点",是贵一档到六倍。标准价从 2K 的 $0.10 跳到 4K 的 $0.607,约六倍;折后从 $0.05 跳到 $0.3035,同样是六倍。想批量出图的人,先把"哪张必须 4K"拣出来。
- 五折有明确截止时间。官方标注的活动窗口是从 10 月 1 日 15:00(UTC)到 10 月 8 日 15:00(UTC),过了这个点按下表的标准价走。做预算请按标准价留余量,把五折当窗口期,而不是基准。
| 产品 | 计费口径 |
|---|---|
| FLUX 3 Image | 按输出分辨率档 × 张数,参考图不额外计费 |
| FLUX.2 [pro] | 按兆像素,首兆像素 $0.03 起 |
| FLUX.2 [max] | 按兆像素,首兆像素 $0.07 起 |
| FLUX.2 [flex] | 每兆像素 $0.05 |
按这套单价,算两笔常见的账:
- 内容号日常配图:2K、折后 $0.05/张,攒 200 张约 $10;等 10 月 8 日之后按 $0.10 算,同样 200 张约 $20。
- 封面/主视觉批次:一批 10 张的 4K 图,折后约 $3,恢复原价后约 $6。分辨率越高,单价越吃预算,这一档适合"少而精"。
五、怎么用起来:两条路,外加一条给 agent 的路
- 手画框走 Playground:选一个画幅比例 → 拖框圈出每个要紧的元素 → 每个框写一段描述 → 给整个场景一句话把它们串起来 → 生成。不想画框就跳过,直接写提示词,模型对构图本身也有原生理解。
- 走官方 API 发 layout prompt:把上面那套"全局 caption + 元素表(JSON)“直接发给 FLUX 3,让它按框渲染。这条路适合把布局模板固化成流程的团队。
- 让 agent 替你规划:给一句话加一个画幅比例,由 LLM 写出 caption 和元素表,你只负责挪动不满意的框。官方把这条路径单独拿出来讲,定位很明确——它是为"agent 直接调用"设计的。
- 权重有两条线,别混:现在它是 BFL 的付费服务,通过官方 API 和 Playground 使用;面向大规模出图的公司,可以谈商用权重授权,拿去做微调并部署到自有基础设施。而"开源权重版本"目前只是官方口径里的"未来几周内公开”,还没有日期——参考 BFL 这次"基座 → 视频 → 图像"的分阶段节奏,在权重真正挂出来之前,别把本地部署写进计划。
六、六条限制与风险,签预算前先看
- 它仍是付费闭源(截至今天)。想自托管要么等开源权重,要么去谈商用授权;个人开发者能不能拿到、什么价,官方页面上没有写。
- 开源是承诺,不是事实。“未来几周公开"是发布时的说法,没有确切日期。把"等它开源就本地跑"当方案的人,先留一条退路。
- 对比数据是自家口径。官方展示的样张和效果对比都由 BFL 自己提供,目前没有第三方在统一评测里复测过这套"边界框控制"的实际表现。
- 2K 到 4K 的价格断崖。六倍的单价跳幅意味着"默认全 4K"是预算杀手,出图前先决定分辨率。
- 中文排版要自己试。官方样张给的是日文竖排,中文字体、标点和排布的实际效果不能直接类推,得用你自己的素材跑一轮。
- 边界框有适用范围。官方说它适合"部件多、关系严格"的构图;单主体写真、氛围图这类,画框带来的收益有限,反倒多一道工序。
七、我的判断
- 该上的:做电商图、广告图、杂志排版、封面的团队和个人——尤其是"一张图上要反复微调某个局部、又不想整张重画"的活。这类需求过去要么靠 Photoshop 手工抠,要么靠反复重绘碰运气,按框编辑正好补在这两个痛点之间。另外就是要在 10 月 8 日窗口内试水的个人创作者:2K 折后 $0.05/张,试错成本比一杯咖啡低。
- 再等等的:只想"文生图碰运气出壁纸"的普通用户。FLUX 3 Image 的卖点是可控,不是审美碾压;这类需求用免费或低价的现成工具更划算。还有一类是想本地跑开源权重的人——权重没放出来之前,一切都是纸面能力。
- 别碰的:把 4K 标准价($0.607/张)当批量预算基数的人;以及指望"按框编辑就能完全替代修图流程"的人——它把返工范围缩到了一个框里,但"框外像素不变"是局部操作的前提,不是全流程免检,构图本身没排好,框画得再准也救不回来。
- 三步试水法:第一步,挑一张你反复改不好的旧图,在 Playground 里画三个框(主体、背景、文字)走一轮,亲眼确认"框外不动"这条是不是真的;第二步,同一张图分别出 2K 和 4K,对比细节差异值不值那六倍价差;第三步,把你最顺手的那个构图写成 caption + 元素表存成模板,下次换素材直接复用——这套结构化输入一旦沉淀下来,才是它相对"纯提示词"最实的那部分价值。
把这条发布放回今年的生图赛道看,方向很清楚:阿里开源的 Qwen-Image-2.1 把能力放开、但用许可证把商用门关上,FLUX 3 Image 走的是"先付费服务、后开源权重、同时卖商用授权"的另一条节奏;而开源模型整体进入可自托管阶段的大背景,可以回看 Hugging Face 被收购 那篇里对本地跑模型的判断。这一次真正的增量不是"画得更好看”,而是把图像生成从描述的运气往布局的工程挪了一步——值不值,取决于你的活儿里有多少需要"精确复现同一张构图"。
顺带一提:原生 4K 生图出来了,屏幕还停在 1080p 就白搭——显示器怎么选从 429 元按面板和尺寸说清。
本文由拾光札记编辑部整理,勘误请联系我们。