2025 की शुरुआत में Black Forest Labs ने छवि निर्माण का नया मॉडल FLUX.1 Kontext पेश किया। यह तेज़ी से सोशल मीडिया और समीक्षाओं में छा गया: ब्लॉगर दिखा रहे हैं कि मॉडल कंपोज़िशन, शैली और गति से कैसे निपटता है। इसके आस-पास का शोर सबसे प्रतीक्षित न्यूरल नेटवर्क के रिलीज़ के बराबर है, इसलिए हमने जाँचने का फैसला किया कि यह हलचल कितनी उचित है। यह समझने के लिए कि क्या इसका कोई वास्तविक लाभ है, हमने चार प्रमुख मॉडलों — Midjourney V7, GPT-4o Image, Ideogram 3.0 और स्वयं FLUX.1 Kontext — पर समान परिदृश्य चलाए।
हमने कैसे परीक्षण किया
हमने प्रत्येक मॉडल के लिए एक ही प्रॉम्प्ट तैयार किया और चार मानदंडों पर परिणाम का मूल्यांकन किया। यह कोई प्रयोगशाला शोध नहीं है, बल्कि एक व्यावहारिक तुलना है जो डिज़ाइनर या कंटेंट-निर्माता के विशिष्ट कार्यों को दोहराती है।
यहाँ जाँचों की सूची है:
- विभिन्न दृश्यों में एक ही पात्र को बनाए रखना;
- बाकी तस्वीर को प्रभावित किए बिना अलग-अलग विवरणों में बिंदुवार परिवर्तन;
- किसी प्रसिद्ध कलाकार की शैली का स्थानांतरण;
- निर्माण की गति।
पात्र की स्थिरता
जब आप चित्रों की एक श्रृंखला या स्टोरीबोर्ड बनाते हैं, तो नायक को फ्रेम दर फ्रेम "चेहरा नहीं बदलना" चाहिए। यदि पात्र दृश्यों के बीच बिखर जाता है, तो कथा खो जाती है और दर्शक चित्रों को एक कहानी में नहीं जोड़ पाता। इसलिए नायक की स्थिरता न केवल कला के लिए, बल्कि विज्ञापन अभियानों, कॉमिक्स और एनिमेटिक्स के लिए भी महत्वपूर्ण है।
हमने मॉडलों से एक युवा महिला को लाल घुंघराले बालों और नीली जैकेट में चित्रित करने को कहा। उसे शहर के पार्क में, फिर कैफे में, पुस्तकालय में और एक संगीत कार्यक्रम में — उसी कपड़ों में — दिखना था।
FLUX.1 Kontext ने बाकी सभी की तुलना में परीक्षण बेहतर ढंग से पास किया: चेहरे की विशेषताएं, केश और जैकेट सभी दृश्यों में पहचाने जाने योग्य बने रहते हैं। Midjourney V7 इसके करीब था, लेकिन अंतिम दृश्य तक पात्र की संगतता खो दी। GPT-4o Image रूप को अच्छी तरह बनाए रखता है, हालांकि चेहरे के विवरण में छोटी विसंगतियाँ हैं। सबसे कमज़ोर Ideogram 3.0 रहा: नायिका सचमुच शैलियों के बीच उछलती है — कभी कार्टून पात्र की तरह दिखती है, तो कभी लगभग यथार्थवादी।
स्थानीय संपादन
दूसरा महत्वपूर्ण कार्य छवि को पूरी तरह दोबारा बनाए बिना उसमें बिंदुवार सुधार करना है। ऐसा संपादन समय और संसाधन बचाता है, खासकर जब पहले से तैयार विज़ुअल में तुरंत बदलाव करने हों। लेकिन अगर मॉडल साथ ही अन्य तत्वों को भी बदल देता है, तो ऐसे फ़ंक्शन का अर्थ खो जाता है।
पहले हमने खिड़की पर बैठी बिल्ली की फोटो जनरेट की, फिर कॉलर का रंग लाल करने, एक सुनहरी घंटी जोड़ने और पास में सूरजमुखी का फूलदान रखने को कहा।
