FLUX.1 这代模型出来之后，圈子里讨论最多的问题已经从“哪家模型画得像”变成了“怎么让模型稳定地听你的话”。Kontext 和 Krea 就是奔着这个方向来的两个名字，但很多朋友容易把它们混为一谈——甚至有人以为 Krea 是 Kontext 的升级版，或者 Kontext 是 Krea 的某个插件。我研究了一段时间，也做了不少实测，可以负责任地说：这两个东西走的是完全不同的技术路线，解决的问题不一样，适用场景也不一样。这篇文章不聊虚的，直接把两个模型的核心机制、使用方法和踩坑经验拆开来讲，适合正在纠结选型、或者已经被多图参考搞到头大的朋友。

我想先给个最直白的类比：如果说 FLUX.1 dev 是一个“你说什么就画什么”的画师，那 Kontext 就是在画师旁边放了一摞参考图，让他照着参考图的气质和设定来画；而 Krea 更像是在画师工作台上加了块实时预览屏，让你看着草稿一边聊一边改。一个是往输入里加“上下文约束”，一个是往生成过程里加“交互反馈”。理解了这个区别，后面所有的细节都好办了。

1. 先搞清楚定位：FLUX.1 家族里 Kontext 和 Krea 站在哪个位置

1.1 从 dev / schnell / pro 说起

FLUX.1 最初的三个版本——dev、schnell、pro——解决的问题很朴素：一个给开源社区折腾，一个给追求速度的人用，一个给商业项目当 API 调。后来大家发现，单靠提示词很难精确控制人物的长相、物体的材质、环境的风格，于是黑森林实验室开始往“多模态条件控制”方向发力。Kontext 和 Krea 就是这一阶段的两个产物，它们不是在 dev 基础上随便调了个参，而是在模型架构和训练目标上做了针对性改动。

具体点说：

• dev 是基础款，主打开源生态和自由度，但单图生成，上下文理解全靠 prompt。
• schnell 是速度款，步数可以压得很低，适合快速出草稿，但细节上限偏低。
• pro 是商业款，提示词跟随性和画面质量最强，但闭源且按量收费。

Kontext 和 Krea 则可以理解为“pro 这条技术路线往下拆出的两个专项版本”。Kontext 重点解决“多张参考图如何同时影响生成结果”，Krea 重点解决“如何在生成过程中让用户实时介入”。它们不是平级关系，而是从不同维度对“可控性”做的补强。

1.2 Kontext 和 Krea 的本质区别

很多人在选型时最纠结的问题就是：我用 Kontext 还是用 Krea？我的结论是，先问自己一个问题——你需要的是一致性，还是互动性？

Kontext 的核心价值是一致性。你给一组参考图，比如同一个角色的三视图、同一件皮衣的不同角度照片，它能在新场景里把这个角色、物品的视觉特征稳定复现出来。它适合的角色设定固化、产品展示、漫画人物跨页保持一致这类需求。它的关键词是“参考”。

Krea 的核心价值是交互性。它把扩散模型的去噪过程变成了一段可以实时观察和干预的流程，你可以在生成中途改 prompt、调整构图、甚至直接在画布上涂抹，模型会基于你的修改继续生成。它适合的是灵感探索阶段，比如设计师找方向、做概念草图、想快速看多种方案的视觉效果。它的关键词是“迭代”。

打个比方：Kontext 是请了一位固定的模特，你给摄影师看过模特照片后，摄影师无论换什么场景都能拍出同样的人；Krea 是让画家当着你的面作画，你说“背景再暗一点”“主体往左挪一点”，他一边听一边改。两种能力能叠加，但你要清楚当前这一步更需要哪一个。

1.3 适用人群与选型逻辑

这个表格只是个起点。实际用下来，我的体感是：如果你手上的参考图质量高、数量多，Kontext 的收益非常明显；如果你连自己都不知道最终想要什么，Krea 才是值得先玩的东西。不要一上来就问“哪个强”，先问“我卡在哪一步”。

