一句话结论
Black Forest Labs（BFL）的开发者布道师 Stephen Batifol 在 AI Engineer 大会上完整复盘了 FLUX 家族从文生图模型到「视觉智能」的演进路径：以持续发布开源最先进模型为第一原则，用 FLUX.1、Kontext、FLUX.2、FLUX.2 Klein 四次关键迭代把图像质量、编辑能力与生成速度推向极限，同时以 SelfFlow 自监督研究摆脱外部编码器依赖，为统一图像、视频、音频、动作乃至物理世界交互的世界模型铺路。
演讲者与 BFL：Stable Diffusion 原班人马的二次创业
演讲者 Stephen Batifol 自我介绍为 BFL 的开发者关系工程师（Developer Relations Engineer）。他在开场用两个问题为现场定调——先问有多少人知道 BFL，再问有多少人知道 FLUX，举手的人几乎完全重叠。这说明在开发者社区的认知里，这家公司与其旗舰模型已经深度绑定。
BFL 的背景远比「一家图像模型公司」深厚。Batifol 强调，他们是 Stable Diffusion、Latent Diffusion 和 FLUX 背后的同一支团队，团队学术成果累计获得超过 20 万次引用。除了发布模型，BFL 也与企业和客户深度合作，客户名单包括 Microsoft、Adobe、Canva、Mistral 等。这段背景陈述为后面整个演讲定下基调：这不是一家追热点的初创公司，而是视觉生成领域的奠基者团队在规划下一阶段的技术版图。
FLUX.1：2024 年 8 月的破局之作
BFL 的故事从 2024 年 8 月发布的 FLUX.1 开始。Batifol 回忆，这是公司的第一次突破——当时 FLUX.1 成为 Stable Diffusion 最有力的竞争者，真正让业界意识到「这是一个非常厉害的模型」。
FLUX.1 有三个关键特征：第一，它是纯文生图模型；第二，它开源发布；第三，也是最重要的一点——它可以在笔记本电脑上运行。Batifol 特别强调，以当时的标准衡量，FLUX.1 的解剖结构（anatomy，即人体结构正确性）远超同类模型，尤其是那些参数规模大得多的模型。一个来自无名新公司的模型能做到这一点，在当时是重大信号。
社区的反馈验证了这一点。Hugging Face 的 Clem（Clem Delangue）当时公开为 FLUX.1 发声，FLUX.1 一度成为 Hugging Face 上点赞最多的模型。Batifol 坦承这个纪录如今已被打破，但对一家刚走出隐身状态的公司而言，这是极具分量的行业认可。
Kontext：全球首个开源图像编辑模型的诞生
接下来登场的是 FLUX Kontext。Batifol 称其为「全球首个开源编辑模型」——将文生图与图像编辑能力合并到同一个模型中。在今天编辑模型遍地都是的环境下，这个组合显得理所当然，但在当时这是一次重大突破：同一个模型既能从文本生成图像，又能对现有图像进行编辑。
Batifol 用一组演示展示 Kontext 的能力：从一张输入图开始，可以擦掉人物脸上的雪花并保持角色一致性；可以把人物「搬」到 BFL 总部所在地弗莱堡的街头自拍；也可以做局部编辑，把背景改成雪景，同时让雪也落在人物脸上。
速度是 Kontext 的另一个杀手锏。Batifol 提醒观众回忆当时的市场环境：第一代 GPT 图像生成需要 40 到 50 秒才能生成或编辑一张图，而 Kontext 只需 7 到 8 秒。在等待成本动辄数十秒的时代，这个数量级的提速直接改变了产品的可用性。
故事板用例：给视频模型喂关键帧
Kontext 还催生了一类高频用例：连续叙事。Batifol 展示了合作伙伴与客户的实际用法——从一张输入图出发，逐步生成完整的故事板。他的示例是那只著名的海鸥：先是一只戴着 VR 头显在酒吧喝酒的海鸥，然后一位朋友加入碰杯，接着两只海鸥微醺后戴上帽子，最后走出酒吧。
