So funktioniert FLUX2 Mehrbild-Referenz

Eine der hartnäckigsten Frustrationen bei der KI-Bildgenerierung ist die Inkonsistenz von Charakteren. Wenn Sie dieselbe Person in zehn verschiedenen Szenen generieren, erhalten Sie zehn leicht unterschiedliche Personen – andere Kinnlinien, wechselnde Haarfarben, unpassende Kleidung. Das Multi-Image-Referenzsystem von FLUX2 ändert dies grundlegend, indem es Ihnen ermöglicht, mehrere Fotos desselben Motivs gleichzeitig in den Generierungsprozess einzuspeisen und so die visuelle Identität über jede Ausgabe hinweg zu verankern.

Diese Anleitung erklärt, wie der Mechanismus auf technischer Ebene funktioniert, was erforderlich ist, um ihn auf Ihrer eigenen GPU mit Tools wie Promptus auszuführen, und wie Sie von der ersten Generierung an konsistente Ergebnisse erzielen.

Das Problem der Charakterkonsistenz bei der KI-Bildgenerierung

Diffusionsmodelle generieren Bilder durch die iterative Rauschentfernung (Denoising) von zufälligem Rauschen – ein Prozess, der von Natur aus stochastisch ist. Ohne starke Konditionierung beginnt jede Generierung von vorn. Das ist der Grund, warum Ihre KI-Charaktere von Bild zu Bild leicht (oder drastisch) anders aussehen.

Der Behelfsansatz mit einer einzelnen Referenz – bei dem ein einziges Foto Ihres Charakters als Stil- oder Identitätsreferenz mittels IP-Adapter eingespeist wird – hilft zwar, löst das Problem jedoch nicht. Ein einzelnes Bild liefert dem Modell nur einen Blickwinkel, eine Lichtsituation, einen Gesichtsausdruck. Das Modell interpoliert den Rest, und genau bei dieser Interpolation schleichen sich Identitätsabweichungen ein.

Dieses Problem betrifft besonders kritisch:

• Comic- und Storyboard-Künstler, die denselben Protagonisten über Dutzende von Panels hinweg benötigen
• Spieldesigner, die Character Sheets und Concept Art erstellen
• Produktfotografen, die dasselbe Produkt in verschiedenen Lifestyle-Kontexten platzieren möchten
• Videoproduzenten, die eine visuelle Kontinuität von Frame zu Frame benötigen

Bisherige Ansätze erforderten entweder ein LoRA-Feintuning (was Stunden an Training pro Charakter in Anspruch nimmt) oder den IP-Adapter (der nur mit einer einzigen Referenz arbeitet und begrenzte Konsistenz liefert). Die FLUX2 Multi-Image-Referenz löst beide Einschränkungen direkt – sie funktioniert sofort, erfordert kein Training und greift gleichzeitig auf mehrere Referenzansichten zurück.

Was ist die FLUX2 Multi-Image-Referenz – und wie funktioniert sie genau?

Die FLUX2 Multi-Image-Referenz funktioniert, indem sie mehrere Fotos desselben Motivs kodiert und diese kombinierten visuellen Informationen während der Generierung in die Attention-Layers des Modells einspeist. Das Modell baut eine reichhaltigere, mehrdimensionale interne Repräsentation des Motivs auf, noch bevor ein einziger Pixel gerendert wird, was die Identitätsabweichungen über verschiedene Szenen hinweg drastisch reduziert.

Die technische Grundlage ist die hybride Architektur von FLUX.2, die von Black Forest Labs im November 2025 veröffentlicht wurde. Im Gegensatz zu FLUX.1, das zwei separate Text-Encoder nutzte, verbindet FLUX.2 ein Mistral-3 24B Vision-Language-Modell (VLM) mit einem Rectified Flow Transformer. Das VLM verarbeitet sowohl Text- als auch Bildeingaben – einschließlich aller Referenzbilder gleichzeitig – und sorgt für ein reales kontextuelles Verständnis. Der Rectified Flow Transformer übernimmt anschließend die räumlichen Beziehungen, Materialeigenschaften und die Kompositionslogik, um dieses Verständnis in gerenderte Pixel umzusetzen.

Da die Mistral-3-Basis ein echtes Vision-Language-Modell ist, das im großen Stil mit verschachtelten Text- und Bilddaten trainiert wurde, kann es mehrere Referenzbilder nativ verarbeiten – ohne externe Adaptermodule. Alle Referenzbilder werden in dieselbe multimodale Attention-Pipeline eingespeist und zusammen statt nacheinander verarbeitet. Das Ergebnis ist ein Konditionierungssignal, das das Motiv aus mehreren Blickwinkeln und Lichtverhältnissen gleichzeitig kodiert. Dies verleiht dem Transformer ein weitaus vollständigeres „mentales Modell“ vom Aussehen des Motivs, bevor die Generierung überhaupt beginnt.

