Υπάρχει ένας φάκελος 17 GB στο Mac μου που ζωγραφίζει. Ζήτησέ του μια υδατογραφία ενός πύργου δίπλα στη θάλασσα και μετά από περίπου ενενήντα δευτερόλεπτα το αρχείο κάθεται στον φάκελο εργασίας σου, χωρίς σύννεφο υπολογιστών, χωρίς κλειδί API, χωρίς συνδρομή, και χωρίς ούτε ένα byte να φύγει από τον φορητό υπολογιστή. Το να ζωγραφίσει άλλες εκατό δεν κοστίζει απολύτως τίποτα.
Αυτός ο φάκελος είναι το FLUX.2 Klein, κβαντισμένο στα 8 bit και τρέχοντας μέσω του mflux και του πλαισίου MLX της Apple, και πέρασα ένα απόγευμα μετατρέποντάς το σε δεξιότητα του Claude Code: ένα εγχειρίδιο που ερευνά το θέμα, χτίζει την προτροπή (prompt) από πρότυπα, παράγει την εικόνα και αναφέρει το αποτέλεσμα. Το ίδιο το Claude Code έκανε το μεγαλύτερο μέρος της πληκτρολόγησης ενώ εγώ έπαιρνα τις αποφάσεις, όπως χτίζω τα περισσότερα πράγματα πια. Το εξώφυλλο αυτού του άρθρου βγήκε από αυτή τη δεξιότητα, και το κείμενο που διαβάζεις είναι όλο το στήσιμο, από τη λήψη στο Hugging Face μέχρι τα πρότυπα προτροπών, με τους πραγματικούς αριθμούς και όσα πήγαν στραβά στην πορεία.
Γιατί να παράγεις εικόνες τοπικά σε Mac;
Η τοπική παραγωγή εικόνων είναι δωρεάν ανά εικόνα, δουλεύει χωρίς σύνδεση, και κρατά κάθε προτροπή και κάθε εικόνα στο μηχάνημά σου. Αυτές οι τρεις ιδιότητες αλλάζουν τον τρόπο που τη χρησιμοποιείς: όταν μια επανάληψη δεν κοστίζει τίποτα, σταματάς να μετράς τις προσπάθειές σου και αρχίζεις να δουλεύεις όπως θα δούλευες με κώδικα.
Με μια φιλοξενούμενη υπηρεσία υπάρχει πάντα ένας μετρητής που τρέχει κάπου στο μυαλό σου. Τοπικά, το μόνο κόστος είναι ενάμισι λεπτό από τον χρόνο του Mac σου, οπότε το να δοκιμάσεις τέσσερις σπόρους τυχαιότητας για την ίδια ιδέα είναι μια φυσιολογική κίνηση και όχι ένα μικρό έξοδο. Η ιδιωτικότητα έρχεται επίσης δωρεάν, γιατί μια προτροπή που περιγράφει ένα αδημοσίευτο άρθρο, ή μια οικογενειακή φωτογραφία που θέλεις να αλλάξεις στιλιστικά, δεν φεύγει ποτέ από τον φορητό υπολογιστή.
Για να είμαι δίκαιος, αν θέλεις μια εφαρμογή με κουμπιά, το Draw Things και το DiffusionBee κάνουν ήδη πολύ καλά τοπική παραγωγή σε Mac. Εγώ ήθελα κάτι διαφορετικό: μια γεννήτρια εικόνων που να μπορεί να την οδηγεί ο πράκτορας που γράφει τον κώδικά μου, ώστε οι εικόνες να γίνουν ένα ακόμα πράγμα που μπορώ να αναθέσω μέσα στην ίδια συζήτηση που γράφει τις δοκιμές και τα κείμενά μου.
Τι χρειάζεσαι για να τρέξεις το FLUX.2 Klein τοπικά;
Χρειάζεσαι ένα Mac με Apple Silicon, Python, περίπου 50 GB ελεύθερο δίσκο κατά την εγκατάσταση, και το πακέτο mflux. Το FLUX.2 Klein είναι ένα αποσταγμένο μοντέλο 9 δισεκατομμυρίων παραμέτρων με ανοιχτά βάρη, και όλα τα υπόλοιπα σε αυτόν τον οδηγό χτίζονται πάνω σε αυτή τη μία λήψη.
