FLUX.2-dev-Turbo — это не просто очередная модель для редактирования изображений. Это пинок под зад всем, кто считает, что качественная обработка требует десятков шагов инференса или облачных сервисов за $20 в месяц.

Модель делает одну простую вещь: превращает текстовые описания в правки существующих фотографий. Хотите добавить кота на диван? Поменять прическу? Убрать лишний предмет? FLUX.2-dev-Turbo справляется за 8 шагов. Всего. Восемь.

Ключевая фишка: модель работает локально. Никаких подписок, никаких ограничений по количеству запросов, никакой отправки личных фото в неизвестные дата-центры.

Что умеет этот зверь?

FLUX.2-dev-Turbo — это LoRA адаптер для базовой модели FLUX.1-dev. LoRA, если коротко, позволяет дообучить большую модель на конкретной задаче без перетренировки всех весов. Экономит память, время и нервы.

Модель специализируется на редактировании по текстовым промптам. Примеры из документации:

«Добавь солнечные очки человеку на фото»
«Измени цвет волос на розовый»
«Помести собаку в комнату»
«Сделай фон ночным городом»

Главное ограничение — модель работает с изображениями размером 1024×1024. Меньше — можно, больше — придется ресайзить. И да, она не создает изображения с нуля. Только редактирует существующие.

8 шагов? Серьезно?

Да. Восемь. Не восемьсот, не восемьдесят — восемь.

Обычные диффузионные модели для качественного результата требуют 20-50 шагов инференса. FLUX.2-dev-Turbo использует специальную технику «distillation» — сжатия знаний из большой модели в маленькую, которая работает быстрее.

Результат? Генерация за секунды даже на среднем железе. На RTX 3060 (12 ГБ) обработка одного изображения занимает около 3-4 секунд. На CPU, конечно, дольше, но все равно быстрее, чем заваривать чай.

💡

Для сравнения: та же задача в оригинальном FLUX.1-dev занимает 20+ шагов. Разница в скорости — в 2.5-3 раза. Не линейно, потому что каждый шаг в Turbo оптимизирован.

Установка: проще, чем кажется

Модель живет на HuggingFace. Если вы уже работали с диффузионными моделями, процесс знаком. Если нет — сейчас разберемся.

1 Готовим окружение

Нужен Python 3.8+ и PyTorch. Если у вас уже есть среда для работы с нейросетями, пропускайте этот шаг.

# Создаем виртуальное окружение
python -m venv flux_env
source flux_env/bin/activate  # На Windows: flux_env\Scripts\activate

# Устанавливаем PyTorch (выбирайте версию под свою видеокарту)
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118  # Для CUDA 11.8

2 Ставим зависимости

pip install diffusers transformers accelerate pillow

3 Качаем модель

Модель весит около 2.5 ГБ. Можно скачать через huggingface-cli или напрямую в коде.

from diffusers import FluxPipeline
import torch

pipe = FluxPipeline.from_pretrained(
    "black-forest-labs/FLUX.1-dev",
    torch_dtype=torch.bfloat16,
    variant="bf16",
)

# Загружаем LoRA адаптер
pipe.load_lora_weights("black-forest-labs/FLUX.2-dev-Turbo", weight_name="flux2_dev_turbo_lora.safetensors")
pipe.to("cuda")  # Или "cpu", если нет видеокарты

Внимание: базовая модель FLUX.1-dev занимает ~15 ГБ. Плюс 2.5 ГБ для LoRA. Убедитесь, что на диске достаточно места. Если нет — посмотрите в сторону FlaxeoUI, который умеет работать с оптимизированными версиями моделей.

4 Редактируем фото

from PIL import Image

# Загружаем исходное изображение
image = Image.open("input.jpg").convert("RGB")

# Редактируем
result = pipe(
    prompt="add a cat sitting on the sofa",
    image=image,
    num_inference_steps=8,  # Вот они, волшебные 8 шагов!
    guidance_scale=3.5,
).images[0]

result.save("output.jpg")

Все. Четыре шага установки, восемь шагов генерации. Итого — двенадцать шагов от нуля до результата.

FLUX.2-dev-Turbo vs. Мир

С чем сравнивать? Вариантов немного, если говорить о локальных решениях.

Инструмент	Скорость (шаги)	Качество	Локальность	Стоимость
FLUX.2-dev-Turbo	8	Хорошее	Полная	0 ₽
DALL-E 3 (через API)	N/A	Отличное	Облако	~$0.04 за изображение
Stable Diffusion + ControlNet	20-50	Зависит от промпта	Полная	0 ₽
Qwen-Image-2512	1 (но это другой подход)	Хорошее	Полная	0 ₽

FLUX.2-dev-Turbo занимает нишу между тяжеловесными Stable Diffusion моделями и облачными сервисами. Быстрее первых, приватнее вторых.

