Stable Diffusion原始作者创业：井喷的AI视觉再添新玩家
2023年是文本生成大模型爆发之年，而2023下半年至2024上半年则成为视觉大模型（涵盖图片与视频）的井喷时期，MidJourney V6、Sora、Stable Diffusion 3-Ultra等模型引领了这一潮流。下文聚焦Black Forest Labs这一新兴玩家，探讨其视觉模型FLUX.1的发布与意义。
视觉模型的创业浪潮仍在延续，Black Forest Labs由Stable Diffusion原始团队创立，近期发布了12B参数规模的FLUX.1模型，该模型基于DiT（Diffusion Transformer）架构，其输出表现可与顶尖模型相媲美。
本图像由FLUX.1生成，作者为viet。
Black Forest Labs近期完成了3100万美元种子轮融资，由Andreessen Horowitz（a16z）领投，天使投资人Brendan Iribe、Michael Ovitz、Garry Tan、Timo Aila和Vladlen Koltun以及多位AI研究与公司建设专家参与其中。公司还透露，General Catalyst和MätchVC的后续融资也已初现端倪。
FLUX.1文本生成图像模型提供三种版本，除通过API提供的闭源方式外，还可在Apache2.0许可下开放获取。在StabilityAI面临挑战的当下，该模型使开发者能低成本使用强大的视觉基础模型，为开源AI社区注入全新动力。
结构新，大尺寸的开源视觉模型
Black Forest Labs由杰出的AI研究人员和工程师组成，他们在学术界、工业界和开源社区积累了丰富经验。团队此前创建了VQGAN、潜在扩散模型、Stable Diffusion图像与视频生成模型（如Stable Diffusion XL、Stable Video Diffusion、Rectified Flow Transformers），以及用于超快实时图像合成的对抗性扩散蒸馏技术。
核心领导团队包括Robin Rombach、Patrick Esser和Andreas Blattmann，其中Robin Rombach是Stable Diffusion的两位主要创建者之一。他们在潜在扩散模型上的研究为Stable Diffusion奠定了坚实基础，同时影响了DALL-E 2和3、Sora等模型的核心架构设计。
Black Forest Labs强调，广泛可访问的高性能模型不仅能在研究社区和学术界推动创新与合作，还能提升透明度，这对建立信任和实现广泛采用至关重要。
FLUX.1模型家族
Black Forest Labs最新推出的FLUX.1文生图模型家族采用DiT（Diffusion Transformer）混合架构，参数规模达12B，属于视觉模型中的超大尺寸。该系列引入了流匹配等新型扩散训练方法，并整合了旋转位置嵌入与并行注意力层，以提升模型性能与硬件效率。
这些新模型在图像细节、提示遵循、风格多样性及场景复杂性方面表现出色。例如，它们能生成高分辨率图像，人体结构更具解剖学合理性，同时由于Transformer架构的引入，在复杂指令遵循方面更为擅长。
FLUX.1共有3个版本，FLUX.1 [pro]，FLUX.1 [dev]和FLUX.1 [schnell]。
FLUX.1 [pro]作为性能最强版本，在提示跟随、视觉质量、图像细节和输出多样性方面表现卓越。用户可通过Black Forest Labs的API以及Replicate、fal.ai等云平台访问该模型。
FLUX.1 [dev]是基于FLUX.1 [pro]蒸馏而来的开源权重模型，在保持相近质量和提示遵循能力的同时，比同等大小的标准模型更为高效。其权重已发布于HuggingFace，但该模型并非商用开源版本。
FLUX.1 [schnell]面向本地开发与个人使用，采用宽松的Apache2.0开源协议。其推理代码可在GitHub和HuggingFace的Diffusers中找到，并在推理速度方面进行了优化。
Black Forest Labs将FLUX.1系列与Midjourney v6.0、DALL·E 3（HD）和SD3-Ultra等主流模型进行对比，无论在ELO评分还是模型尺寸、生成质量、指令遵循等指标的平衡上，均达到SOTA水平。其开源的两个模型也超越了Stable Diffusion 3系列的同类模型。
今年，视频模型的流行度已超越文生图模型。Black Forest Labs也预告了其视频模型，该模型将以FLUX.1为基础，实现高精度、高清晰度与高速度的特性。
a16z在一篇博文中评论说，视觉AI面临供应链挑战，虽然基础模型发展迅速，但仅处于AI价值链的起点。要释放模型最大潜能，需要顶尖产品与工程团队打造优秀的工作流程和用户体验，这属于价值链的终点。a16z对Black Forest Labs的种子投资基于该团队致力于为开发者打造世界级开源视觉模型的愿景。BFL专注于价值链起点，使开发者和产品工程师能聚焦于终点部分。
良好模型能力与强劲商业化能力是视觉大模型创业的必然路径
为何视觉模型呈现井喷？一方面，用户需求驱动，视觉模态对人们的刺激远超文字；另一方面，与AI模型本质及实现AGI的路径有关。
Transformer模型的核心是预测下一个Token，AI模型本质上是对数据的压缩。因此，视觉模型预测下一个视觉影像并压缩视觉数据，这一过程比文字压缩更贴近真实世界，部分学者认为这距离实现AGI更近。
部分顶尖AI学者主张，视频仍不足够，模型数据应具备三维属性，引入空间维度。例如，美国国家工程院院士李飞飞向国内媒体指出，实现AGI的关键在于空间智能而非二维智能。通过空间智能，才能看见、感知、理解世界并驱动机器人，形成良性循环。
回到AI视觉模型的创业与应用领域，当前格局与文本大模型相似，主要分为模型派和应用派。
模型派中，OpenAI是典型代表，其核心产品仍为ChatGPT，DALL·E 3仅作为功能嵌入应用，并未针对视觉模型开发独立应用或进行场景化优化。
应用派中，面向消费者的MidJourney已构建完善的应用生态和迭代模型。面向企业方面，Adobe将AI视觉能力融入其Firefly工具套件，此外还有Synthesia等专注于利用AI视觉模型为企业生成真人化身的创业公司。
国内方面，快手可灵和智谱CogVideoX（开源）等视频模型已逐步开放，在Sora尚未落地之际，这些模型已展现出较强的竞争力。
另一类创业公司采用模型+应用模式，以国内Hidream.ai为例，其拥有自研的DiT架构大尺寸视觉模型，并提供面向专业创作者的文生图与文生视频应用，同时具备电商、视频彩铃等垂直场景的专用工具。
这类公司由具备学术、商业或大厂背景的顶尖创业者领导，是AI创业的理想选择。
开源模式在FLUX.1系列中的体现，凸显了其对AI开发者生态与创业应用的重要价值。它降低了小团队使用门槛，促进了创新，正如MidJourney以十几人团队创造上亿收入的案例所示。视觉大模型的未来，将在开源与商业化的平衡中持续演进。