FLUX 3 Image Klein: Ein Praxisleitfaden zu Referenzbildern, Layout und lokaler Bearbeitung

Du hast ein brauchbares Produktfoto, aber für den nächsten Einsatz stimmt das Layout nicht. Das Motiv soll nach links rücken, der Hintergrund soll sich ändern, und rechts muss Platz für eine Überschrift bleiben. Eine Bild-KI ganz von vorn anfangen zu lassen, ist einfach. Eine wirklich verwendbare Überarbeitung zu bekommen, ist schwieriger.

FLUX 3 Image Klein vereint Text-zu-Bild-Generierung, Bildbearbeitung und mehrere Referenzbilder in einer Modellfamilie. Black Forest Labs hat sie am 15. Oktober 2026 veröffentlicht. Die interessante Neuerung ist nicht noch ein hübsches Beispielbild, sondern die Möglichkeit, sowohl den Bildinhalt als auch die Position seiner Elemente zu beschreiben. BFL-Veröffentlichung

Dieser Leitfaden führt dich von einem kleinen ersten Versuch zu einem wiederholbaren Bearbeitungsablauf. Beginne im Browser, wenn du das Werkzeug erst kennenlernen möchtest; wähle eine API für eine Anwendung; ziehe den lokalen Betrieb in Betracht, wenn Dateikontrolle oder regelmäßige Nutzung den Einrichtungsaufwand rechtfertigen. Du musst die Mathematik hinter Diffusionsmodellen nicht verstehen, um dich zu entscheiden.

Wähle den kürzesten Weg zu einem brauchbaren ersten Bild

Das sind verschiedene Produkte rund um verwandte Gewichte, keine austauschbaren Schaltflächen. Ein Modell sind die erlernten Gewichte. Eine Laufzeitumgebung führt es aus. ComfyUI bietet eine Workflow-Oberfläche, Diffusers Python-Komponenten und eine gehostete API einen betriebenen Dienst. Was eine Oberfläche kann, muss eine andere nicht automatisch mitbringen.

Für den ersten Versuch öffnest du den offiziellen Space oder den BFL Playground. Prüfe Hinweise zu Konto und Abrechnung, bevor du etwas generierst. Ein Browser funktioniert unter Windows, macOS und Linux gleichermaßen; für einen entfernten Dienst brauchst du keine lokale GPU.

Verwende ein Bild, das dir gehört und das du gefahrlos an den Dienst senden kannst. Ein Foto deiner eigenen Tasse eignet sich besser als das unveröffentlichte Produkt eines Kunden. Die folgende Übung gibt dir eine konkrete Aufgabe und Kriterien, nach denen du das Ergebnis beurteilen kannst.

Ändere erst eine Sache, bevor du zehn Referenzen kombinierst

1. Bewahre das unveränderte Ausgangsbild auf und notiere seine Abmessungen.
2. Wähle einen Bearbeitungsweg und füge genau dieses eine Bild hinzu.
3. Beschreibe die gewünschte Szene vollständig, auch was erkennbar bleiben soll.
4. Bitte um eine Änderung, etwa einen anderen Hintergrund, statt Motiv, Stil und Bildaufbau gleichzeitig neu zu bestimmen.
5. Vergleiche das Ergebnis in voller Auflösung mit der Vorlage. Prüfe Form, Text, Kanten und Beleuchtung, nicht nur das Vorschaubild.
6. Bewahre Anweisung und Ergebnis zusammen auf. Ändere beim nächsten Versuch jeweils nur eine Variable.

Beginne zum Beispiel mit dieser Szenenbeschreibung:

A catalog photograph of the same plain ceramic mug from the reference image,
with its handle and proportions preserved, on a matte pale-green surface.
Soft light comes from the left. The mug sits in the left third of a wide
composition, leaving clear space on the right for text added later.

Du legst die Abnahmekriterien fest: Der Henkel ist unverändert, die Silhouette der Tasse bleibt brauchbar und der freie Bereich ist tatsächlich frei. Muss ein Logo exakt stimmen, vergleiche es mit dem Original, statt einer plausibel aussehenden Rekonstruktion zu vertrauen. Wenn Schreibweise und Markenform nicht verhandelbar sind, setze die endgültige Typografie mit einem gewöhnlichen Designwerkzeug.