Интересный конкурент — Qwen-Image-2512, который тоже работает локально и быстро. Но Qwen — это модель для генерации с нуля, а FLUX.2-dev-Turbo — для редактирования. Разные задачи.

Где споткнешься

Идеального нет ничего. Вот где FLUX.2-dev-Turbo может вас разочаровать:

Требует базовую модель. Нельзя скачать только LoRA и радоваться. Нужно качать FLUX.1-dev (15 ГБ). Если у вас медленный интернет — это проблема.
Жадная до памяти. Для комфортной работы нужно минимум 12 ГБ VRAM. На 8 ГБ будет тесно, на 6 ГБ — невозможно.
Только 1024×1024. Хотите редактировать фото с телефона (4000×3000)? Придется ресайзить и терять детали.
Английские промпты работают лучше. Модель обучена в основном на английских данных. Русские промпты иногда дают странные результаты.

Если у вас слабое железо, но хочется локальной генерации, посмотрите FlaxeoUI. Там есть оптимизации для работы на ограниченных ресурсах.

Кому это нужно?

FLUX.2-dev-Turbo — инструмент для конкретных людей:

Дизайнерам, которые устали от долгой возни в Photoshop. «Добавь тень здесь, убери объект там» — 8 шагов, и готово.
Контент-менеджерам, которым нужно быстро редактировать кучу фото для соцсетей. Однотипные правки можно автоматизировать.
Разработчикам, которые хотят встроить редактирование изображений в свои приложения. Локальность значит приватность данных пользователей.
Энтузиастам, которые просто любят играться с нейросетями. 8 шагов — это быстро enough, чтобы не надоело.

Не подойдет тем, кто ждет волшебства уровня «сделай из моей фотографии картину Ван Гога». Это инструмент для редактирования, не для стилизации. Для последнего лучше посмотреть статью про аниме-трансформации или Lemon Slice-2 для создания аватаров.

Практический пример: убираем лишнее

Допустим, у вас есть фото интерьера, и на столе стоит чашка, которая портит кадр. Хотите ее убрать.

from diffusers import FluxPipeline
from PIL import Image
import torch

# Загружаем модель (делаем один раз)
pipe = FluxPipeline.from_pretrained(
    "black-forest-labs/FLUX.1-dev",
    torch_dtype=torch.bfloat16,
    variant="bf16",
)
pipe.load_lora_weights("black-forest-labs/FLUX.2-dev-Turbo", weight_name="flux2_dev_turbo_lora.safetensors")
pipe.to("cuda")

# Загружаем фото
image = Image.open("room_with_mug.jpg").convert("RGB")

# Убираем чашку
result = pipe(
    prompt="a clean table without any objects",  # Чистый стол без объектов
    image=image,
    num_inference_steps=8,
    guidance_scale=3.5,
).images[0]

result.save("clean_room.jpg")

Код простой, как дважды два. Но есть нюанс: промпт должен точно описывать, что вы хотите получить, а не что убрать. Модель лучше понимает «чистый стол», чем «убери чашку».

💡

Если модель упорно оставляет объект, попробуйте увеличить guidance_scale до 5-7. Это усилит влияние промпта на результат. Но не переборщите — слишком высокие значения дадут артефакты.

Что дальше?

FLUX.2-dev-Turbo — не конечная точка. Это скорее proof of concept: «Смотрите, можно делать качественное редактирование за 8 шагов».

Что ждет нас в будущем?

Еще больше сжатия. Если сегодня 8 шагов, завтра может быть 4. Или 2.
Специализированные LoRA. Отдельные адаптеры для редактирования портретов, пейзажей, текста.
Интеграция в графические редакторы. Представьте плагин для Photoshop, который использует FLUX.2-dev-Turbo для быстрых правок.

Пока что модель остается инструментом для тех, кто готов повозиться с установкой и имеет достаточно мощное железо. Но тенденция ясна: локальные нейросети становятся быстрее и доступнее.

Если вы уже устали платить за облачные сервисы и ждать по 30 секунд на генерацию — FLUX.2-dev-Turbo стоит попробовать. Хотя бы ради того, чтобы понять: будущее уже здесь, и оно работает за 8 шагов.

P.S. Если при скачивании модели с HuggingFace возникают проблемы с скоростью, есть решение — HuggingFace Downloader v2.3.0 ускоряет загрузку в разы.

FLUX.2-dev-Turbo: 8 шагов до идеального фото — быстрее только мысль