FLUX.2 Klein 4B

Présentation du positionnement

FLUX.2 klein 4B est un modèle compact de génération d'images à partir de texte lancé par Black Forest Labs, fondé sur une architecture rectified flow de 4 milliards de paramètres, qui hérite par distillation de la compréhension de l'éclairage, des matières et de la composition du socle FLUX.2 plus vaste. Il s'adresse aux développeurs ayant besoin de générer des images en lot à faible coût et de s'intégrer de manière fiable dans des workflows interactifs ou sensibles à la latence. Grâce à l'interface unifiée de HiAPI.ai, il suffit de soumettre un prompt pour obtenir une image finale à la résolution et au rapport d'aspect souhaités.

Points clés

• Encombrement réduit, coût de génération maîtrisé — une échelle de 4 milliards de paramètres associée à une accélération par distillation, pour un coût de génération par image faible, adapté aux scénarios de développement nécessitant de grands volumes et de nombreux essais successifs.
• Distillé d'un socle FLUX.2 plus vaste — la compréhension de l'éclairage, des matières et de la composition provient de la distillation du grand modèle, avec une qualité supérieure à ce que laisse attendre son volume de paramètres.
• Spécifications de l'image fixées en un seul appel — la résolution, le rapport d'aspect, le format de sortie et la qualité de compression sont tous des paramètres de requête : les caractéristiques de l'image sont déterminées en un seul appel.
• Graine reproductible — la prise en charge d'une graine aléatoire permet de reproduire ou d'ajuster finement le résultat pour un même prompt, ce qui facilite le débogage et la validation de non-régression.

Description des capacités

Génération d'images à partir de texte : il suffit de soumettre un prompt textuel pour obtenir l'image correspondante, sans image de référence ; le prompt est le seul paramètre obligatoire, ce qui réduit le coût d'intégration.

Plusieurs paliers de résolution et rapports d'aspect : la sortie prend en charge cinq paliers de résolution de 0,25 à 4 MP, ainsi qu'une dizaine de rapports d'aspect comme 1:1, 16:9 et 21:9, directement adaptés aux besoins de mise en page tels que les images d'en-tête et les visuels verticaux.

Format de sortie et contrôle de la qualité : trois formats au choix — webp, jpg et png — avec un réglage de la qualité de compression de 0 à 100 pour jpg/webp, permettant d'arbitrer selon les besoins entre netteté et taille de fichier.

Graine aléatoire reproductible : le paramètre seed permet d'obtenir des résultats reproductibles pour des entrées identiques, ce qui facilite la comparaison de différentes combinaisons de paramètres et la reproduction d'échantillons problématiques.

Scénarios d'application

• Génération d'images en lot pour les plateformes de contenu — les équipes opérationnelles ou les développeurs backend génèrent des images en lot à partir de prompts modèles, en spécifiant le rapport d'aspect et le format webp, pour une utilisation directe en illustration d'articles et en vignettes de listes.
• Aperçu instantané dans les outils de création interactifs — les applications de création convertissent en temps réel les saisies de l'utilisateur en images, avec un aperçu rapide en basse résolution puis une sortie finale en haute résolution après validation.
• Production d'images normalisées pour les supports marketing — selon le canal de diffusion, on choisit un ratio comme 16:9 ou 9:16 et la résolution cible, pour produire en un seul appel des bannières et visuels de couverture directement publiables.
• Réglage des paramètres et validation de non-régression des résultats — grâce à la graine et aux paramètres de qualité, réaliser des comparaisons A/B et constituer une bibliothèque de prompts et une base de référence qualité à partir d'échantillons reproductibles.

Limites et conseils de choix

Seule la génération d'images à partir de texte est prise en charge ; pour éditer une image existante ou imposer une image de référence, il convient de choisir la filière d'édition d'image. Le modèle est une version distillée de 4B, dont le plafond de capacités est limité par la taille des paramètres : sa stabilité sur les compositions complexes, les textes denses et les détails fins est inférieure à celle de modèles plus grands, et pour ces besoins de haute précision, il est recommandé de choisir des modèles de plus grande taille. La résolution et le rapport d'aspect sont des énumérations prédéfinies, sans prise en charge de tailles arbitraires. En l'absence actuelle de données de référence transversales indépendantes, il est conseillé de fonder le choix sur des tests réels avec ses propres prompts.