Die offizielle Modellkarte nennt bis zu 10 Referenzbilder. Das ist eine Kapazitätsgrenze, keine Empfehlung, bei jeder Aufgabe zehn Bilder zu verwenden. Zwei Referenzen mit widersprüchlichen Kamerawinkeln können mehr Mehrdeutigkeit schaffen als eine klare Vorlage. Weise jedem Bild eine konkrete Rolle zu: Motiv, Material, Komposition oder Stil.

Layout-Rahmen lenken die Komposition, sperren aber keine Pixel fest

FLUX 3 unterstützt Regionsbeschreibungen mit normalisierten Koordinaten. Statt nur „Platziere das Objekt links“ zu sagen, kannst du einen Rahmen angeben und beschreiben, was darin erscheinen soll. Der Koordinatenbereich reicht von 0 bis 1000; die Layoutbeschreibung hängt also nicht unmittelbar davon ab, ob das Endbild 1024 oder 2048 Pixel breit ist. BFL-Anleitung zu Begrenzungsrahmen

Originalgrafik zur Erläuterung. Der Rahmen beschreibt eine gewünschte Position, keine beobachtete Generierung und keine harte Bildmaske.

Hier folgt ein beispielhafter Ausschnitt für einen Generierungs-Prompt. Er beschreibt eine neue Komposition, keine Bearbeitung eines Referenzbilds. Er gehört in den Prompt, nicht ins Terminal:

A clean studio composition with a ceramic mug <mug_1> on the left.
[{"id":"mug_1","bbox":[200,80,850,480],"desc":"A plain ceramic mug with a visible handle"}]

Die Reihenfolge lautet oben, links, unten, rechts. In diesem Beispiel beginnt der Rahmen 20 % unterhalb des oberen und 8 % rechts vom linken Bildrand und endet bei 85 % Höhe und 48 % Breite. Skizziere für einen echten Entwurf zuerst die gewünschte Anordnung und übertrage sie dann in Koordinaten. Vertauschte horizontale und vertikale Werte führen leicht zu einem unverständlichen Ergebnis.

Bei einer Bearbeitung musst du neben dem Ziel auch die Quelle angeben. Der folgende beispielhafte API-Body verschiebt eine Tasse aus einem mittigen Ausgangsrahmen in einen Zielrahmen links. Ersetze die Beispiel-Bild-URL durch ein erreichbares Bild, das dir gehört; sende den Platzhalter nicht unverändert. Die erste Referenz heißt ref_image_0.

{
  "images": ["https://example.com/your-own-mug.png"],
  "output_format": "png",
  "prompt": "In <ref_image_0>, move the mug <mug_1> to the left. Preserve the mug's handle and the plain background. [{\"id\":\"mug_1\",\"from\":\"ref_image_0\",\"src_bbox\":[200,300,850,700],\"tgt_bbox\":[200,80,850,480],\"desc\":\"The same plain ceramic mug with its handle visible\"}]"
}

from benennt die Referenz, src_bbox ihren ursprünglichen Bereich und tgt_bbox die gewünschte Zielposition. Bei einem detaillierteren Erhaltungsplan kannst du weitere Zeilen für andere Elemente ergänzen. Die separate boxes.json der lokalen Referenz-CLI verwendet dagegen Koordinaten von 0 bis 1. Übertrage die API-Werte von 0 bis 1000 nicht in diese Datei. Syntax für gehostete Bearbeitung, lokales Box-Format

Betrachte einen Rahmen nicht als Garantie dafür, dass außerhalb davon alles unverändert bleibt. Die Dokumentation des Roh-Checkpoints warnt, dass Bearbeitungen auch andere Bereiche betreffen und Elemente über den Rahmen hinausreichen können. Der gehostete Bearbeitungsweg von BFL enthält außerdem eine Pixelwiederherstellung; dieses Dienstmerkmal darf nicht stillschweigend jeder lokalen Pipeline zugeschrieben werden. Prüfe die konkrete Implementierung. Einschränkungen des Checkpoints

Bei Drucksachen oder Kundenaufträgen legst du alte und neue Version im Bildeditor übereinander. Wurde das Objekt erfolgreich verschoben, aber der Verpackungstext verändert, ist die Kompositionsaufgabe gelungen, während der Erhalt des Assets misslang. Das sind unterschiedliche Bewertungen. Wenn du sie trennst, wird die nächste Iteration deutlich einfacher.