这类连续图像不只是有趣。Batifol 指出，这些图像会被作为输入帧或结束帧喂给视频模型或动画模型，由视频模型基于这些关键帧生成连贯内容。换言之，图像编辑模型成为了视频生产管线中的「分镜师」，这是 FLUX 家族向视频方向延伸的早期伏笔。
FLUX.2：2025 年 11 月迈向「视觉智能」的旗舰
2025 年 11 月发布的 FLUX.2 被称为 BFL 迈向「视觉智能」（visual intelligence）的第一步，也是其当前最强的基座模型。Batifol 展示了一组样张并给出他的判断：看人物的手、手上的血管、左边人物佩戴的手链，他个人认为已经无法分辨这些是 AI 生成的；右侧的海龟、浴缸里的猫狗同样达到以假乱真的程度。
除了人物与动物，FLUX.2 在商业场景同样出色：可以生成专业的产品摄影（如华夫饼美食图），也能创作趣味图像（如骑着摩托、带着气球的人物）。Batifol 强调，FLUX.2 不只是图像生成模型，它同时是图像编辑模型——这是 Kontext 路线的延续与强化。
多参考图编辑是 FLUX.2 的招牌能力。它可以同时接收最多 10 张输入图像。Batifol 的演示中，他给模型 6 张服装图片并输入提示词「用这些图片创建一套穿搭」，模型能智能地生成合理结果——夹克穿着方式正确，领带也系得妥当。另一个用例面向电商：沙发厂商可以让顾客预览家具摆进自家客厅的效果。
Batifol 总结道，角色一致性、产品一致性与风格一致性，是 FLUX.2 当前最主要的三类落地用例。
第一性原则：持续发布最先进的开放模型
在产品巡礼之后，Batifol 郑重陈述了 BFL 作为一个公司和研究实验室的第一运营原则：发布最先进的模型。每一次发布都要抬高质量基准线——FLUX.1 发布时如此，Kontext 如此，FLUX.2 则是迄今最好的图像模型，也是第一个支持多参考输入的版本，在文生图与图像编辑两个方向上都达到开源世界的最先进水平。
第二条原则是开放研究。Batifol 强调 BFL 首先是一家研究公司，公开发表论文，希望确保整个领域与他们一起向前推进，而不是只有 BFL 自己受益。「最先进模型 + 公开发表」，这两个原则构成了 BFL 的自我定位，也为接下来整段技术深潜提供了动机。
FLUX.2 Klein：300 毫秒生成、500 毫秒编辑的实时时代
2026 年 1 月发布的 FLUX.2 Klein 迈向的是交互式编辑与交互式图像生成。Batifol 给出关键数字：生成一张图像最快 300 毫秒，编辑一张图像最快 500 毫秒——不到一秒，本质上就是实时。
他预告会在演讲后段展开 Klein 的细节，但先把结论放在这里：这是 BFL 通向「所见即所得」视觉交互的关键一步，也是其「视觉智能」愿景中速度维度的基石。
技术深潜：扩散模型并不理解它在生成什么
演讲后半段进入研究内核。Batifol 先退一步讲清楚一个根本问题：如何训练生成内容的模型？他的答案是残酷的——这些模型在生成时并不理解自己生成的东西。
他用现场实物举例：模型不知道「我这个杯子应该放在桌上、不应穿透桌面」，也不知道「人坐在椅子上、不应沉进椅子里」。为什么？因为训练过程就是给图像加随机噪声再去噪。模型学到的是像素层面的去噪规律，从未学到「杯子不能穿过桌子」这类物理与空间常识。
补救方案是所谓的表征对齐（representation alignment）：引入一个外部的图像编码器——它被训练来理解分割等任务——让它「教会」生成模型这些常识，使生成模型明白「他正坐在椅子上，不应穿透椅子」。Batifol 展示的数据显示，引入外部对齐后，模型收敛与降低损失的速度可以加快 70 倍。这个方案确实显著改善了生成模型的表现。
外部编码器的三重局限：天花板、模态割裂与目标错位
但天下没有免费的午餐。Batifol 系统拆解了外部编码器方案的三个结构性缺陷。
