Architecture du modèle Flux : Comment le modèle 12B crée du NSFW réaliste

À partir de mai 2026, les modèles Flux de Black Forest Labs se démarquent car ils ont abandonné l’ancien playbook U-Net. Flux.1 est arrivé en août 2024 avec une architecture hybride de 12B. Flux.2 est sorti en novembre 2025 et l’a encore perfectionnée. Le secret réside dans les blocs MMDiT double-flux et mono-flux. Ils traitent les tokens texte et image ensemble grâce à une attention multimodale. Le flux rectifié remplace la diffusion bruyante habituelle. Les embeddings rotatifs maintiennent les relations spatiales précises. Cette échelle combinée au changement d’architecture se voit là où ça compte le plus : pores de peau réalistes, ombres musculaires qui suivent la lumière et poses intimes qui ne s’effondrent pas en anatomie cauchemardesque. Les anciens designs U-Net peinaient avec ces détails. Flux les rend simplement.

On commence par du bruit. Le modèle exécute des blocs transformer parallèles qui permettent à chaque token texte de dialoguer directement avec chaque patch d’image. L’attention multimodale est le véritable moteur ici. Quand vous demandez un angle de corps ou une expression précis, les couches d’attention verrouillent la sémantique dès le début. Le chemin de flux rectifié nettoie ensuite l’échantillon sans la dérive habituelle des anciens modèles. Résultat : mains cohérentes, éclairage constant sur les plis de peau et composition de scène qui suit vraiment le prompt. Cette précision explique pourquoi Flux domine les scènes adultes complexes par rapport à l’ancien backbone de Stable Diffusion.

Flux.2 a ajouté un nouveau VAE, intégré la sémantique Mistral-3 VLM et ouvert le support multi-références jusqu’à dix images. Ces évolutions renforcent l’identité d’un plan à l’autre et améliorent la compréhension des vêtements, de l’éclairage et des relations corporelles. Le simple upgrade du VAE réduit déjà les artefacts de peau cireuse. Le multi-références rend les scènes multi-personnages bien plus stables. L’architecture avancée de transformateur multimodal de Flux est précisément ce qui permet aux générateurs vidéo et image NSFW de nouvelle génération de produire du contenu adulte plus cohérent, anatomiquement précis et contrôlable. Architecture du modèle Flux : Transformateur hybride pour la précision NSFW