Eine API-Anfrage startet einen Auftrag, sie liefert noch keine fertige Datei

Entwickler können eine Bildanfrage an den dokumentierten Endpunkt senden. Lege BFL_API_KEY in einem macOS- oder Linux-Terminal vertraulich als Umgebungsvariable fest und verwende dann dieses kleine Beispiel. Es können Dienstkosten entstehen; speichere den Schlüssel weder in einem öffentlichen Repository noch in einem Browser-Bundle.

curl --fail-with-body --request POST \
  --url https://api.bfl.ai/v1/flux-3-image-klein \
  --header "x-key: $BFL_API_KEY" \
  --header "Content-Type: application/json" \
  --data '{"prompt":"A simple studio photograph of a plain ceramic mug on a pale green surface","aspect_ratio":"16:9","output_format":"png"}' \
  --output bfl-job.json

Unter Windows PowerShell verwendest du denselben Endpunkt mit nativer JSON-Serialisierung:

$body = @{
    prompt = "A simple studio photograph of a plain ceramic mug on a pale green surface"
    aspect_ratio = "16:9"
    output_format = "png"
} | ConvertTo-Json
$job = Invoke-RestMethod -Method Post `
    -Uri "https://api.bfl.ai/v1/flux-3-image-klein" `
    -Headers @{ "x-key" = $env:BFL_API_KEY } `
    -ContentType "application/json" -Body $body
$job | ConvertTo-Json -Depth 10 | Set-Content -Encoding utf8 bfl-job.json

Wähle eine der beiden Einreichungsmethoden. Beide speichern den angenommenen Auftrag in bfl-job.json; keine lädt das Ergebnis herunter. Speichere das folgende Python-Skript aus der Standardbibliothek als poll_result.py im selben Ordner. Lass BFL_API_KEY für den Prozess verfügbar und führe unter Windows python poll_result.py, unter macOS oder Linux python3 poll_result.py aus. Das Skript fragt den bestehenden Auftrag ab und speichert result.png, ohne eine weitere Generierung einzureichen.

import json
import os
from pathlib import Path
import time
from urllib.parse import urlparse
from urllib.request import Request, urlopen

job = json.loads(Path("bfl-job.json").read_text(encoding="utf-8-sig"))
polling_url = job["polling_url"]
parsed = urlparse(polling_url)
if parsed.scheme != "https" or not (parsed.hostname or "").endswith(".bfl.ai"):
    raise ValueError("Unexpected polling host; inspect the saved job")
headers = {"x-key": os.environ["BFL_API_KEY"]}
deadline = time.monotonic() + 600

while time.monotonic() < deadline:
    with urlopen(Request(polling_url, headers=headers), timeout=60) as reply:
        result = json.load(reply)
    status = result["status"]
    print(job["id"], status)
    if status == "Ready":
        sample = result["result"]["sample"]
        if urlparse(sample).scheme != "https":
            raise ValueError("Unexpected result URL")
        with urlopen(sample, timeout=120) as image:
            Path("result.png").write_bytes(image.read())
        print("Saved result.png; inspect it before accepting the asset")
        break
    if status not in {"Pending", "Reasoning", "Generating"}:
        raise RuntimeError(f"Job stopped: {status}; keep bfl-job.json")
    time.sleep(1.5)
else:
    raise TimeoutError("Keep bfl-job.json and resume polling this job later")

Die Ergebnis-API unterscheidet laufende, fertige, moderierte und fehlerhafte Aufträge. Unterbricht ein Netzwerkfehler das Skript, behalte die Auftragsdatei und starte nur das Abfrageskript erneut, nicht die Einreichung. Prüfe eine unklare Antwort auf die Einreichung, bevor du es erneut versuchst: Eine verlorene Antwort beweist nicht, dass der kostenpflichtige Auftrag abgelehnt wurde. Anfrageschema

Eine brauchbare Anwendung verwaltet drei Datensätze: das Quell-Asset, den Generierungsauftrag und das akzeptierte Ergebnis. Auch nach Ablehnung einer Überarbeitung sollte das Original erneut zugänglich sein. Das ist wertvoller als eine Schaltfläche, die alle Zwischenschritte verbirgt und eine unerklärliche neue JPEG-Datei produziert.