Το κομμάτι που το κάνει όλο αυτό πρακτικό είναι το mflux, μια προσεκτική μεταφορά των μοντέλων FLUX στο MLX. Το MLX είναι το πλαίσιο μηχανικής μάθησης της Apple, και τρέχει το μοντέλο στην κάρτα γραφικών του Mac μέσω του Metal, με τα βάρη να κάθονται στην ενιαία μνήμη, χωρίς ξεχωριστή κάρτα γραφικών. Η εγκατάστασή του είναι μία γραμμή:
pip install -U mfluxΠώς κατεβάζεις το FLUX.2 Klein από το Hugging Face;
Τα βάρη ζουν στο Hugging Face ως αποθετήριο ελεγχόμενης πρόσβασης, οπότε η λήψη έχει τρία βήματα: φτιάχνεις έναν δωρεάν λογαριασμό Hugging Face, αποδέχεσαι την άδεια του μοντέλου στη σελίδα του FLUX.2 Klein, και ταυτοποιείς το μηχάνημά σου. Αυτό είναι το μόνο κομμάτι όλης της εγκατάστασης που χρειάζεται άνθρωπο, και παίρνει περίπου δύο λεπτά.
Ελεγχόμενη πρόσβαση σημαίνει ότι τα αρχεία υπάρχουν δημόσια, αλλά το Hugging Face θα αρνηθεί τη λήψη μέχρι ο λογαριασμός σου να έχει αποδεχθεί την άδεια. Μόλις την αποδεχθείς, συνδέεις το μηχάνημα με hf auth login (ή εξάγεις μια μεταβλητή περιβάλλοντος HF_TOKEN αν προτιμάς τα διακριτικά), και από εκεί και πέρα τα εργαλεία μπορούν να κατεβάζουν τα βάρη για λογαριασμό σου:
hf auth login
# one time: download the weights and quantize them to 8-bit
mflux-save -m flux2-klein-9b -q 8 --path flux2-klein-9b-q8Αυτή η δεύτερη εντολή κάνει δύο δουλειές. Κατεβάζει τα βάρη πλήρους ακρίβειας, που είναι περίπου 32 GB, και μετά τα κβαντίζει τοπικά στα 8 bit, αφήνοντας έναν φάκελο 17 GB στον δίσκο. Η λήψη συνεχίζεται από εκεί που έμεινε αν πέσει η σύνδεση, και η προσωρινή μνήμη των 32 GB μπορεί να διαγραφεί μετά. Η δεξιότητά μου τυλίγει όλα αυτά σε ένα σενάριο εγκατάστασης που ελέγχει την πρόσβαση από την αρχή, ώστε μια άδεια που δεν έχει γίνει αποδεκτή να σταματά τη διαδικασία αμέσως με οδηγίες, αντί να αποτυγχάνει μία ώρα μέσα στη λήψη.
Μια σημείωση έκδοσης από την εμπειρία μου: τα κβαντισμένα βάρη είναι δεμένα με την έκδοση του mflux που τα παρήγαγε, οπότε η δεξιότητά μου καρφώνει το mflux στην έκδοση 0.17.5 και δεν ξανακβαντίζει ποτέ κατά την εκτέλεση. Η κβάντιση πάνω σε ήδη κβαντισμένα βάρη απλώς τα χαλάει. Από εδώ και πέρα, αυτός ο κβαντισμένος φάκελος είναι αυτό με το οποίο παράγεις:
mflux-generate-flux2 \
--model flux2-klein-9b-q8 \
--base-model flux2-klein-9b \
--steps 8 --width 1024 --height 1024 \
--prompt "a red bicycle leaning against a blue wall, loose watercolor, soft morning light" \
--output ./red-bicycle.pngΠόσο γρήγορο είναι το FLUX.2 Klein σε Apple Silicon;
Στο μηχάνημά μου τρέχει με περίπου δέκα με έντεκα δευτερόλεπτα ανά βήμα αποθορυβοποίησης στα 1024 επί 1024, οπότε τα προεπιλεγμένα οκτώ βήματα τελειώνουν σε περίπου ενάμισι λεπτό. Τα τέσσερα βήματα βγαίνουν σε περίπου 45 δευτερόλεπτα και αρκούν για επίπεδα γραφικά όπως εικονίδια και αυτοκόλλητα, ενώ τα δώδεκα βήματα βοηθάνε σε δύσκολες συνθέσεις. Πέρα από τα δώδεκα, η αναμονή σπάνια αξίζει.
