Black Forest Labsが、文章から画像を生成し、参照写真を編集するモデルの重みを公開した。自前の機材で画像ツールを作りたい開発者の選択肢は増えたが、小型化した生成器以外に、説明を補強するモデルや利用条件も確認する必要がある。
1. 生成と編集を一つにまとめた
2026年10月15日に公開されたモデルは、最大10枚の参照画像を受け取って合成し、最大4K解像度に対応する。56億というパラメータ数は画像生成器だけの値で、文章をモデルが理解できる表現に変えるテキストエンコーダーは別だ。
追加学習向けの基本モデルと、生成・編集向けの蒸留モデルに分かれる。蒸留は生成に必要な計算ステップを減らす手法で、基本モデルは50ステップ、蒸留モデルは16ステップを使う。
2. 品質と速度は測定範囲を見る必要がある
開発元は、社内評価で文章による生成、複数参照画像による生成、編集で1位だったと発表した。比較対象のQwen-Image 2.1は生成器が70億パラメータ、Krea 2は129億パラメータだ。後者は編集に対応しないため、編集の比較から除外された。独立した評価結果は示されていない。
GPU時間はNVIDIAが機材ごとに最速のビルドで測定し、消費者向けカードの結果はComfyUIで得た。したがって、同じソフトウェア構成同士の比較ではない。
蒸留モデルの16ステップの生成時間は、1024×1024の画像1枚でGB300が0.55秒、RTX 4070が8.9秒だ。
基本モデルの50ステップの測定では、同じ解像度でGB300が1.7秒、DGX Sparkが43.8秒だった。
APIの遅延時間の中央値は、100万画素で生成が4.54秒、編集が7.18秒だ。待ち行列・ネットワーク・入力拡張を含むため、GPU時間とは比較できない。自社モデルはサーバー側、競合モデルはクライアント側で測定しており、競合製品とも測定範囲が異なる。
3. 生成器が小さくなっても全体のメモリ負担は残る
自前での運用や追加学習を検討しやすくなった一方、コストの一部は入力処理に移る。参照コードは、短い依頼を照明や構図まで含む場面説明へ拡張する、別の90億パラメータのモデルを標準で実行する。モデルカードは、短い入力をそのまま送ると平凡な結果になるとして、この拡張ステップを推奨する。
参照コードで蒸留モデルをB200で実行した際の最大GPUメモリ使用量は、1024×1024、入力拡張無効の条件で、標準の16ビット形式が31GBだった。数値精度を下げて保存する量子化形式のFP8は26GB、NVFP4は25GBだった。拡張モデルは80GB GPUで約28GBを追加で使う。
高速モデルと入力拡張器のダウンロードに必要な保存容量は52GB、両モデルと関連ファイルをすべて取得すると107GBだ。ダウンロード容量と実行時のメモリは別なので、生成器のパラメータ数だけでは機材を決めにくい。
4. 実行方法を先に選ぶ
参照リポジトリのインストールと重みのダウンロードを終えたら、次のコマンドで画像を作る。原文の例であり、入力拡張も標準で実行される。
python scripts/cli.py "A man walking with his dog, afternoon sun" --model distilled --out out.png --seed 78GB GPUには、ComfyUI向けINT8ファイルを使う方法が案内されている。参照コードにはこの精度での実行方法がないため、小型機材への対応と参照コードのメモリ数値を混同してはならない。
5. 編集範囲と利用権は別々に確認する
要素の位置と大きさを指定するバウンディングボックスは、切り出した領域だけを変えるマスクではない。要素が枠の外にはみ出したり、小さな要素が抜け落ちたりする場合があり、編集領域の外も変わり得る。APIが提供する非編集領域の正確な保持は、別途の復元機能を含めた結果だ。
モデルカードは、画像内の文字が不正確になったり歪んだりする可能性や、学習データの偏りが表れる可能性を明記している。出力は事実情報を提供する用途には設計されていない。
重みのFLUX Kommunity License v.1.0は、関連会社を含む年換算総売上高が500万ドル未満の適格利用者に、条件付きで商用の出力生成を認める。商用の追加学習・配布を包括的に許可するものではなく、軍事・監視・生体情報処理や、類似機能を持つ他モデルの改善なども制限される。
このモデルの導入価値は、生成器の規模よりも、入力拡張を含めた実行コストと利用権が作業に適しているかで判断すべきだ。