Redditの投稿やミームの例はこちら: https://reddit.com/r/StableDiffusion/comments/1x79gth/why/ https://reddit.com/r/StableDiffusion/comments/1x7ktbu/enshit... Flux 3 Kleinに、最新の画像モデルで絶対に失敗しなかった人間テストをやってみたけど、今回は失敗した。質が低いのに加えて、指のプロポーションも明らかにおかしかった。NSFWコンテンツに対する安全策が原因かどうかは技術的に確認するのが難しいけど、Stable Diffusion XLの頃は直感的にそう感じてた。今のトレーニングパラダイムは相関推論が得意なんじゃないかな。

LoRAトレーニング用のベースバージョンがあるから、ポルノアダプターはすでに作られてる可能性が高いね。

自分のローカルマシンでテストしてるけど、Text-to-Imageの部分がめっちゃ悪い。標準のComfyUI Flux3 Kleinテンプレートに組み込まれた設定やプロンプトで、SD 1.5レベルの半溶けした顔やその他のボディホラーが出てくるのは良くない兆候だね。Flux 2 Klein 9bも解剖学的な問題があったけど、今回はほぼロボトミー状態に感じる。 https://imgpb.com/wDGGs

つまんないな。じゃあ、Chromaに戻るか。

はい、パフォーマンスと「バイアス」のトレードオフがビジネスに反する形で扱われる典型的な例だね。

ちょっと試してみたけど、ローカルでだけね。APIはあまり使わないから、公式の推論APIの結果がどうなってるかはわからない。ほとんどのモデルがうまくいかないプロンプトに対して、正しく応じてくれたけど、他のモデルが簡単に扱えるプロンプトでは変な失敗をしたりした。高解像度では、人の構造的な整合性が古いモデルのように崩れることがある。フレーム全体にわたって長いスパゲッティのような人ができちゃうこともあるんだ。まず安定した解像度でシーンの参照を生成して、それを使って大きな解像度にする必要があるかもしれないね。彼らは、プロンプトの「アップスケーラー」モデルやシステムプロンプトがモデルにとって本質的に必要だと言ってるけど、その主張に対しては結果がバラバラだった。基本的なプロンプトは良いものもあれば、アップスケールしたプロンプトが良いものもある。モデルが物事をどう理解しているかの直感を得れば、特にそのモデル用にプロンプトを手作りすることで、より良い結果が得られるかもしれない。高解像度で得られるスタイライズされたアートは本当に素敵で、他のモデルよりも好きだな。これらのモデルは、システム要件、パフォーマンス、プロンプトの遵守、アートの出力などにおいて、それぞれ独自のキャラクターを持っているみたい。試したモデルの中で完全に成功したものはないから、ちょっと不安定に感じる部分もあるけど、たぶんこのモデルは手元に置いておくと思う。

見た感じ、Flux 2 KleinかQwen Image 2.1の方が、比較的ストレスの少ない体験を提供してくれるかもしれないね。同じようなパフォーマンスか、それ以上のものを期待できるし。2026年にボディホラーに悩まされるなんて、ちょっと大きな後退に感じるよ。

モデルは、誰も使いたくないなら完璧に安全だよね！

不満には一理あるけど、かなり誇張されてるよね。モデル全体を使うと、時々間違った解剖学を生成することがあって、良い結果を得るためには違うシードで実行する必要がある。これはFlux 2 Kleinよりずっと少ない頻度で起こるよ。それに、モデルのステップで抽出されたバージョンは、特に写真品質の肌を生成するのが得意じゃないけど、写真のような出力を生成するのは得意なんだ。（これも、Comfyテンプレートの修正前に見たものだから、誇張されてるかもしれない。）でも、Redditの多くの人（ここにもいると思うけど、誰も明言してないから、私が考えられるのはそれだけなんだ）が、BFLのモデルのプロンプト処理に対するアプローチが、特定のスタイルの詳細なプロンプトで訓練して、ユーザープロンプトをモデルが受け入れるスタイルに変換するLLMベースのプロンプトリライター（彼らはこれを「プロンプトアップサンプラー」と呼んでる）を提供することだと決めつけてるんだ。BFLがモデルは提供されたアップサンプラーや他の代替を使わずに使用すべきじゃないって言ってるのに、それを無視してプロンプトをアップサンプリングしないことでモデルを評価するのが正しい方法だと考えてる。これが生成物をかなり悪化させてるんだ（特にボディホラーが増えると思う。実際に試してみて、アップサンプラーありなしでの潜在プレビューを見たから）。プロンプトが曖昧になるから、拡散プロセスが新しい要素をどこに描くべきか、早い段階で余分な要素を削除するのが難しくなってる。文句を言われてる問題は、主にNSFW回避から期待されるものとは違うよ。それも少しはあるけど、特に陰部が見えない限り、ヌードにはあまりシャイじゃないし、低品質でもない。女性の乳首や乳輪に関してはあまり得意じゃないけど、避けてはいない。NSFW素材に関しては明らかに訓練不足だけど、ほとんどの企業のベースモデルと比べても特にそうでもない。コミュニティのLoRAやファインチューニングでそのギャップを埋めるのが普通だよ。バウンディングボックスのサポートはいいけど、少しソフトなガイダンスのせいで、ストレートなt2iで信頼性を持って使うのが難しい。参照を結びつけるのには強いかもしれないけど、Comfyのワークフローにはそれをドラフトするためのツールがあるけど、アップサンプラーとの相互作用に関してはワークフローが考慮してない問題があると思う。それを言っても、初回の構成モデルとしては高解像度で素晴らしくクリエイティブだから、私のt2iツールボックスには絶対に残しておくけど、ストレートなt2iには全体的に期待外れだよ。特にMOSS Image 5Bが出たばかりなのに、そっちはテキスト生成と構造化レイアウトに強いって言ってるけど、コンテンツの幅広い知識、プロンプトの柔軟性、最高解像度範囲での出力品質（一般的な目的には1-2MPが最適みたい）など、見た中で一番オールラウンドなベースモデルだと思う。クリエイティビティや検閲の少なさ、訓練不足も含めてね。

/r/SDの人たちはMOSSが好きみたいだね（画像のことはあまり詳しくないけど）。気づいたのは、他のオープンウェイトモデルが変なライセンスを持ってる中で、これがApache2ライセンスだってことだよ（ざっと調べた感じ、Qwen-Imageは商業利用を完全に禁止してるし）。