Ο λόγος που τόσο μικροί αριθμοί βημάτων δουλεύουν καθόλου είναι ότι το Klein είναι αποσταγμένο μοντέλο, φτιαγμένο να φτάνει σε μια συνεκτική εικόνα σε λίγα βήματα εκεί όπου ένα πλήρες μοντέλο FLUX θέλει είκοσι με πενήντα. Αυτή η απόσταξη είναι όλο το κόλπο που κάνει έναν φορητό υπολογιστή βιώσιμο για κάτι τέτοιο: καθαρά πρόσωπα, πιστευτά χέρια, και κοφτερή λεπτομέρεια στον χρόνο που θέλει ένα ρεφίλ καφέ.
Πώς το έκανα δεξιότητα του Claude Code
Μια γραμμή εντολών που δουλεύει είναι ωραίο πράγμα, αλλά το ενδιαφέρον κομμάτι ξεκινά όταν την αποκτά ο πράκτοράς σου. Μια δεξιότητα του Claude Code είναι στην ουσία ένα αρχείο-εγχειρίδιο συν μερικά βοηθητικά σενάρια εντολών, και η δική μου είναι περίπου 80 KB λογικής σε έναν φάκελο που φιλοξενεί επίσης 27 GB μοντέλα. Το κόλπο είναι ότι το αποθετήριο στέλνει μόνο τη λογική: ένα επαναληπτικά ασφαλές σενάριο εγκατάστασης ξαναχτίζει ό,τι είναι βαρύ, και κάθε λήψη προσγειώνεται σε προσωρινό φάκελο που μπαίνει στη θέση του ατομικά, ώστε μια διακοπή στη μέση της λήψης να μην μπορεί ποτέ να αφήσει πίσω της ένα μισογραμμένο μοντέλο που μια επόμενη εκτέλεση θα εμπιστευόταν.
Το κομμάτι που με νοιάζει περισσότερο είναι αυτό που συμβαίνει πριν από κάθε παραγωγή: η δεξιότητα υποχρεούται να θεμελιώνει τις προτροπές της στην πραγματικότητα. Αν το αίτημα ονομάζει ένα πραγματικό πρόσωπο, κτίριο, πόλη ή προϊόν, ο πράκτορας ερευνά στον ιστό πώς μοιάζει στ' αλήθεια αυτό το πράγμα πριν γράψει την προτροπή, γιατί η οδηγία στο εγχειρίδιο είναι ωμή:
Μην επινοείς πώς μοιάζει κάτι.
Η εμπλουτισμένη προτροπή μού εμφανίζεται για έγκριση πριν τρέξει έστω και ένα βήμα, που είναι η ίδια συνήθεια επισκόπησης με τη ροή εργασίας μου με δοκιμές πρώτα στο Claude Code: ο πράκτορας κάνει την πληκτρολόγηση, και εγώ εγκρίνω την πρόθεση. Από εκεί και πέρα, η παραγωγή γίνεται εντελώς χωρίς σύνδεση.