2. FLUX.1 Kontext 核心机制拆解：让模型真正“看懂”参考图

2.1 多图输入是怎么被编码进扩散过程的

先补一点基础。扩散模型生成图像的过程，本质是从随机噪声开始，经过多步去噪，逐步逼近一个符合文本条件的图像。传统做法里，文本条件通过 CLIP 或 T5 这样的文本编码器变成向量，再在去噪的每一步注入模型。Kontext 做的事情，是把这个“条件窗口”从纯文本扩展到了图像。

它引入了一个视觉编码分支，把输入的参考图转换成一组视觉特征序列。这个序列会和文本特征一起，拼接到扩散模型的注意力层里。什么意思呢？就是模型在生成某个区域时，不只是“读”文本对应的描述，还会“看”参考图里对应区域的特征，然后决定当前这块像素应该长成什么样。这就好比以前你只给小说家一段文字描述，现在你把角色设定照片也一起给了他，他写的时候自然更清楚主角的高矮胖瘦。

Kontext 能同时接收多张参考图，内部会把这些图像编码后的特征做融合，并与文本条件对齐。实测下来，它对数量是敏感的：一到三张参考图时，一致性提升最明显；超过三张后，提升幅度会变小，甚至可能因为参考图之间存在冲突，导致生成结果出现“不知道该听谁”的迹象。

2.2 与常见 reference / ControlNet 方案的本质差别

很多朋友之前用过 SD 生态里的 reference 插件或者 ControlNet 的 tile 预处理，觉得“不就是多传几张图吗”，Kontext 好像也没啥新鲜的。这里必须说清楚：差别很大。

ControlNet 的思路是给扩散模型额外接一个控制网络，把参考图的空间结构（边缘、深度、姿态）抽出来，作为额外的条件分支注入。它擅长的是“结构控制”——姿势对不对、轮廓像不像，它管得很好，但对“材质、光影、纹理”这类内容层特征控制偏弱。

Reference 类插件则是在注意力层做文章，把参考图特征直接加入 cross-attention，让模型在生成时“参考”视觉特征。但这个参考往往是全局的，容易把参考图的构图风格甚至噪声背景一并学去，而且对多图的处理方式比较粗暴。

Kontext 的做法更接近“消费”而非“参考”。它不只是把参考图丢进注意力层当背景板，而是经过专门训练，让模型学会从多图中提取一致的语义特征——比如角色的发型、服装、面部轮廓——然后在新场景里重新绘制。它不会照搬参考图的构图和背景，而是只搬运“身份特征”。这也是为什么 Kontext 生成的角色在新场景里更像“同一个人”，而不是像“一张拼贴图”。

2.3 实测：角色一致性场景的表现与边界

我拿同一组三视图角色参考图做了几轮对比测试，场景分别是：换装、换背景、换视角。先说表现最好的场景——换背景。输入三张同一个角色的正面/侧面/背面图，提示词要求“站在雨夜霓虹街头”，模型能较好地保持发型、脸型、衣服配色的一致性，同时背景完全重绘，没有出现角色被“粘”在背景上的生硬感。这一点比多数 reference 插件强很多。

其次是换视角。从前视图生成俯视或仰视角度时，Kontext 能根据多图中隐含的三维结构信息做合理的透视推断，头发、肩部比例不会明显崩坏。但这里是边界之一：如果参考图本身视角单一（全是正面），那模型在面对背视角或极端角度时，依然会暴露出对侧面结构理解不足的问题。

最需要警惕的是换装场景。Kontext 擅长保持人物本身的一致性，但如果你给了一张穿红衣服的参考图，又要求新场景里穿蓝衣服，模型有时会把“红色衣服”也当作人物身份的一部分保留下来，导致颜色混杂。解决办法是在提示词里把服装描述写得很具体，尽量用“白色T恤搭配黑色夹克”这种明确短语，而不是只说“换一套衣服”。

整体来看，Kontext 的强项是“视觉身份特征”的保持，弱项是“属性解耦”——它很难完全分清哪些视觉信息属于“这个人”，哪些属于“这个人当时穿的衣服、处的环境”。这个边界在做商业化内容时需要特别留意，稍后我在避坑章节会展开。

