可以根据编辑指令直接更改现有图像，以及进行精确的本地和全局编辑不用做任何微调，就能直接引用里面的人物角色、风格样式和物品元素。允许用户通过多次连续编辑优化图像,同时将视觉漂移降到最低。专门为NVIDIA Blackwell进行了权重优化 与现有的文本到图像模型不同，FLUX.1 Kontext系列执行上下文图像生成，可以直接使用文本和图像进行提示，并无缝提取和修改视觉细节。 首先模型架构上，依旧基于的是FLUX.1模型，它是一种在图像自动编码器的潜在空间中训练的整流流Transformer模型，由双流块和单流块混合构建而成。 标记序列构建：图像通过冻结的FLUX自动编码器，编码成潜在的上下文图像标记，并输入到模型的视觉流中。位置信息编码：通过三维旋转位置嵌入（3D RoPE）对位置信息进行编码，为上下文标记的嵌入提供恒定偏移量。并将其视作为虚拟时间步，以清晰分离上下文和目标块，同时保持它们的内部空间结构。 最终得到的FLUX.1 Kontext[dev]模型包含120亿参数，可以更专注于编辑任务，支持迭代编辑，可以在各种场景和环境中保留角色特征，并允许用户进行精确的局部或全局编辑。 实验引入自研的KontextBench基准进行模型性能验证，该基准包含1026个图像-提示对，涵盖局部编辑、全局编辑、角色参考、风格参考和文本编辑五个任务类别。 另外，FLUX.1 Kontext[dev]还专门针对新的NVIDIA Blackwell架构进行了TensorRT权重优化，可以在保持高质量的图像编辑性能的同时，极大地提高推理速度并减少内存使用量。 在实际用户的反馈中，也发现FLUX.1 Kontext[dev]的推理速度较前代提升了4至5倍，模型在NVIDIA H100 GPU上运行，通常5秒内能够完成，在Replicate上的运行成本约为0.0067USD，或每1USD运行149次。