Πώς δουλεύουν τα πρότυπα προτροπών;
Κάθε αίτημα συναρμολογείται από τρία μέρη: έναν σκελετό ανά είδος περιεχομένου που τυλίγει το θέμα, ένα στυλ που συνεισφέρει τις δικές του οδηγίες, και προεπιλογές για μέγεθος και αριθμό βημάτων που κουβαλάει το είδος. Τα έγραψα μέσα στη δεξιότητα ως μικρούς πίνακες εκείνο το ίδιο απόγευμα: έντεκα είδη περιεχομένου (εικονογράφηση, φωτογραφία, εικονίδιο, ενημερωτικό γράφημα, λογότυπο, αυτοκόλλητο, φιγούρα δράσης, μακέτα πόλης, μοτίβο, σκίτσο σεναρίου, πορτρέτο), γύρω στα σαράντα πέντε στυλ ομαδοποιημένα από το ζωγραφικό έως το κινηματογραφικό, και δεκαπέντε έτοιμες συνταγές μετασχηματισμού φωτογραφιών για τα δημοφιλή αιτήματα, όπως το να γίνει ένα πορτρέτο συσκευασμένη φιγούρα δράσης.
Οι σκελετοί κωδικοποιούν αυτό που πραγματικά χρειάζεται κάθε είδος εικόνας. Το πρότυπο του εικονιδίου ζητά «έντονα μινιμαλιστικά σχήματα, κεντραρισμένο, γενναιόδωρο περιθώριο, απομονωμένο σε απλό συμπαγές λευκό φόντο», γιατί αυτή η διατύπωση είναι που κάνει την αφαίρεση φόντου και τη διανυσματοποίηση σε SVG να βγαίνουν καθαρές μετά. Ένα επίπεδο αυτοκόλλητο ή λογότυπο τρέχει στα τέσσερα βήματα γιατί τα επιπλέον περάσματα δεν δείχνουν τίποτα σε επίπεδα σχήματα, ενώ οτιδήποτε έχει πρόσωπα παίρνει τα πλήρη οκτώ. Πάνω από τον σκελετό κάθεται μια λίστα εμπλουτισμού που συμπληρώνει μόνο τα πεδία που ισχύουν: θέμα, δράση, σκηνικό, σύνθεση, φωτισμός, χρώμα και διάθεση, στυλ, τεχνικό φινίρισμα. Και όλο αυτό γράφεται ως ρέουσα πρόζα, όχι ως σωρός από λέξεις-κλειδιά με κόμματα όπως μάθαμε όλοι από τα παλιότερα εργαλεία, γιατί ο κωδικοποιητής κειμένου του FLUX.2 είναι γλωσσικό μοντέλο και διαβάζει προτάσεις.
Ένα θέμα, οκτώ πρότυπα: ο Λευκός Πύργος
Ο ευκολότερος τρόπος να δεις τι κάνουν τα πρότυπα είναι να κρατήσεις το θέμα σταθερό και να αλλάζεις το πρότυπο. Ορίστε λοιπόν ο Λευκός Πύργος, ο στρογγυλός οθωμανικός πύργος στην παραλία της πόλης μου, παραγμένος ξανά και ξανά από τον ίδιο φάκελο των 17 GB, από παραγγελίες της μίας γραμμής. Οι προτροπές παρακάτω δίνονται μεταφρασμένες στα ελληνικά, ενώ το μοντέλο τις διάβασε στα αγγλικά.
