Стоит читать если: вы используете FLUX.2 [pro] для работы с изображениями или планируете её внедрение. Можно пропустить если: вы не работаете с генеративными моделями изображений Black Forest Labs.
FLUX.2 [pro]: вдвое быстрее, API стабилен, но есть новая точка для экспериментов
Модель FLUX.2 [pro] теперь обрабатывает запросы почти вдвое быстрее. Black Forest Labs сообщает, что это ускорение распространяется как на задачи преобразования текста в изображение, так и на редактирование изображений. Качество генерации при этом не пострадало — по всем внутренним бенчмаркам нет регрессии. Цена использования модели остаётся прежней, что делает обновление более выгодным с точки зрения производительности.
Обновление не требует изменения кода. API-контракт для FLUX.2 [pro] остался полностью совместимым. Это позволяет существующим интеграциям получить прирост скорости без внесения правок.
Для разработчиков теперь доступны две конечные точки.
flux-2-pro-preview: новая точка, предназначенная для раннего доступа к последним итерациям и улучшениям FLUX.2 [pro]. Это позволяет экспериментировать с новейшими возможностями модели до их полного развертывания.flux-2-pro: существующая конечная точка, которая сохраняет свои характеристики для рабочих процессов, где требуется строгая воспроизводимость результатов. Black Forest Labs не уточняет, как часто будет обновлятьсяflux-2-pro, но подразумевается более консервативный подход. Анонс
Такой подход с preview-эндом — логичный шаг, чтобы дать инженерам баланс между стабильным продакшеном и возможностью «пощупать» новинки, не боясь сломать существующие интеграции. Но это также перекладывает на разработчика ответственность за мониторинг preview-версии, если он решит её использовать.
Модель FLUX.2 [pro] использует ценообразование на основе мегапикселей. Это означает, что стоимость масштабируется в зависимости от выходного разрешения изображения. Например, генерация изображения «текст в изображение» начинается от $0.03. Пакетные запросы умножают базовую стоимость на количество изображений, так, пакет из 4 изображений FLUX.2 [pro] будет стоить от $0.12. Это позволяет разработчикам точно контролировать расходы, исходя из необходимого качества и количества выходных данных.
Выбор между глобальными и региональными конечными точками обеспечивает гибкость и надёжность. Помимо стандартных глобальных эндпоинтов, которые автоматически распределяют нагрузку и обеспечивают отказоустойчивость, доступны региональные, такие как api.eu.bfl.ai для Европы (с соблюдением GDPR) и api.us.bfl.ai для США. Это важно для приложений с особыми требованиями к местоположению данных или низкой задержке.
API позволяет работать с изображениями в асинхронном режиме. Запрос на генерацию отправляется, а затем результат запрашивается по мере готовности, что удобно для интеграции в распределённые системы и обработки длительных задач. Полученные ссылки на изображения действительны в течение 10 минут, поэтому для постоянного хранения рекомендуется скачивать изображения и размещать их на собственной инфраструктуре.
Self-Flow: универсальный подход к мультимодальному синтезу без внешнего контроля
Black Forest Labs представила Self-Flow — платформу сопоставления потоков с самоконтролем. Эта разработка, описанная в их исследовательской работе, предназначена для генерации изображений, видео и аудио. Self-Flow позволяет интегрировать обучение представлений непосредственно в генеративную модель, не требуя внешнего надзора или сторонних моделей, как это часто бывает в существующих подходах. Это улучшает конвергенцию и качество генерации в диффузионных и потоковых моделях.
Ключевой механизм Self-Flow — это Dual-Timestep Scheduling. Он применяет различные уровни шума к токенам, создавая информационную асимметрию. Модель вынуждена выводить недостающую информацию из поврежденных входных данных, что способствует изучению сильных семантических представлений параллельно с генеративными возможностями.
Self-Flow демонстрирует универсальность и масштабируемость.
- Подход обобщается для различных модальностей: изображения, видео и аудио.
- Позволяет проводить мультимодальное обучение, следуя ожидаемым законам масштабирования.
- Превосходит REPA (другой подход) в качестве генерации по всем модальностям без использования внешних моделей или дополнительного контроля, о чем свидетельствуют результаты на 4B-модели, обученной на 200M изображений и 6M видео.
- Даже при 100k шагов дообучения высокого разрешения на мультимодальной модели с 4B параметрами, Self-Flow улучшает структурную когерентность (лица, руки), качество движения и точность рендеринга текста. Блог, Исследование
Что это даёт: новые возможности и больше контроля
Инженеры получают более эффективные инструменты для продакшена и больше гибкости для экспериментов. Ускорение FLUX.2 [pro] позволяет снизить затраты на инференс или увеличить пропускную способность без изменения API, а появление flux-2-pro-preview открывает путь к быстрому тестированию новых фич. В то же время, исследовательская работа по Self-Flow показывает долгосрочную стратегию Black Forest Labs по созданию более универсальных и самодостаточных мультимодальных генеративных моделей, способных улучшать качество без постоянного внешнего вмешательства. Это указывает на развитие моделей, которые будут требовать меньше усилий для тонкой настройки и контроля.
Увеличение производительности FLUX.2 [pro] открывает возможности для более ресурсоёмких рабочих процессов. Разработчики теперь могут создавать или редактировать изображения быстрее, что критично для интерактивных приложений, обработки больших объёмов данных или снижения операционных расходов.
Гибкое ценообразование позволяет оптимизировать затраты. Модель ценообразования FLUX.2 [pro] на основе мегапикселей позволяет платить только за фактически сгенерированные пиксели, а пакетные запросы делают выгодным массовое создание контента.
Доступ к flux-2-pro-preview позволяет разработчикам заранее оценивать будущие улучшения. Это дает конкурентное преимущество, позволяя интегрировать новейшие возможности и адаптировать свои продукты до того, как они станут общедоступными.
Важные ограничения
API имеет лимиты на количество активных задач. Для большинства моделей этот лимит составляет 24 активных задачи. Превышение лимита приводит к ошибке 429, требуя ожидания завершения предыдущих задач. Для модели flux-kontext-max лимит ещё строже — 6 активных задач. Это важно учитывать при проектировании систем, работающих с высокой нагрузкой.