第一是扩展天花板。外部编码器是一个固定训练好的检查点，你不再修改它。当你想把生成模型规模化，仍然会被旁边的编码器能力锁死，永远无法真正完全地扩展。
第二是模态专精带来的割裂。诸如 DINOv2 这类编码器只专精图像。如果你的模型要同时生成图像、音频、视频乃至更多模态，就得为每个模态配一个编码器——Batifol 形容这会拼出一个「科学怪人」式的拼凑系统，一切都不对劲。
第三是目标错位。生成模型的目标是创造内容，编码器的目标是分割判别，两者天然朝不同方向用力，硬捏在一起虽有效但不完美。Batifol 给出一个反直觉的证据：DINOv3 作为判别模型技术上优于 DINOv2，但用它做对齐教师训练生成模型，表现反而更差。而目前并没有任何规律可以预测哪个编码器更适合做教师——这是整个开源生成训练管线的盲区。
SelfFlow：用自监督学习把表征与生成装进同一条流
如何不依赖外部编码器、直接教模型学会表征？这就是 BFL 在演讲前约一个半月公开发布的研究论文 SelfFlow。Batifol 重申发布动机：确保领域与 BFL 一起前进，而非 BFL 独享。SelfFlow 的定位是一种可扩展的多模态生成模型训练方法——采用自监督学习，训练过程不再需要任何其他模型。
其核心机制是在同一条流（flow）中同时做表征学习与生成。训练时对输入资产（视频、图像或音频）施加两种不同的随机噪声：一种高噪声，一种低噪声。由此形成协同工作的两个角色——学生模型始终接收高噪声版本并尝试去噪；教师模型（本质上是学生的更稳定版本）始终接收低噪声版本。学生同时优化两个目标：生成损失与表征损失。
这个设计一举化解了外部编码器的全部三个缺陷：不再有外部依赖，一个模型覆盖所有模态；扩展模型规模时，学生和教师同步扩展；生成与表征目标在同一条流内对齐。Batifol 透露 BFL 当前正在训练的多个模型都在使用这套方法，并明确表示他们相信未来的方向就是彻底摆脱外部编码器。
跨模态实验：一个模型在音频、图像、视频上全面胜出
Batifol 展示了基于 SelfFlow 训练的研究模型（他特别声明：这些是研究模型，不用于生产发布）。对比对象是主流的 flow matching 训练基线。
结果是全面胜出：音频上更优；图像上，虚线基线之上，SelfFlow 的实线表现更好；视频上同样更优。在不依赖外部编码器的前提下，训练涉及的每一个模态都变得更好。
收敛速度的对比同样关键。基线方法收敛后触及平台期，损失不再下降；SelfFlow 不仅收敛更快，损失仍在持续下降。Batifol 推断，如果训练推进到 200 万步，基线会彻底停滞甚至可能恶化，而 SelfFlow 的损失还会继续走低——这是两条增长曲线的本质差异。
文字与解剖结构：SelfFlow 修复的经典缺陷
理论优势最终要落在肉眼可见的输出上。Batifol 选取了两个最经典的生成缺陷做对比。
第一个是图内文字。用过图像模型的人多半遇到过：生成「the future is Flux」这类文字时，字母缺失、单词里多出一个 L。而 SelfFlow 训练的版本文字完全正确——因为模型学会了表征，知道 Flux 的字母应当一个挨一个排列，镜子上的字、树干上的字同样正确。
第二个是解剖结构。基线模型生成的人脸「看起来有点怪」，SelfFlow 版本虽非生产级模型、未达到完美人脸，但解剖结构明显优于基线。文字与结构这两类从扩散模型诞生起就存在的顽疾，在引入自监督表征学习后得到了实质修复。
视频与联合生成：同一个模型的多面手能力
SelfFlow 的能力不止于静态图像。同一个经图像训练的模型也能生成视频。Batifol 播放了俯卧撑对比：基线版本「做俯卧撑的方式很奇怪」，SelfFlow 版本动作标准——手臂姿态正确、头发运动正确，没有任何穿帮。鸟类示例同样直观：基线视频大量闪烁、怪象频出（模型试图对齐外部编码器所致），SelfFlow 版本中鸟在地面行走，无任何闪烁。