υδατογραφία του Λευκού Πύργου της Θεσσαλονίκης στην παραλιακή προκυμαία την ώρα του δειλινού, ο στρογγυλός πύργος από ανοιχτόχρωμη πέτρα με τις επάλξεις του να υψώνεται πάνω από τον κόλπο, μικρές φιγούρες που περπατούν δίπλα στο νερό, απαλά απλώματα χρώματος, ορατή υφή χαρτιού, ήπιες διαχύσεις, ζωγραφισμένο στο χέρι
ένα μεμονωμένο εικονίδιο του Λευκού Πύργου της Θεσσαλονίκης, απλό επίπεδο εικονόγραμμα του στρογγυλού πύργου με τις επάλξεις, έντονα μινιμαλιστικά σχήματα, κεντραρισμένο, γενναιόδωρο περιθώριο, απομονωμένο σε απλό συμπαγές λευκό φόντο
ένα αυτοκόλλητο κομμένο στο περίγραμμα με τον Λευκό Πύργο της Θεσσαλονίκης, ο στρογγυλός πύργος με τις επάλξεις και ένα μικρό γαλάζιο κύμα στη βάση του, έντονα επίπεδα χρώματα, παχύ καθαρό περίγραμμα, ελαφριά σκιά, απομονωμένο σε απλό συμπαγές φόντο
ισομετρική τρισδιάστατη μινιατούρα-μακέτα του Λευκού Πύργου της Θεσσαλονίκης πάνω σε αιωρούμενο τετράγωνο πλακίδιο, ο στρογγυλός πύργος με τις επάλξεις δίπλα σε μια μικροσκοπική παραλιακή προκυμαία με δεντράκια, ένα παγκάκι και μικρούς ανθρώπους, απαλή πηλόμορφη τρισδιάστατη απόδοση, παστέλ παλέτα, απαλός φωτισμός στούντιο, απλό ανοιχτόχρωμο φόντο
Αυτά τα τέσσερα καλύπτουν τα καθημερινά είδη. Ο πίνακας των στυλ είναι εκεί που ζει η διασκέδαση, οπότε ορίστε τέσσερις ακόμα γραμμές του πάνω στο ίδιο θέμα, αυτές που κάνουν τον κόσμο να ρωτάει πώς το έκανε αυτό ένας φορητός υπολογιστής. Καθεμιά παραμένει μία γραμμή: οι οδηγίες της γραμμής του στυλ τυλιγμένες γύρω από τον ίδιο πύργο.
ζωγραφισμένο στο χέρι καρέ ταινίας άνιμε με τον Λευκό Πύργο της Θεσσαλονίκης στην παραλιακή προκυμαία, ένα καλοκαιρινό απόγευμα με περαστικούς και γλάρους πάνω από τον κόλπο, απαλά υδατογραφικά φόντα σε ύφος Studio Ghibli, ήπιος ζεστός φωτισμός, πλούσια ζωγραφική λεπτομέρεια, νοσταλγικό
ιαπωνική ξυλογραφία ukiyo-e με τον Λευκό Πύργο της Θεσσαλονίκης να υψώνεται πάνω από στυλιζαρισμένο κόλπο, επίπεδες περιοχές χρώματος, έντονα περιγράμματα, στυλιζαρισμένα κύματα και σύννεφα, ορατά νερά ξύλου, περίοδος Έντο
εκτύπωση ποπ αρτ του Λευκού Πύργου της Θεσσαλονίκης, σε ύφος Warhol και Lichtenstein, έντονα επίπεδα βασικά χρώματα, κουκκίδες ράστερ Ben-Day, παχιά μαύρα περιγράμματα, υψηλή αντίθεση
εκδοχή του Λευκού Πύργου της Θεσσαλονίκης από τουβλάκια LEGO, χτισμένος από λευκά πλαστικά τουβλάκια που κουμπώνουν, με επάλξεις στην κορυφή, μικροσκοπικές φιγούρες σε παραθαλάσσια βάση, ορατές τάπες, γυαλιστερό πλαστικό
Οκτώ εικόνες, ένα θέμα, και το μόνο που άλλαξε ανάμεσά τους είναι ποιο πρότυπο το τύλιξε. Αυτή είναι όλη η ιδέα: τα πρότυπα κουβαλούν την τέχνη, ώστε ένα αίτημα να μπορεί να μείνει μία γραμμή.
Πώς παίρνεις ευανάγνωστο κείμενο μέσα σε εικόνες τεχνητής νοημοσύνης;
Ως επί το πλείστον, δεν το παίρνεις από ένα μικρό αποσταγμένο μοντέλο: το FLUX.2 Klein ζωγραφίζει τα γράμματα σαν υφή και δεν μπορεί να συλλαβίσει αξιόπιστα. Η δεξιότητα λύνει το κείμενο σε τρεις βαθμίδες, και ο πιο τίμιος τρόπος να τις δείξω είναι να ζητήσω την ίδια εικόνα με τρεις τρόπους: μια παλιά ταξιδιωτική αφίσα ενός πύργου δίπλα στη θάλασσα, με έναν μεγάλο τίτλο που γράφει «THESSALONIKI».