3. FLUX.1 Krea 核心机制拆解：把“出图”变成一场对话

3.1 实时迭代生成到底改了什么

Krea 这条线最吸引人的地方在于，它把扩散模型的去噪过程从“后台黑盒”变成了“看得见的半成品”。传统工作流里，你在输入框敲一段 prompt，等上几秒或十几秒，然后要么接受结果，要么重新抽卡。Krea 改变的是这个交互范式：模型在每一轮去噪的同时，会把当前中间状态以低分辨率、低细节的形式实时渲染出来，你可以随时叫停、给反馈、调整方向，然后在这个中间状态的基础上继续生成。

这背后其实涉及扩散模型的一个特性——中间步数的降噪结果并不是无意义的噪声过渡，它在早期就包含了宏观构图和色彩分布信息，在中期开始出现结构轮廓，后期才精修纹理细节。Krea 利用的就是这个阶段特性，让模型在“还没画完”时接受用户的修改指令，相当于在画布上看到草稿后，告诉画家“这里不太对，调整一下”，画家在草稿基础上继续画，而不是全部推翻重来。

实际体验下来，这个交互模式对创意工作流的提升是明显的：找灵感时不用反复敲整段 prompt，而是先随便画一笔，看看模型怎么接，再沿着有意思的方向继续引导。很多最终定稿的方案，其实是人和模型一起“聊”出来的，而不是一次生成的。

3.2 Krea 版的核心玩法：草图引导、局部重绘、即时反馈

我梳理了一下 Krea 最值得上手的三个玩法，每个都对应一个明确的创作痛点。

草图引导是专门治“说不清”的。有时候你脑子里的构图很清晰，但文字表达总是差口气。这时候可以直接在画布上涂几笔，搭个简单的色块和轮廓，Krea 会把它当成结构约束，在生成时尽量尊重你的布局意图。这里面有个技巧：草图不用画得多精细，重点是各区域的大致位置和颜色关系，模型反而更容易理解。画得太细反而会和模型自身的想象力打架。

局部重绘则是把“改图”的效率拉高了一个段位。常规改图流程是：发现问题 → 回输入框改 prompt → 重新生成 → 看结果，运气不好就要反复好几轮。Krea 允许你在生成过程中或者生成完成后，指定某个区域重新生成，其他部分保持不变。比如画面右下角的路灯光晕不满意，你只需要圈选那个区域，修改描述词，模型只重画那一块。这个能力对海报、插画这类精细化要求高的场景非常实用。

即时反馈是最容易被低估的功能。在传统工具里，模型生成结束后你只能被动接受或重抽。Krea 的实时预览让你在生成过程中就能从画面里读出模型的“理解偏差”——比如你明明想画夕阳下的剪影，模型却在早期步骤里把画面铺成了冷色调，你完全可以第一时间打断并纠正方向，而不是等 10 秒后拿到一张完全不相关的成品，然后无奈地换 prompt 重来。这种感觉很微妙，但你一旦用过就很难退回去。

3.3 和 Kontext 组合使用的思路

虽然两个模型定位不同，但实际工作流里它们是可以串联的，而且串联之后的收益很可观。

我目前比较常用的组合方式是：先用 Kontext 锁定角色或产品的一致性，批量生成几张构图不同的底稿，然后挑一张进入 Krea 进行细节打磨。比如做一张电商海报，Kontext 负责让产品在五个场景里都保持同一种质感，Krea 在选定场景里做光影调节、背景虚化、局部元素替换。这样既解决了一致性，又保留了人工微调的空间。

另一个思路是反过来的，先用 Krea 快速探索整体风格方向，确定满意后把最终版本作为 Kontext 的参考图，去生成同一风格下的衍生画面。这个用法特别适合品牌视觉延展，比如先和模型“聊”出一个喜欢的海报风格，再用 Kontext 把这种风格推广到社交媒体头图、线下物料、产品包装上，形成统一的视觉语言。

说到底，Kontext 和 Krea 不是二选一的竞品，而是一把锁和一把钥匙的关系。锁定身份用 Kontext，打开创意空间用 Krea，合理组合才是这两个模型真正的完全体。

