オープンソースAIの勢力図が激変しました。Black Forest Labsによる FLUX.2-dev のリリースにより、画像生成AIは単なる「テキストから画像への変換（Text-to-Image）」を超え、「推論ベースの視覚合成」 という新たなフェーズに突入しました。
FLUX.1で課題だった「一貫性の欠如（ガチャ要素）」や「曖昧な色指定」に悩まされていませんか？FLUX.2はその答えです。ネイティブ4MP解像度、HEXカラーコードによる厳密な色指定、そして驚異的なマルチリファレンス（複数画像参照）機能を、一般的なハイエンドGPUで実現します。
なぜ FLUX.2 がゲームチェンジャーなのか
FLUX.2-dev は単にパラメータ数が増えただけのモデルではありません。根本的なアーキテクチャが刷新されています。320億（32B）パラメータの Rectified Flow Transformer と、Mistralベースの視覚言語モデル（VLM） を融合させています。
平たく言えば、このモデルはキーワードを単語としてマッチングさせるのではなく、物理法則、照明、空間的関係を「理解」します。プロンプトを統計データとしてではなく、論理的な指示として読み解くのです。
主な特徴
- マルチリファレンスの一貫性: 最大10枚の参照画像をネイティブサポート。複雑なLoRA学習なしで、キャラクター、画風、オブジェクトを別々のシーンで同一に保つことが可能です。
- 精密な制御: JSON形式のプロンプト や HEXカラーコード（例:
#FF5733）を理解し、ブランドカラーなどを正確に再現します。 - ネイティブ 4MP: アップスケーラーなしで、そのままプロダクション品質の4Kクラス画像を生成します。
- ハードウェア効率: 32Bという巨大なサイズですが、最適化された FP8量子化 により、ハイエンドコンシューマーGPU（RTX 3090/4090/5090）での動作が可能です。
コア・アーキテクチャの仕組み
以下の図は、FLUX.2が従来モデルとどう異なるかを示しています。生成の前に「推論エンジン」が介在している点が最大の特徴です。
graph TD
A["ユーザー入力 (プロンプト + 参照画像)"] --> B["Mistralベース VLM"]
B --> C["論理推論 & 空間プランニング"]
C --> D["FLUX.2 Transformer (32B パラメータ)"]
D --> E["洗練された潜在空間生成 (Latent Generation)"]
E --> F["新型 高解像度 VAE"]
F --> G["4MP 出力画像"]
ComfyUI で FLUX.2-dev を動かす
ローカル環境でFLUX.2を動かすには、ComfyUIが最適解です。モデルがモジュール化（Diffusionモデル、テキストエンコーダー、VAE）されているため、正しいファイル配置が必須となります。
1. 必要なファイル
Hugging Face リポジトリ から以下の3つのファイルをダウンロードしてください。
| コンポーネント | ファイル名 | 配置先ディレクトリ |
|---|---|---|
| Diffusion Model | flux2_dev_fp8mixed.safetensors |
ComfyUI/models/diffusion_models/ |
| Text Encoder | mistral_3_small_flux2_fp8.safetensors |
ComfyUI/models/text_encoders/ |
| VAE | flux2-vae.safetensors |
ComfyUI/models/vae/ |
2. インストール手順
- ComfyUIの更新: FLUX.2用の新しいノードが必要です。
ComfyUI_windows_portableフォルダ内のupdate/update_comfyui.batを実行するか、ターミナルでgit pullしてください。 - 重みファイルの配置: 上記の表に従って、ダウンロードしたファイルを各ディレクトリに配置します。
- ワークフローの読み込み: 公式の FLUX.2 サンプル画像 をComfyUIのウィンドウにドラッグ＆ドロップしてください。
3. Pythonコード (Diffusersライブラリ)
アプリ開発者向けに、diffusers ライブラリを使用してFLUX.2を統合するコード例を紹介します。メモリ効率のために bfloat16 を使用している点に注目してください。
import torch
from diffusers import Flux2Pipeline
from diffusers.utils import load_image
# メモリ節約のため bfloat16 でパイプラインをロード
pipe = Flux2Pipeline.from_pretrained(
"black-forest-labs/FLUX.2-dev",
torch_dtype=torch.bfloat16,
device_map="balanced" # 必要に応じてGPU/CPUに分散
)
# 低VRAM環境向けにモデルのCPUオフロードを有効化
pipe.enable_model_cpu_offload()
# 具体的なカラーコードを含んだプロンプト定義
prompt = "A futuristic cyborg, glossy white armor #FFFFFF, neon blue eyes #00FFFF, cinematic lighting, 4k"
image = pipe(
prompt,
height=2048,
width=2048,
guidance_scale=3.5,
num_inference_steps=25,
max_sequence_length=512
).images[0]
image.save("flux2_output.png")
上級テクニック：「構造化プロンプト」
FLUX.2の隠れた能力の一つに、構造化データの理解があります。自然言語の長文ではなく、擬似的なJSON形式を渡すことで、要素を厳密に定義できます。
{
"subject": "Cyberpunk Street Vendor",
"lighting": {
"type": "Volumetric neon",
"color_palette": ["#FF0099", "#00CCFF"],
"direction": "Top-down"
},
"camera": "50mm, f/1.8, bokeh",
"style": "Photorealistic, Unreal Engine 5 render"
}
この構造をそのままテキストプロンプトのノードに貼り付けてください。複雑なシーンにおいて、FLUX.2のVLMは自然言語よりもこの形式を正確に解釈します。
クオリティを最大化するプロ・チップス
- FP8版を使用する: フルサイズの32Bモデルは約90GBのVRAMを必要とします。
fp8mixed版を使用すれば、品質を99%維持したまま、ComfyUIのウェイトストリーミング機能を使ってRTX 3090/4090 (24GB VRAM) で動作可能です。 - マルチリファレンスが鍵: キャラクターの一貫性を保つには、「Reference」入力ノードに異なる角度の顔画像を3〜5枚アップロードしてください。LoRA学習は不要です。FLUX.2は「インコンテキスト学習（In-context Learning）」でこれを処理します。
- ステップ数は少なめ、ガイダンスは高め: FLUX.2はFLUX.1よりも収束が早いです。通常 20〜25ステップ で十分です。ただし、複雑な指示を守らせたい場合は、Guidance Scale (CFG) を少し高め（3.5 – 4.5）に設定すると効果的です。
- 文字入れのコツ: テキストを生成させたい場合は、正確なフレーズを二重引用符で囲み、フォントスタイルを明示してください（例：text “TipTinker” written in bold sans-serif gold font）。
結論
FLUX.2-devは、プロフェッショナルな用途において、従来の生成ワークフローを過去のものにしました。推論能力とネイティブなマルチリファレンスサポートの統合により、AI画像生成は「運任せのガチャ」から「精密なデザインツール」へと進化しました。
RTX 3090以上のGPUをお持ちなら、待つ理由はありません。FP8の重みをダウンロードし、ComfyUIを起動して、オープンウェイトAIの未来を体感してください。
一貫性のあるAIキャラクターを作る準備はできましたか？ ComfyUI Examples からワークフローをダウンロードして、今すぐマルチリファレンス機能をテストしてみましょう。