Πρώτα, το ίδιο το Klein, στην καλύτερή του συμπεριφορά: μία σύντομη λέξη, επίπεδο στυλ αφίσας υψηλής αντίθεσης, δώδεκα βήματα. Πέτυχε τον τίτλο με τον πρώτο σπόρο τυχαιότητας εδώ, κάτι που ειλικρινά με εξέπληξε. Αυτή είναι η τυχερή βαθμίδα, όχι η αξιόπιστη: δουλεύει μόνο για μία ή δύο λέξεις σε επίπεδη σύνθεση, η δεξιότητα εξακολουθεί να σου λέει να περιμένεις επαναλήψεις, και μόλις τα γράμματα γίνουν μακρύτερα ή μικρότερα καταλήγουν στη διακοσμητική ασυναρτησία που είδες στις σφραγίδες της ξυλογραφίας παραπάνω.
Η αξιόπιστη βαθμίδα είναι ένα δεύτερο μοντέλο. Το Z-Image Turbo είναι ένα μοντέλο 6 δισεκατομμυρίων παραμέτρων με άδεια Apache 2.0 που αποδίδει σωστά το σύντομο κείμενο ως κανόνα, και η δεξιότητα το κατεβάζει νωχελικά την πρώτη φορά που ένα αίτημα χρειάζεται ενσωματωμένο κείμενο, ώστε να μην πληρώνει κανείς τα 10 GB δίσκου του χωρίς να τα ζητήσει. Το ίδιο αίτημα αφίσας γυρίζει με τον τίτλο σωστό με τον πρώτο σπόρο, και οι συνήθειές του φαίνονται στις άκρες: ο μεγάλος τίτλος είναι άψογος, ενώ τα μικροσκοπικά ψευτο-τυπογραφικά που επινόησε στο κάτω περιθώριο είναι δυσανάγνωστα από κοντά, που είναι ακριβώς το μοτίβο, η ποιότητα του κειμένου κλιμακώνεται με το μέγεθός του.
Και η εγγυημένη βαθμίδα δεν βάζει κανένα μοντέλο να συλλαβίσει: ζητάς από το Klein την αφίσα με μια σκόπιμα κενή κορδέλα εκεί όπου θα έμπαινε ο τίτλος, και μετά τοποθετείς αληθινά τυπογραφικά στοιχεία πάνω της με ένα μικρό σενάριο σε Pillow. Ένα ελαφρύ θόλωμα και μια ιδέα διαφάνειας αφήνουν τα γράμματα να καθίσουν μέσα στην εικόνα αντί να επιπλέουν από πάνω της, και επειδή είναι πραγματική γραμματοσειρά, είναι τέλεια ως το τελευταίο εικονοστοιχείο κάθε φορά, που είναι αυτό που χρησιμοποιώ όταν οι λέξεις πρέπει να είναι ακριβείς ή μακριές.
Τι πήγε στραβά στην πορεία
Το πιο διδακτικό σφάλμα ήταν μια ιδιοτροπία του κελύφους εντολών. Είχα ομαδικές εκτελέσεις όπου κάθε παραγωγή πέθαινε ακαριαία με unrecognized arguments ενώ ο βρόχος προχωρούσε δείχνοντας απολύτως υγιής, επειδή το zsh δεν σπάει σε λέξεις μια μεταβλητή χωρίς εισαγωγικά, οπότε μια μεταβλητή $FLAGS που κρατούσε πολλές σημαίες περνούσε ως ένα άκυρο όρισμα. Η λύση που έμεινε ήταν να γράφονται οι σημαίες ρητά, να τυπώνεται ένας δείκτης προόδου ανά εκτέλεση, και να επιβεβαιώνεται ότι το πρώτο αρχείο εξόδου εμφανίζεται πραγματικά πριν εμπιστευτώ τα υπόλοιπα.
