FLUX 3 的 Bounding Box 不是遮罩：坐标、多图参考与 Prompt Upsampler

最常见的误解

看到「坐标级布局控制」，很多人的第一反应是：终于能像局部重绘那样，框住一块区域只改这一块了。

官方模型卡写得很直白：Bounding Box 引导的是位置和尺度，不把像素约束成硬遮罩（boxes guide placement and scale; they do not constrain pixels to a hard mask）。

所以它是「先摆位、再由提示词决定改什么」，不是「框内重绘」。理解错这一层，后面怎么调都会觉得模型不听话。

坐标怎么用

模型接受的布局语法是 0–1000 的归一化网格，不是像素值。你在提示词里用这个坐标系标出若干区域，指定每个区域放什么主体；生成之后，再通过提示词对这些区域做改色、移动、替换或移除。

因为它不是硬遮罩，框外的画面仍可能跟着语义变化。想要严格锁死背景，还是得回到遮罩／局部重绘那一套流程，两者是互补关系，不是替代。

实操上建议一次先标两到三个区域。区域越多，语义互相干扰的概率越高，出了问题也难定位。

多图参考：真正省掉的是那一堆节点

Klein 在同一个 checkpoint 里支持最多 10 张参考图，编辑、文生图、多图合成走的是同一条路。

这件事的意义不在「多了个功能」，在于过去做人物一致性或商品换装，要在 ComfyUI 里堆 ReferenceLatent、IP-Adapter、ControlNet 一长串节点，显存和排错成本都很高；现在这部分被收进模型内部了。工作流短了，出错点自然少。

注意「最多 10 张」是上限不是建议值。参考图越多，输入条件越杂，先拿两三张验证一致性，够用就别加。

为什么你的短提示词总是出通用图

这是换模型后最集中的抱怨。原因不在采样器，在训练数据：Klein 是在完整场景描述上训练的，无论是文生图、编辑还是带框布局，它期待的都是一段把主体、环境、光线、构图交代清楚的描述。

官方给的解法是 Prompt Upsampler——一个从 Qwen3.5-9B 微调来的 9B 辅助模型，跑在图像模型之前，把一句话扩写成完整场景描述。官方模板默认启用，仓库里也附了 system_prompts.json，可以换成自己习惯的大模型来做这件事，只要系统提示词的目标一致。

一句话、不加 upsampler、直接出图 → 得到一张「没什么错但也没什么特点」的图，这是符合预期的行为，不是模型退化。

顺带一提，这个辅助模型本身比图像模型还大。如果两者在同一张卡上装不下，官方参考实现给的做法是：先单独跑 upsampler 把描述存下来，再用这段描述生成。

两个别踩的预期

文字渲染：模型支持在图内写字和改字，但官方模型卡自己就注明了渲染文字「可能不准确或出现变形」。需要交付的字标、包装字、海报标题，别拿生成结果直接当成品，后期排版该做还是得做。

base 和 distilled 别混用：蒸馏版 16 步、无 guidance，是日常生成和自托管用的；base 版未蒸馏、50 步、CFG 3.5，是留给微调、LoRA 训练和研究的。用 base 跑日常任务，速度慢、参数还得自己调，容易误判成「模型不行」。

一条可复现的验证顺序

1. 512 分辨率、单张、固定 seed，只跑文生图最小链路；
2. 加上 Prompt Upsampler，对比同一 seed 下的差别；
3. 加两张参考图，看主体一致性；
4. 最后加 Bounding Box，从两个区域开始。

每一步只加一个变量，出问题立刻知道是谁的锅。固定 seed 也很关键——不固定 seed，你根本分不清变化来自参数还是来自随机。

分享工作流 JSON 时，顺手记下核心版本、前端版本、模型文件名、量化档、VAE、节点版本和 seed。这类信息在复现时比截图有用得多。