Bei der lokalen Installation zählt das gesamte Speicherbudget

Die Bezeichnung 5,6B von Klein bezieht sich auf den Bildtransformer, nicht auf alle Komponenten des Workflows. Auch Text-Encoder, Bild-Autoencoder, Prompt-Upsampler, Aktivierungen und Referenzbild-Tokens benötigen Ressourcen. Referenz-CLI, Demo und Python-API aktivieren den Upsampler standardmäßig; BFL weist ausdrücklich an, ihn aktiviert zu lassen, sofern du keine bereits vorbereitete Bildunterschrift im Upsampler-Stil bereitstellst. Die Größe einer Gewichtedatei ist daher kein verlässlicher Schätzwert für den gesamten VRAM-Bedarf. Dieselbe Unterscheidung ist wichtig, wenn du große lokale Sprachmodelle bewertest. Referenzimplementierung

BFL bewirbt optimierte Wege für Consumer-GPUs, darunter eine INT8-Konfiguration für eine 8-GB-Karte. Die Modellkarte des Referenzcodes nennt für andere Konfigurationen deutlich höhere Spitzenwerte. Das sind unterschiedliche Rezepte; keines beschreibt einen universellen Mindestbedarf für jede Oberfläche, Auflösung und Referenzanzahl. Notiere Laufzeitumgebung, Genauigkeit, Bildgröße und Offloading-Regel zusammen mit jeder Speicherangabe. Hardwarebeispiele der Veröffentlichung, Hardwaredetails des Referenzcodes

Originale Ressourcenübersicht, kein Benchmark. Komponentengrößen und Laufzeitspitzen variieren je nach Rezept.

Unter Windows mit einer unterstützten NVIDIA-GPU beginnst du mit der aktuellen ComfyUI-Integration oder der von BFL empfohlenen Laufzeitumgebung. Prüfe, dass es sich um den konkreten FLUX-3-Workflow handelt und nicht um eine FLUX-2-Vorlage mit ähnlich klingendem Namen. Ein erfolgreicher Modelldownload beweist nicht, dass Custom Nodes, quantisierte Kernel und Text-Encoder kompatibel sind.

Unter Linux bieten das Referenz-Repository und der Diffusers-Integrationsleitfaden Wege für Entwickler. Die folgende Referenzinstallation richtet sich nach dem dokumentierten CUDA-13-Rezept, das der Herausgeber auf einer B200 getestet hat, nicht nach einem Rezept für eine 8-GB-Karte. Unter Windows brauchst du eine kompatible Linux-/WSL-Umgebung für diese Bash-Befehle. Prüfe zuerst Treiberkompatibilität und den Gesamtbedarf an Speicher.

1. Installiere Git und Python 3.12 und richte anschließend eine isolierte Umgebung ein:

git clone https://github.com/black-forest-labs/flux-3-image-klein.git
cd flux-3-image-klein
python3.12 -m venv .venv
source .venv/bin/activate
python -m pip install -e . --extra-index-url https://download.pytorch.org/whl/cu130

2. Akzeptiere die Bedingungen des Checkpoints in deinem eigenen Hugging-Face-Konto, melde dich mit hf auth login an und lade das dokumentierte distillierte Bundle herunter. Das Referenz-README veranschlagt etwa 52 GB Speicherplatz für dieses Modell, den Upsampler und den Sicherheitsklassifikator; Speicherplatz auf dem Laufwerk ist kein VRAM.

hf download black-forest-labs/flux-3-image-klein --local-dir weights/flux-3-image-klein --exclude 'variants/*'
hf download black-forest-labs/flux-3-image-klein-pup --local-dir weights/pup
hf download Falconsai/nsfw_image_detection --local-dir weights/nsfw-classifier

3. Führe eine Generierung mit aktiviertem Prompt-Upsampling aus und prüfe out.png sowie die zugehörige Einstellungs-JSON:

python scripts/cli.py "A plain ceramic mug on a pale green studio surface" --model distilled --out out.png --seed 7

4. Für eine Browseroberfläche auf deinem Rechner startest du python scripts/app.py, öffnest http://127.0.0.1:7860, wählst Edit, fügst ein eigenes Ausgangsbild hinzu und gibst eine einzelne gewünschte Änderung ein. Layout ist der separate Tab zum Zeichnen der Rahmen. Binde die App nur an Loopback; aktiviere für private Inhalte nicht die Option zur öffentlichen Freigabe. Referenzeinrichtung und Demo

Ergänze Quantisierung oder CPU-Offloading erst, wenn die Basis funktioniert. Bei einer 8-GB-GPU folgst du den separaten ComfyUI-Dateien und Anweisungen, nicht den Speicherannahmen des vollständigen Referenzcodes.