Η ενιαία μνήμη μού έμαθε έναν κανόνα χρονοπρογραμματισμού: οι ομαδικές εκτελέσεις τρέχουν σειριακά, ποτέ παράλληλα, γιατί δύο διεργασίες μοντέλων μαλώνουν για την ίδια μνήμη και όλα σέρνονται. Η αφαίρεση φόντου είχε επίσης μια ύπουλη παγίδα. Το να κόψεις ένα θέμα που παρήχθη σε λευκό φόντο μπορεί να κάνει διάφανες και τις λευκές περιοχές μέσα στο ίδιο το θέμα, οπότε η δεξιότητα παράγει τους υποψηφίους για αποκοπή πάνω σε συμπαγές ματζέντα ή πράσινο χρωματικής αποκοπής.
Το τελευταίο μάθημα αφορούσε την επισκόπηση. Μια εικόνα που δείχνει εντάξει σε πλήρες κάδρο μπορεί να κρύβει λιωμένα χέρια ή μπερδεμένες άκρες, οπότε η δεξιότητα κόβει τις επικίνδυνες περιοχές και τις εξετάζει στο τριπλάσιο μέγεθος πριν κρίνει μια εικόνα έτοιμη. Αυτό το πέρασμα κρίσης μετράει περισσότερο από κάθε παράμετρο, και είναι η ίδια συνήθεια διάκρισης που περιέγραψα στο AI Fluency και το πλαίσιο 4D: ο πράκτορας παράγει, και εσύ μένεις ο επιμελητής.
Πέρα από την παραγωγή: επεξεργασία, διανύσματα και αποκοπές
Το ίδιο στήσιμο καλύπτει τα περισσότερα από όσα παλιότερα χρειαζόμουν ένα διαδικτυακό εργαλείο για να κάνω. Υπάρχει λειτουργία επεξεργασίας που παίρνει μία ή περισσότερες εικόνες αναφοράς συν μια οδηγία, και καλύπτει την αλλαγή στυλ μιας φωτογραφίας, τον συνδυασμό αναφορών, και όλη την οικογένεια των παιχνιδιάρικων μετασχηματισμών, όπως το να γίνει ένα πορτρέτο συσκευασμένη φιγούρα δράσης ή λούτρινο. Ένα εργαλείο διανυσματοποίησης μετατρέπει τα επίπεδα γραφικά σε SVG, κάτι που είναι εκπληκτικό για εικονίδια και λογότυπα, αν και οι φωτογραφίες βγαίνουν ένα κουβάρι από θραύσματα, οπότε το κρατάω για επίπεδα σχήματα. Και το εργαλείο αφαίρεσης φόντου παράγει διάφανα PNG χωρίς σύνδεση, με τα μοντέλα του ενσωματωμένα στην εγκατάσταση ώστε να μην κατεβαίνει τίποτα κατά την εκτέλεση.
Συχνές ερωτήσεις
Είναι πραγματικά δωρεάν η τοπική παραγωγή εικόνων σε Mac;
Ναι, μετά τις εφάπαξ λήψεις τα μόνα κόστη είναι ο χώρος στον δίσκο και το ρεύμα. Δεν υπάρχει κλειδί API, δεν υπάρχει όριο χρήσης, δεν υπάρχει συνδρομή. Το FLUX.2 Klein έχει ανοιχτά βάρη πίσω από μια δωρεάν αποδοχή άδειας στο Hugging Face, και το Z-Image Turbo έχει άδεια Apache 2.0.
Πόσο χώρο στον δίσκο χρειάζεται το FLUX.2 Klein;
Το κβαντισμένο μοντέλο των 8 bit πιάνει 17 GB στον δίσκο. Υπολόγισε περίπου 50 GB ελεύθερα κατά την εγκατάσταση, γιατί τα βάρη πλήρους ακρίβειας κατεβαίνουν πρώτα και κβαντίζονται τοπικά, και η προσωρινή μνήμη της λήψης μπορεί να διαγραφεί μετά.
