FLUX.1 Kontext [pro] war Black Forest Labs' erster Beitrag zur Kontext-Suite, veröffentlicht am 29. Mai 2025 als, in den eigenen Worten des Herstellers, „ein Pionier für schnelle, iterative Bildbearbeitung". Während der Basis-Endpoint Kontext [pro] ein einzelnes Bild anhand einer Textanweisung bearbeitet, akzeptiert diese Multi-Image-Variante mehrere Referenzbilder gleichzeitig — etwa das Kombinieren eines Elements aus einem Foto mit der Szene eines anderen, zum Beispiel das Setzen eines Objekts aus Bild A in Bild B — in einem einzigen Generierungsdurchgang statt einer Kette separater Bearbeitungen.
Wo es glänzt
Geschwindigkeit ist das prägende, vom Single-Image-Endpoint übernommene Merkmal: Black Forest Labs hat Kontext [pro] für schnelle, iterative Workflows gebaut, bei denen ein Nutzer (oder eine automatisierte Pipeline) zügig durch Varianten geht, statt auf einen einzigen teuren Durchgang mit hoher Bildtreue zu warten. Auf mehrere Bilder ausgeweitet macht das es zu einer sinnvollen Wahl für Workflows, die schnell mehrere unterschiedliche Kombinationen von Quellbildern ausprobieren müssen — den Wechsel, welche Referenz den Hintergrund, das Motiv oder ein Accessoire liefert — bevor man sich auf ein endgültiges Composite festlegt. Charakter- und Objektkonsistenz über Szenen hinweg ist eine von Black Forest Labs hervorgehobene Stärke der gesamten Suite: Ein Referenzgesicht oder -objekt bleibt über Bearbeitungen hinweg meist erkennbar, statt zu driften.
Wo es an Grenzen stößt
Dies ist das schnellere Tier, nicht das mit der höchsten Bildtreue — Black Forest Labs positioniert [max] gezielt darüber, für stärkere Prompt-Befolgung und Typografie, sodass dichter Text im Bild und präzise Anweisungsbefolgung eher einen zweiten Durchgang oder den Wechsel zu [max] benötigen. Wie bei jeder Multi-Image-Compositing-Aufgabe ist Unklarheit darüber, welche Referenz welches Element liefert, der Hauptfehlermodus: Ein Prompt, der jedem Eingabebild keine explizite Rolle zuweist, lässt das Modell raten, und mit mehreren Bildern im Spiel ist diese Vermutung eher falsch als bei der Bearbeitung eines einzelnen Bildes. Dies ist laut Black Forest Labs' eigener Beschreibung zudem eine explizit experimentelle Multi-Image-Konfiguration, behandeln Sie Ausgaben also eher als prüfungsbedürftig statt beim ersten Versuch produktionsreif.
Hinweise zum Prompting
Benennen Sie die Rolle jedes Quellbilds direkt im Prompt, statt sich auf die Upload-Reihenfolge zu verlassen — „verwende das Outfit aus dem ersten Bild für die Person im zweiten Bild" liefert zuverlässigere Ergebnisse als eine Anweisung, die davon ausgeht, dass das Modell ableitet, welches Bild welches ist. Da das Tier auf Iteration ausgelegt ist, konvergieren kurze Prompt-und-Neugenerierungs-Zyklen hier meist schneller, als zu versuchen, einen einzigen langen, vollständig spezifizierten Prompt gleich im ersten Versuch exakt richtig zu treffen.
Wann Sie es wählen
Wählen Sie das [pro]-Multi-Image-Tier, wenn die Aufgabe iterativ ist — Compositing-Tests, schnelle kreative Exploration über mehrere Referenzaufnahmen hinweg, hochvolumige Workflows, bei denen eine etwas geringere Bildtreue-Obergrenze ein akzeptabler Tausch für Geschwindigkeit ist. Wechseln Sie zum [max]-Multi-Image-Tier, wenn eine bestimmte Ausgabe gleich beim ersten Mal stimmen muss, besonders wenn Text im Bild oder enge Prompt-Befolgung wichtig sind.
Rechte und Lizenzierung
[pro] ist ausschließlich über die API von Black Forest Labs und kommerzielle Partner verfügbar; es ist kein Open-Weight-Modell. Das Open-Weight-Geschwistermodell in der Familie, FLUX.1 Kontext [dev], erscheint unter der FLUX.1 Non-Commercial License und enthält diese Multi-Image-Verarbeitungsfähigkeit nicht.
Alternativen im Vergleich
Für einheitliche Single-Image-Generierung und -Bearbeitung ohne Multi-Referenz-Bedarf bietet gpt-image-1 Generierung, Inpainting und Bearbeitung über einen Endpoint. gemini-2.5-flash-image ist eine vergleichbar schnelle, iterationsfreundliche Alternative eines anderen Anbieters für Teams, die die Ökosystem-Passung abwägen.
Letzte technische Überprüfung: 2026-09-14 — Tokonomix.ai