FLUX.1 Kontext ने संपादन सही ढंग से किए: कॉलर, घंटी और फूलदान वहीं दिखे जहाँ ज़रूरत थी। हालाँकि, तस्वीर ज़रूरत से ज़्यादा बदल गई — बिल्ली ने मूल की तुलना में सिर थोड़ा घुमाया। GPT-4o Image ने भी काम किया, लेकिन अतिरिक्त रंग परिवर्तन किए, जिससे छवि अलग दिखती है। वहीं Midjourney V7 और Ideogram 3.0 ने परीक्षण के समय स्थानीय संपादन की सुविधा नहीं दी, इसलिए यहाँ उनकी पूरी तुलना नहीं हो सकी।
शैली का स्थानांतरण
कलात्मक शैली किसी विशिष्ट ब्रांड, मूड या युग के अनुरूप चित्र बनाने में मदद करती है। अच्छा शैली स्थानांतरण केवल रंग सुधार नहीं है, बल्कि दृश्य को नए अंदाज में सचमुच "तैयार करना" है। ऐसी तकनीक अक्सर ब्रांडिंग, फैशन शूट और सोशल मीडिया डिज़ाइन में चाहिए होती है।
हमने मॉडलों से वान गॉग की "स्टाररी नाइट" की शैली में मैदान में दौड़ते कुत्ते को दिखाने को कहा। सबसे अच्छा परिणाम Midjourney V7 ने दिखाया — शैली अभिव्यंजक और मूल के बहुत करीब व्यक्त होती है। FLUX.1 Kontext उससे बहुत थोड़ा पीछे है, जो वान गॉग के विशिष्ट ब्रशस्ट्रोक और पैलेट को शानदार ढंग से दोहराता है। GPT-4o Image अच्छा लेकिन उतना जीवंत स्टाइलाइज़ेशन देता है, और Ideogram 3.0 इस परीक्षण में स्पष्ट रूप से पिछड़ जाता है।
गति
निर्माण का समय बड़ी मात्रा में कंटेंट के साथ काम करते समय महत्वपूर्ण है। यदि A/B-परीक्षणों के लिए दर्जनों वेरिएंट चलाने हों या पोस्ट की श्रृंखला जल्दी बनानी हो, तो हर सेकंड मायने रखता है। यहाँ नेता स्पष्ट है:
- FLUX.1 Kontext — 3–5 सेकंड;
- Ideogram 3.0 — 10–15 सेकंड;
- Midjourney V7 — 15–20 सेकंड;
- GPT-4o Image — 20–25 सेकंड।
इसका मतलब है कि सबसे तेज़ प्रतिभागी सबसे धीमे की तुलना में चार से पांच गुना तेज़ी से परिणाम दे सकता है। यह विशेष रूप से तब महसूस होता है जब एक तस्वीर नहीं बल्कि पूरा समूह जनरेट करना हो।
क्या चुनें?
हर स्थिति के लिए कोई एक स्पष्ट विजेता नहीं है, लेकिन समग्र दिशा समझ में आती है। परिणामों को तालिका में संक्षेपित करते हैं:
| मॉडल | पात्र | स्थानीय संपादन | शैली | गति |
|---|---|---|---|---|
| FLUX.1 Kontext | उत्कृष्ट | अच्छा | अच्छा | उत्कृष्ट |
| Midjourney V7 | अच्छा | अनुपलब्ध | उत्कृष्ट | अच्छा |
| GPT-4o Image | अच्छा | अच्छा | अच्छा | मध्यम |
| Ideogram 3.0 | कमज़ोर | अनुपलब्ध | मध्यम | मध्यम |
FLUX.1 Kontext सबसे संतुलित समाधान दिखता है। यह तेज़ है, पात्र को अच्छी तरह बनाए रखता है और स्थानीय संपादन व स्टाइलाइज़ेशन में आत्मविश्वास से काम करता है। ऐसा सेट इसे कंटेंट-निर्माताओं, डिज़ाइनरों और मार्केटर्स के लिए एक सुविधाजनक ऑलराउंडर बनाता है, जिन्हें तेज़ और सटीक जनरेशन चाहिए।
साथ ही, विशिष्ट कार्यों के लिए नेता अलग हो सकते हैं। यदि प्राथमिकता अभिव्यंजक कलात्मक शैली है, तो Midjourney V7 पर ध्यान देना चाहिए। यदि विवरण और टेक्स्ट के साथ सटीकता महत्वपूर्ण है, तो GPT-4o Image उपयोगी होगा। और Ideogram 3.0 अभी प्रमुख मापदंडों में पिछड़ रहा है, हालाँकि इसके अपने फ़ंक्शन भी हैं जो इस तुलना में शामिल नहीं थे।