Πόση ώρα παίρνει μία εικόνα;
Στο δικό μου μηχάνημα με Apple Silicon, περίπου ενάμισι λεπτό στα προεπιλεγμένα οκτώ βήματα και 1024 επί 1024, ή περίπου 45 δευτερόλεπτα στα τέσσερα βήματα για επίπεδα γραφικά. Η πρώτη εκτέλεση μετά από επανεκκίνηση προσθέτει λίγα δευτερόλεπτα για τη φόρτωση του μοντέλου.
Χρειάζεσαι ξεχωριστή κάρτα γραφικών για να τρέξεις το FLUX.2 σε Mac;
Όχι. Το MLX τρέχει το μοντέλο στην κάρτα γραφικών του Apple Silicon μέσω του Metal, και τα βάρη ζουν στην ενιαία μνήμη του Mac, που είναι ακριβώς ο λόγος που αυτό δουλεύει σε έναν φορητό υπολογιστή χωρίς ξεχωριστή κάρτα γραφικών.
Μπορείς να τρέξεις το Nano Banana τοπικά;
Όχι. Το Nano Banana είναι το κλειστού κώδικα μοντέλο εικόνων της Google και τρέχει μόνο στο υπολογιστικό της νέφος, οπότε κάθε στήσιμο του τύπου «τρέξε το τοπικά» είναι στην πραγματικότητα ένας τοπικός πελάτης που καλεί το API του Gemini. Αυτό που μπορείς να τρέξεις εντελώς χωρίς σύνδεση σε ένα Mac είναι το FLUX.2 Klein και το Z-Image Turbo, και η λειτουργία επεξεργασίας της δεξιότητας καλύπτει τους δημοφιλείς μετασχηματισμούς φωτογραφιών σε ύφος Nano Banana, όπως το φιγουράκι γραφείου και τη συσκευασμένη φιγούρα δράσης, χωρίς διαδίκτυο και χωρίς όριο χρήσης.
Μπορεί το Claude Code να παράγει εικόνες;
Όχι από μόνο του, αλλά μπορεί να οδηγήσει όποιο εργαλείο τυλίξεις σε μια δεξιότητα. Το να πακετάρεις μια τοπική γεννήτρια εικόνων ως δεξιότητα του Claude Code σημαίνει ότι ο πράκτορας αναλαμβάνει την έρευνα, την προτροπή, την παραγωγή και το συμμάζεμα μέσα στην ίδια συζήτηση με την υπόλοιπη δουλειά σου.
Το συμπέρασμα που κρατάω
Αν έχεις ένα Mac με Apple Silicon και 50 GB διαθέσιμα, μπορείς να έχεις δωρεάν, ιδιωτική παραγωγή εικόνων χωρίς σύνδεση μέσα στην εβδομάδα, και το στήσιμο παραπάνω είναι όλη η συνταγή. Η βαθύτερη αλλαγή για μένα είναι το τι συμβαίνει όταν αυτή η δυνατότητα ανήκει στον πράκτορα αντί σε μια εφαρμογή: οι εικόνες παύουν να είναι ξεχωριστή αγγαρεία και γίνονται ένα ακόμα πράγμα που μπορώ να ζητήσω, να επισκοπήσω και να εγκρίνω χωρίς να αφήσω το τερματικό μου.
Χτίζω πράγματα όλη μου τη ζωή, από τις εκατοντάδες μικρές εφαρμογές των πρώτων μου χρόνων ως προγραμματιστής μέχρι τις ροές εργασίας για τις οποίες γράφω εδώ, και το μοτίβο επαναλαμβάνεται: τα εργαλεία γίνονται πιο ικανά, και το πολύτιμο κομμάτι της μέρας μου μετακινείται όλο και περισσότερο προς το να αποφασίζω και να επισκοπώ. Ο Λευκός Πύργος κάθεται πια στον δίσκο μου σε τέσσερα στυλ, το καθένα με τον σπόρο τυχαιότητας και την προτροπή του καταγεγραμμένα δίπλα του. Το Mac μου τα ζωγράφισε όλα, και μπορεί να ζωγραφίσει το επόμενο πριν κρυώσει ο καφές μου.