Auf einem Mac bleiben Browser und API unkomplizierte Optionen. Übertrage CUDA-Installationsbefehle und NVIDIA-Geschwindigkeitsangaben nicht auf Apple Silicon. Ein lokaler Weg erfordert eine kompatible Metal-/MPS-Implementierung und genügend gemeinsamen Speicher für alle Komponenten; ein allgemeines Bibliotheksbeispiel mit mps beweist nicht, dass jeder quantisierte Pfad funktioniert. Intel-Macs sind ein eigener Hardwarefall und nicht einfach eine andere Bezeichnung für Apple Silicon.

Ein längerer Prompt hilft, wenn er Mehrdeutigkeit beseitigt

Die Referenzimplementierung erweitert eine kurze Anweisung vor der Bildgenerierung zu einer ausführlichen Szenenbeschreibung. Dieses Prompt-Upsampling ist ein eigener Sprachmodellschritt, der in Referenz-CLI, Demo und Python-API standardmäßig aktiviert ist. Auch die aktuelle README des Referenzcodes verweist auf eine Diffusers-Pipeline, die das Upsampling bei jeder Anfrage ausführt. Behalte dieses Verhalten bei, statt einen kurzen, unbearbeiteten Prompt als gleichwertig zu behandeln. Prompt-Vorbereitung

Wenn Upsampler und Bildmodell nicht gleichzeitig in den Speicher passen, kann das Referenzrezept zunächst das Upsampling ausführen und die vorbereitete Bildunterschrift an die Generierung übergeben. Ein externes Vision-Language-Modell kann die Beschreibung ebenfalls anhand der veröffentlichten System-Prompts vorbereiten. Nur eine bereits vorbereitete Beschreibung gehört hinter --no-pup; der Schalter ist keine kostenlose Speicheroptimierung für eine nicht erweiterte Einzeilenanweisung. Upsampling und gehostete Pixelwiederherstellung sind unterschiedliche Funktionen. Dass die eine erhalten bleibt, belegt nicht, dass eine andere Laufzeit auch die andere umfasst.

Beschreibe Motiv, Hintergrund, Beleuchtung und gewünschte Änderung zunächst in normaler Sprache, bevor du Fachsyntax hinzufügst. „Mach es professionell“ lässt fast alles offen. „Erhalte Tasse und Henkel, verwende einen schlichten Hintergrund und lass das rechte Drittel frei“ gibt dem System weniger widersprüchliche Ziele. Mehr Adjektive ergeben nicht automatisch bessere Anweisungen.

Für einen zweiten Anwendungsfall erstellst du eine Serie von Illustrationen für Artikel. Lass Farbpalette und Motivbeschreibung gleich, während du die Komposition für ein breites Headerbild und ein quadratisches Social-Media-Bild anpasst. Prüfe, ob das Objekt in beiden Formaten konsistent bleibt; gehe nicht davon aus, dass ein erfolgreiches Seitenverhältnis perfekt übertragbar ist.

Als dritten Fall kannst du Verpackungsentwürfe intern vergleichen. Verwende fiktive oder freigegebene Etiketten und kennzeichne die Ergebnisse als Konzepte. Ein attraktives Rendering belegt weder Herstellbarkeit noch korrekte Farbwiedergabe noch das Recht, das Abbild einer fotografierten Person zu verwenden. Auch nach der Generierung muss ein Produktionsdesign geprüft werden.

Kalkuliere ein fertiges Asset, nicht nur eine gelungene Anfrage

Die Startankündigung nennt API-Preise ab 0,009 US-Dollar pro 1K-Bild, Stand 15. Oktober. Dieser Einstiegspreis gilt nicht automatisch für jede Auflösung oder jeden Workflow. Prüfe aktuelle BFL-Preise, Kontobelastungen und Anfrageregeln, bevor du eine Kampagne kalkulierst.

Zähle für dein Budget die Versuche pro angenommenem Asset. Dauert eine Aufgabe fünf Überarbeitungen, sind diese fünf Versuche sowie Prüf- und Nachbearbeitungszeit die relevante Einheit. Beim lokalen Betrieb werden manche Dienstkosten durch Hardware, Strom, Speicher und Wartung ersetzt; die Ergebnisse müssen trotzdem geprüft werden.

