Flux-2-Klein-9b 图生图：电商产品照片处理

为什么选择编辑产品照片而不是生成新照片

大多数电商商品目录面临的问题不是“从零生成”，而是 “一张照片，五种用途”。卖家拍摄一张主图， 通常是在杂乱的台面上或光线一般的情况下， 然后需要一张干净的纯白背景版本用于商城网格展示、 每个 SKU 一个颜色变体，以及用于广告和社交媒体的场景图。 为每个变体重新拍摄很慢；用文生图从头生成每一张 又无法保证结果与你实际销售的产品完全一致。

flux-2-klein-9b/image-to-image 正是为解决第二个问题而生：它接收一张现有的产品照片加 一条编辑指令，返回一张新图片，其中你没有要求改变的一切 ——形状、比例、瓶盖、logo——都保持不变。它是 hiapi 上 FLUX.2 [klein] 系列中更大、保真度更高的档位，在质量和价格上都高于 flux-2-klein-4b/image-to-image。

下面是一个基于单张起始照片的完整三步工作流： 先将一张杂乱的“改动前”照片清理成可用于商品目录的主图，然后 把这幅主图扩展出颜色变体和场景变体——三次真实编辑、 三条真实提示词、一个用于在商品目录中复用同一模式的批量脚本。

起始照片

这就是卖家实际会上传的那种“改动前”照片：一个拉丝 不锈钢保温水瓶，配哑光黑色螺旋盖，拍摄于 杂乱的厨房台面上，旁边有一只咖啡杯和一块洗碗布， 光线混杂不均，构图偏离中心。它可作为参考，但不适合 作为商品列表图片。

用于生成这张起始照片的提示词（通过 flux-2-klein-9b/text-to-image）：

A slightly imperfect phone photo of a brushed stainless steel insulated water bottle with a matte black plastic screw cap, standing on a cluttered kitchen counter next to a ceramic coffee mug and a folded blue dish towel, mixed warm ceiling light and cool window daylight creating an uneven color cast, faint reflections and fingerprint smudges on the counter, off-center composition, casual amateur snapshot quality, not professional photography

步骤 1：影棚清理——从杂乱台面到可用于商品目录

使用的提示词：

Keep the water bottle exactly as it is: same brushed stainless steel body, same matte black screw cap, same proportions and shape. Remove the cluttered counter, coffee mug, and towel completely. Replace the background with a seamless pure white studio background. Correct the lighting to even, shadowless studio lighting from the front, center the bottle in the frame, sharp focus, no reflections, no smudges, clean e-commerce catalog product photography.

这是实际工作流中最关键的一次编辑：一次调用就能把 手机快照变成可用于商城的白底图片，而且 瓶身形状和瓶盖完全不变。这个干净的结果将成为 主图——本指南中所有下游变体都从这张 图片生成，而不是从原始的杂乱照片，因此偏差不会在多次 编辑中累积。

步骤 2：从干净主图生成颜色变体

使用的提示词：

Keep the bottle's shape, screw cap, proportions, and pure white studio background exactly as they are. Change only the body color and finish from brushed stainless steel to a matte sage green, keep the black cap unchanged, keep the same lighting and shadow, e-commerce catalog product photography.

这就是多 SKU 场景：一个产品线有五种颜色， 不需要五次单独的拍摄。从干净主图出发， 并把提示词限定为只改颜色，就能让瓶盖、比例、光线和 背景完全固定——只改变瓶身材质的颜色。

步骤 3：从同一主图生成场景变体

使用的提示词：

Keep the water bottle exactly as it is: brushed stainless steel body, matte black cap, proportions unchanged. Replace the plain white studio background with an outdoor lifestyle scene: the bottle resting on a moss-covered granite rock beside a hiking trail, soft early-morning sunlight filtering through pine trees, shallow depth of field, warm natural color grade, outdoor lifestyle product photography.

同一张主图，不同目的地：这是用于广告、社交 帖子或落地页主视觉的图片——户外场景环境而非 商品目录背景，产品身份由上述每条提示词中相同的 “保持原样”锚定语句牢牢锁定。

这些编辑为何可靠

• 先锚定不变的部分，再描述改动。上述每条提示词 开头都先说明不能改动的部分——形状、瓶盖、 比例——然后才提到新背景或颜色。 这种顺序正是让产品身份在三次 连续编辑中保持锁定、而不是每次进一步偏移的关键。
• 从干净主图链式编辑，而不是原始照片。步骤 2 和步骤 3 都 从步骤 1 的输出开始，而不是原始的杂乱照片。从 干净、正确的基底开始编辑，比试图在同一条提示词中同时修复杂乱 并替换背景更可靠。
• 每条提示词只限定一个改动。颜色变体只改动 颜色；场景变体只改动背景。两条提示词都不会 同时要求两个不相关的改动。
• flux-2-klein-9b/image-to-image 每次调用只接受一张参考图。 与一些接受多张参考图的编辑模型不同， 该模型的 schema 刻意保持精简：一个 prompt 字符串和一个 最多一张图片的 image_urls 数组。图生图接口上没有 resolution 或 aspect_ratio 参数——输出 遵循输入照片的尺寸，因此除了提示词和源图之外 无需配置任何内容。