4. 部署与调用实战：从 API 到本地 ComfyUI 的完整路径

4.1 环境清单与资源占用

先讲大家最关心的部署问题。官方 API 是最省事的方式，文本转图像、图像编辑这类接口做得很规范，但按量计费，适合短期的项目型需求或者不想折腾本地环境的朋友。如果你是重度使用者，或者需要频繁调试参数、处理敏感素材，还是建议搭本地环境。

本地部署的话，显存是第一道门槛。FLUX.1 系列的底模体积和推理开销都不小，Kontext 因为要额外处理多张参考图的视觉编码，显存占用会比同系列单模型高出一截。从我自己的实测看，16GB 显存是体验分水岭：低于这个配置虽然也能跑，但步数要压得很低，分辨率也上不去，多图输入时还可能爆显存。低于12GB 的话，建议直接放弃折腾，老老实实走云服务。

依赖方面，PyTorch 版本建议跟紧官方推荐，不要贪心用最新版。我遇到过顺手更新了 PyTorch 之后，某个算子和模型权重不匹配，导致推理结果整体偏色的问题，排查起来非常头疼。CUDA 版本、cuDNN 版本保持和驱动一致就行，不用追新。

4.2 关键参数详解：步数、引导强度与图像权重

参数这块，我觉得最值得花时间理解的是三个：步数、引导强度和图像权重。很多新手上来就照搬别人的参数，但不同模型、不同需求下，最优参数差异很大，只有理解了背后的逻辑才能灵活调整。

步数决定去噪过程被拆成多少步执行。传统 SD 模型 20 步左右就能出不错的图，FLUX.1 系列对步数的要求相对高一些，Kontext 在多图输入时建议至少给到 30 步以上，否则细节纹理容易显粗。Krea 因为是实时迭代场景，步数反而不是越高越好，更关键的是步进式干预的节奏，每轮修改后的生成步数控制在 15 到 20 步比较合适，既能看清方向，又不会等太久。

引导强度（guidance scale）控制的是生成结果对提示词条件的跟随程度。这个值调得太低，模型会“自由发挥”，画面可能很美但不符合要求；调得太高，画面会显得僵硬、过饱和，甚至出现伪影。Kontext 场景下，因为已经有参考图在约束身份特征，引导强度可以比平时的经验值再压低一些，避免提示词和参考图两股力量打架。Krea 实时模式则建议保持中等偏高的引导强度，让模型更听话，毕竟交互创作时你更希望它按你的指令走。

图像权重是 Kontext 里最有特色的参数，它控制参考图特征在最终生成中的影响比例。权重设得太低，参考图线索被稀释，一致性荡然无存；权重设得太高，生成结果会过度贴近参考图，新场景的适配度和多样性反而下降。我的经验是先从默认值附近开始测试，同时观察参考图里的“瑕疵”有没有被放大，比如参考图里有一个小污渍，如果生成结果里到处出现这个污渍，说明权重偏高了。

4.3 提示词与参考图选择的具体建议

提示词策略在 Kontext 里比普通文生图更重要，因为你要同时“伺候”文本条件和视觉条件。

参考图方面，三条硬性建议：

• 数量控制在二到三张，风格差异不要太大，最好覆盖不同视角；
• 分辨率尽量一致，差的太多会影响特征融合；
• 画面里不要混入太多无关元素，背景杂物越少越好，模型会把它们一并当作身份特征。

提示词方面，结构式描述比形容词堆砌更有效。比如“穿着红色连衣裙的长发女性站在海边”，要写成“长发女性，红色连衣裙，站在海边”，把主体特征、服装细节、场景三个层次拆开。我试过在 Kontext 里用很长的文学化描述，效果反而不如简洁的要素式描述好，因为注意力机制要同时处理视觉特征和文本特征，过多的形容词会稀释视觉特征的权重。

还有一个细节：参考图和提示词里的信息不要冲突。如果参考图里是短发，提示词里又写了长发，模型会出现明显的撕裂感。逻辑上这很好理解，但实际使用中很多人会不自觉地写出和参考图相悖的描述，踩坑率极高。

5. 避坑与经验：质量不稳定、细节漂移与显存危机

5.1 多参考图冲突时的表现与处理

Kontext 最常见的问题不是“画得不好”，而是“参考图之间打架”。比如你给了一张微笑的正面照和一张严肃的侧面照，模型很可能生成一个表情既不像笑也不像严肃的“中间态”，让人物显得僵硬。