Offene Gewichte bedeuten außerdem nicht uneingeschränkte kommerzielle Rechte. Die FLUX-Kommunity-Lizenz unterscheidet zwischen nichtkommerzieller Nutzung, qualifizierender kommerzieller Ergebnisgenerierung und anderen kommerziellen Aktivitäten. Umsatzschwellen, verbundene Unternehmen, Weitergabe des Modells und Trainingsnutzung musst du jeweils gesondert prüfen. Rechte an einem Eingabefoto, einer Marke oder einer Person sind unabhängig von der Modelllizenz zu betrachten.

Wenn eine Bearbeitung misslingt, grenze den Fehler ein

Was solltest du vor deinem zweiten Projekt wissen?

Ist FLUX 3 Image Klein ein Ersatz für Photoshop?

Es ist ein Generierungs- und Bearbeitungsmodell mit mehreren Ausführungswegen, keine vollständige, ebenenbasierte Produktionsanwendung. Es kann Assets erstellen oder überarbeiten; Auswahlwerkzeuge, präzise Typografie, Farbmanagement, Versionierung und Auslieferung können weiterhin in deinen Editor gehören.

Kann ich koreanischen Text eingeben und exakte Schrift erwarten?

Teste deinen tatsächlichen Text in der Ausgabegröße. Die Modellkarte warnt, dass gerenderter Text ungenau oder verzerrt sein kann. Eine lesbare englische Demo ist kein Beleg für zuverlässigen koreanischen Satz. Wenn möglich, behalte den exakten Wortlaut als bearbeitbaren Text.

Bleibt bei lokaler Inferenz der ganze Ablauf offline?

Nur, wenn du es bewusst so eingerichtet hast. Erste Downloads, entfernte Prompt-Erweiterung, externe Nodes und Telemetrie können Netzwerkverkehr verursachen. Prüfe den vollständigen Workflow, nicht nur den Standort des Bildtransformers.

Welchen Checkpoint sollte ein Einsteiger wählen?

Beginne mit dem dokumentierten distillierten Generierungspfad. Der Basis-Checkpoint ist für Anpassung und Forschung gedacht. Sobald du eine Aufgabe zuverlässig beherrschst, vergleiche Alternativen mit denselben Eingaben, statt Modell, Prompt und Auflösung gleichzeitig zu verändern.

Der entscheidende Fortschritt ist eine Überarbeitung, der du vertrauen kannst

Unserer Ansicht nach wird Bild-KI nützlicher, wenn sie mehr Kontrolle über Überarbeitungen gibt und nicht bloß eine größere Galerie an Überraschungen. FLUX 3 Image Klein ist interessant, weil Referenzen, Layouts und mehrere Bereitstellungswege diese Kontrolle näher an den normalen Arbeitsalltag bringen. Die verbleibende Aufgabe ist, Original, gewünschte Änderung und Abnahmekriterien sichtbar zu halten.

Beginne mit einem Bild und einer gezielten Bearbeitung. Ein Ablauf, der zuverlässig ein freigegebenes Asset hervorbringt, ist wertvoller als ein schnelles Modell, bei dem du raten musst, was sich geändert hat.

Quellen und Medien

Geprüft am 18. Oktober 2026. Produktfunktionen und Leistungsangaben stammen von den verlinkten Herausgebern; es wird weder ein lokaler Benchmark noch eine kostenpflichtige Generierung behauptet. Die drei Diagramme sind eigene erklärende Grafiken. Beispiele findest du in BFLs offizieller Ergebnissammlung und der offiziellen interaktiven Demo; diese Drittanbieterbilder werden hier nicht erneut veröffentlicht.

• BFL-Ankündigung vom 15. Oktober
• Checkpoint, Einschränkungen und lokale Rezepte
• Diffusers-Integration und Workflow-Beispiele, 15. Oktober
• BFL-API-Anfrageschema
• FLUX-Kommunity-Lizenz

Halte deine Experimente so fest, dass du sie wiederverwenden kannst

Bewahre Quelllinks, Prompts, Einstellungen und Prüfnotizen zusammen auf, statt nur das endgültige Bild zu speichern. Telli.sh hilft dir, solche Recherchenotizen zu organisieren; es ist keine Bildgenerierungsintegration. Erstelle ein Telli.sh-Konto