批量编辑商品目录

上述三次编辑共享相同的请求形状：一个参考图片 URL 加一条编辑提示词，提交到 hiapi 的异步任务端点。下面的代码片段 在一个 (base_image_url, prompt, output_name) 元组列表上循环该模式—— 这正是你会用来一次性把整个商品目录 跑完清理、颜色变体和场景变体的结构。

import os
import time
import requests

API_BASE = "https://api.hiapi.ai/v1/tasks"
TOKEN = os.environ["HIAPI_API_KEY"]
MODEL = "flux-2-klein-9b/image-to-image"


def submit_edit(base_image_url: str, prompt: str) -> str:
    resp = requests.post(
        API_BASE,
        headers={"Authorization": f"Bearer {TOKEN}"},
        json={
            "model": MODEL,
            "input": {
                "prompt": prompt,
                "image_urls": [base_image_url],
            },
        },
        timeout=60,
    )
    resp.raise_for_status()
    return resp.json()["data"]["taskId"]


def wait_and_download(task_id: str, out_path: str, poll_s: int = 5, timeout_s: int = 300) -> None:
    deadline = time.time() + timeout_s
    while time.time() < deadline:
        r = requests.get(
            f"{API_BASE}/{task_id}",
            headers={"Authorization": f"Bearer {TOKEN}"},
            timeout=30,
        )
        task = r.json().get("data", {})
        if task.get("status") == "success":
            url = task["output"][0]["url"]
            img = requests.get(url, timeout=120)
            with open(out_path, "wb") as f:
                f.write(img.content)
            return
        if task.get("status") == "fail":
            raise RuntimeError(task.get("error"))
        time.sleep(poll_s)
    raise TimeoutError(f"task {task_id} did not finish in {timeout_s}s")


# One entry per product / variant. Chain color and lifestyle edits from a
# clean master, not the raw source photo, for best consistency.
batch = [
    ("https://cdn.example.com/products/bottle-raw.jpg",
     "Keep the bottle exactly as it is: same body, same cap, same "
     "proportions. Remove the cluttered background completely. Replace it "
     "with a seamless pure white studio background and even, shadowless "
     "lighting, clean e-commerce catalog product photography.",
     "bottle-clean-master.jpg"),
    ("https://cdn.example.com/products/bottle-clean-master.jpg",
     "Keep the bottle's shape, cap, proportions, and white studio "
     "background exactly as they are. Change only the body color to matte "
     "sage green, keep the cap unchanged.",
     "bottle-sage-green.jpg"),
    ("https://cdn.example.com/products/bottle-clean-master.jpg",
     "Keep the bottle exactly as it is: body, cap, proportions unchanged. "
     "Replace the white studio background with an outdoor lifestyle scene "
     "on a mossy rock beside a hiking trail, soft morning sunlight.",
     "bottle-lifestyle-hiking.jpg"),
]

for base_url, prompt, out_name in batch:
    task_id = submit_edit(base_url, prompt)
    wait_and_download(task_id, out_name)
    print(f"saved {out_name}")

每次任务调用都是独立的，因此对于完整商品目录，你通常会 并发运行一个小型池子，而不是严格一次一个地循环 ——任务 API 的处理时间才是瓶颈，而不是你的客户端。注意 步骤 2 和步骤 3 都指向 bottle-clean-master.jpg，即步骤 1 的 输出：从清理后的结果链式生成、而不是从原始上传图， 正是让颜色变体和场景变体彼此保持一致的关键。

定价

flux-2-klein-9b/image-to-image 按图片计费，无论 输出尺寸如何都统一定价。截至 2026-08，每次图生图编辑费用为 $0.03143 每张图片；配套的文生图端点（本指南中用于生成起始照片） 费用为 $0.00858 每张图片。两者都明显高于 更小的 flux-2-klein-4b/image-to-image 档位的每次编辑 $0.00715——9B 用这一成本溢价换取更高的输出 保真度，尤其是在材质和颜色变化等细节密集的编辑上。请查看 定价页面 了解所有模型 的当前费率，因为价格可能变化。

常见问题

flux-2-klein-9b/image-to-image 每次调用支持多张参考图吗？ 不支持。schema 在 image_urls 中只接受一张图片（maxItems: 1）。 对于需要合并两张独立源图的编辑，这不是合适的模型 ——它专为单参考图编辑而构建，例如背景替换、 颜色更改和清理。

我能控制输出分辨率吗？ 不能——图生图端点没有 resolution 或 aspect_ratio 参数。输出遵循输入照片的尺寸。如果你需要 特定的输出尺寸，请在提交前调整源图大小，或 在之后调整结果大小。

这与 flux-2-klein-4b/image-to-image 有何不同？ 请求形状相同，单参考图 schema 也相同，但 9B 每次 编辑成本更高（$0.03143 对 $0.00715），以换取更高的保真度——当 商品目录编辑涉及精细细节（材质纹理、颜色准确性） 而非简单的背景替换时，它是更好的选择。

为什么从“干净主图”链式编辑，而不是每次编辑原始照片？ 从杂乱的原图编辑，要求模型在同一次处理中修复杂乱并应用 新改动，这会增加不必要 偏差的可能性。先清理一次，然后从那个单一的 干净结果分支生成每个变体，能让每张下游图片彼此保持一致。

我能一次性对整个商品目录运行吗？ 可以——上面的批量脚本就是该模式：循环遍历 (image, prompt, output name) 元组，将每个作为独立任务提交，并并发运行少量 请求，而不是一个长长的顺序循环。

自己试试

本指南中的每次编辑——清理、颜色变体、场景变体——各用一次 API 调用， 从单张起始照片链式生成。如果你有 现有产品照片，并希望在不重新拍摄的情况下获得可用于商品目录的变体， hiapi 文档快速入门 涵盖了 认证和首次请求，只需几分钟即可完成。