起初我以为这是模型能力不够，后来发现问题在于参考图本身的条件不一致。Kontext 的多图融合机制会把多张图的特征映射到一个统一语义空间里，如果参考图之间在某个维度上矛盾过大，融合结果就容易失真。解决方案有两个方向：一是尽量选表情、角度、光线条件一致的参考图，让它们的差异只体现在视角变化上；二是如果必须使用差异较大的参考图，就在提示词里明确指定以哪张图为准，比如“以第一张参考图的面部表情为准”，模型会更倾向于优先匹配这张图的对应特征。

另一种冲突表现是“特征杂交”，比如两张参考图一件是圆领、一件是翻领，生成结果可能出现一种不伦不类的领型。处理上反而是好消息——说明模型确实在同时考虑多张参考图的特征，你需要做的只是把不希望保留的那个特征在提示词里显式排除掉。

5.2 细节漂移问题与它的根源

“细节漂移”是我给一个现象起的名字：生成结果的整体构图、人物身份都对，但某些细节在多次生成之间不稳定，比如同一套参考图连续生成十次，左耳耳环的样式会在几次生成中变来变去。

这其实是扩散模型的固有随机性叠加参考图特征压缩后的结果。参考图的视觉特征在编码过程中会损失一部分细粒度信息，尤其是一些较小面积但视觉显著性高的元素——耳环、纽扣、眼镜腿——这些信息不足以稳定约束生成过程，于是每次生成的随机性就会在这些细节上放大。

处理办法分两种：如果这些细节很重要，那就在提示词里用文字写死，让文本条件补上参考图覆盖不足的部分；如果这些细节不重要，就干脆别在参考图里放得太显眼，否则模型会花很大注意力去处理一个你并不关心的特征，反而干扰主体一致性。

还有一种情况要特别注意：参考图里有文字、水印或者 logo 时，模型经常会尝试“复写”这些文字，但写出来的往往是错别字或者变形的图案。目前的视觉编码器对文字信息的处理普遍比较弱，如果你不需要保留原始参考图里的文字，最好前期裁掉或者打码，否则会多出很多后期修图的工作量。

5.3 显存危机与长流程运行的三个经验技巧

显存问题不是只有配置低才会遇到。我 24GB 显存的机器在跑 Kontext 多图输入加 Krea 实时迭代长流程时，同样遇到过中途爆显存的情况。三个技巧分享给大家：

第一个技巧是分步执行，不要在一个 ComfyUI 工作流里把所有节点串起来跑完整流程。把“Kontext 生成基础图”和“Krea 局部精修”拆成两个独立流程，中间存盘，再载入下一阶段。这样单阶段显存压力小，而且出了问题容易回溯。

第二个技巧是控制参考图输入分辨率。Kontext 对参考图的分辨率有要求，但不是越高越好。我实测过，把参考图统一缩放到 1024 以内，特征提取质量下降很小，显存占用却能明显降低。特别是多图输入时，每张图都塞原始大图除了让显存吃紧，对质量的提升非常有限。

第三个技巧是管理缓存和中间节点输出。实时迭代场景下，历史步骤的中间状态如果全被保留在显存里，很快就会填满。使用过程中要注意清理工作流里不再需要的缓存节点，或者定期重启流程。长流程跑到后半段如果发现速度明显变慢，大概率是缓存累积的问题，而不是显卡降频。

这三个技巧听起来都是小事，但实际跑一天流程下来，省下的时间和崩溃次数非常可观。做生成式内容项目，稳定性和复现性往往比单张图的惊艳程度更重要——毕竟你要交付的是整套方案，而不是一张碰运气的好图。

我个人的最终体会是：Kontext 和 Krea 代表的“多模态上下文条件”和“交互式迭代”两个方向，是扩散模型走向实用化的关键转折。以前我们是在和“随机性”搏斗，现在是在和“掌控力”合作。如果你正准备上手，别贪多，先拿一个具体场景跑通再扩展；跑通了之后你会发现，生成式 AI 创作真正卡脖子的不再是模型能力，而是你对自己需求的拆解能力。