更进一步，由于各模态是联合训练的，模型也能联合生成多模态内容。Batifol 播放了一段「来自黑森林的问候」（Hello from the Black Forest）的视听样例：基线版本语音结尾拖着诡异的「forever」杂音；SelfFlow 版本说完该说的就干净收尾。他再次提醒这是研究模型而非生产就绪，但差异清晰可闻。
从生成到行动：教机器人预测动作
演讲中最具前瞻性的演示随之而来：同一个模型被训练于「动作」（actions）——不止图像、视频、音频，还能预测动作。Batifol 展示了一个机械臂抓取易拉罐并拉近的机器人任务：基线版本画面闪烁、机械臂动作诡异；右侧同等训练步数的 SelfFlow 版本中，机器人直接抓起罐子、干净利落地拉近。
Batifol 明确表态：这就是 BFL 作为公司正在前往的方向——不只是图像生成或视频生成，还包括动作预测，以及通往物理 AI（physical AI）的更多能力。生成模型与机器人学的边界，正在被统一的多模态自监督训练打通。
Klein 实测：亚秒级延迟碾压开源同侪
回到产品层面，Batifol 演示了 Klein 的准实时编辑 Demo：右侧画面全部由 Klein 在韩国实时生成与编辑，画面持续变化却不是视频模型——每一帧都是实时编辑的图像。
延迟数据更具说服力。与开源同行对比：Klein 4B 与 9B 在图像生成上至少与其它开源模型持平，但延迟约 0.5 秒，而 Qwen 约 15 秒；图像编辑上 Klein 9B 略高于 0.5 秒，Qwen 仍约 15 秒；多参考编辑 Klein 仍不到 1 秒，Qwen 则超过 20 秒。质量持平而速度快一个数量级以上——Batifol 认为这正是实时生成的意义所在，也是 BFL 相信世界将走向视觉智能、公司未来将押注的方向。
终局图景：实时渲染、交互式视觉引擎与世界模型
为什么实时生成如此重要？Batifol 给出三层递进的回答。
第一层是实时生成本身：你可以以思考的速度渲染设计稿，不必再等 10 秒、20 秒甚至一两分钟，并且能实时引导生成过程。第二层是交互式视觉引擎：面向游戏与影视，边提示边渲染一部电影不再遥远。第三层则是世界模型——训练模型理解并模拟真实世界的几何关系与交互。
对于「这跟我有什么关系」的疑问，Batifol 的回答直截了当：机器人。世界模型的意义在于，可以在生成式世界中训练智能体，规模化自动驾驶与制造自动化。这就是 BFL 正在前往的方向——从视觉智能到物理 AI，从生成像素到理解并改造物理世界。
问答环节的三个补充细节
演讲后的问答补充了三个值得记录的细节。其一，关于训练数据：Batifol 直言数据是商业机密、非常敏感，无法分享，但 BFL 正与大量合作伙伴共同建设数据。其二，关于模型如何理解世界：模型学习的正是那些表征，将其作为自身状态的一部分，具有一定的记忆机制。其三，关于上下文长度：这就是训练时的上下文窗口——模型基于 token 序列判断「我已经移动了，下一步应该到哪里」；对于「无限长」的问题，Batifol 认为总会有限制，可能会采用滑动窗口方案。
原文信息
原视频标题：FLUX, Open Research, and the Future of Visual AI — Stephen Batifol, Black Forest Labs
频道：AI Engineer
嘉宾：Stephen Batifol（Black Forest Labs 开发者布道师）
视频发布日期：2026-05-08
原文地址：https://www.youtube.com/watch?v=x8Yb4RidLgM
发布时间：2026-05-08
视频时长：约 22 分 21 秒
复制提示词 已复制 原文信息
原视频标题FLUX, Open Research, and the Future of Visual AI — Stephen Batifol, Black Forest Labs
频道AI Engineer
视频时长约 22 分 21 秒