FLUX.2 unterstützt bis zu 10 Referenzbilder in einer einzigen Generierung. Der praktisch effektivste Bereich für Charakterkonsistenz liegt bei 4–6 Bildern: Unter 3 Bildern verfügt das Modell über unzureichende Informationen zu Winkeln und Lichtverhältnissen; über 8 Bildern bieten zusätzliche Referenzen abnehmende Erträge (Diminishing Returns) und erhöhen den VRAM-Verbrauch, ohne die Konsistenz spürbar zu verbessern.

Die Referenzstärke (Reference Strength) steuert, wie stark sich die Ausgabe an die Identität der Referenz hält im Vergleich dazu, wie sehr sie auf den Szenen-Prompt reagiert. Ein Wert von 0.7 ist der empfohlene Ausgangspunkt für die meisten Arbeiten zur Charakterkonsistenz, wobei der praktikable Bereich zwischen 0.6 und 0.8 liegt. Unter 0.5 kehren Identitätsabweichungen zurück. Über 0.9 wird die kompositorische Freiheit stark eingeschränkt.

FLUX2 Multi-Image-Referenz vs. FLUX Kontext – Was ist der Unterschied?

Viele Nutzer, die nach der FLUX2 Multi-Image-Referenz suchen, meinen eigentlich FLUX Kontext. Die beiden Begriffe lassen sich leicht verwechseln, es handelt sich jedoch um unterschiedliche Werkzeuge, die für verschiedene Aufgaben entwickelt wurden.

FLUX.1 Kontext (Anfang 2025 von Black Forest Labs veröffentlicht) ist ein kontextsensitives Modell zur Bildbearbeitung. Der primäre Anwendungsfall besteht darin, präzise, lokale Änderungen an bestehenden Bildern mithilfe von natürlicher Sprache vorzunehmen – z. B. „ändere die Jacke in rot“ oder „füge eine Kaffeetasse auf dem Tisch hinzu“. Es war das erste FLUX-Modell, das Charakterkonsistenz durch In-Context-Bearbeitung ermöglichte, aber es basiert auf einem einzelnen Referenzbild und ist für die Bearbeitung statt für die Neuerstellung von Grund auf optimiert.

FLUX.2 Multi-Image-Referenz ist als native Funktion fest in die Modelle FLUX.2 Dev und Pro integriert. Sie wurde entwickelt, um neue Bilder zu generieren, die die Identität des Motivs über mehrere Ausgaben hinweg bewahren, und nicht, um ein einzelnes Bild zu bearbeiten. Die Multi-Image-Referenz ist das richtige Werkzeug, wenn Sie denselben Charakter in 12 verschiedenen Szenen benötigen; Kontext ist das richtige Werkzeug, wenn Sie eine Sache an einem bestehenden Bild ändern möchten.

Die FP8-skalierte Kontext-Safetensors-Datei (flux1-dev-kontext_fp8_scaled.safetensors) wird häufig heruntergeladen, weil sie die lokale Kontext-Bearbeitung auf Consumer-GPUs ermöglicht – sie bietet jedoch nicht die native Multi-Image-Referenzfunktion von FLUX.2. Für Multi-Image-Charakterkonsistenz benötigen Sie FLUX.2 Dev, nicht das Kontext-Modell.

Wie man die FLUX2 Multi-Image-Referenz lokal nutzt – Schritt für Schritt

Das Ausführen der FLUX2 Multi-Image-Referenz in Promptus erfordert kein Suchen nach Modelldateien auf HuggingFace oder das manuelle Platzieren von Safetensors in bestimmten Ordnern. Promptus übernimmt die Modellverwaltung automatisch. Es gibt drei Wege, um zu starten:

• Option A – Finden Sie das Modell im Playground.

  Öffnen Sie Promptus, gehen Sie im Playground zum Bereich „Models“ (Modelle) und suchen Sie nach FLUX.2 Dev. Wählen Sie es aus, und Promptus lädt das Modell und zeigt die anpassbaren Einstellungen an – es ist kein manuelles Einfügen von Dateien erforderlich.

• Option B – Starten Sie mit einem Cosytemplate.

  Gehen Sie zum Reiter „Cosytemplates“ und suchen Sie nach dem Multi-Image-Referenz-Workflow. Dies ist der schnellste Weg – der Workflow ist bereits mit dem richtigen Modell vorkonfiguriert und zeigt nur die Steuerelemente an, auf die es ankommt: Ihre Referenzbilder, die Referenzstärke und Ihren Szenen-Prompt.

• Option C – Drag-and-Drop eines Workflows im ComfyUI-Reiter.

  Wenn Sie einen Workflow vollständig anpassen möchten oder keinen finden, der Ihre Anforderungen erfüllt, bietet Promptus einen ComfyUI-Reiter, in den Sie jede Workflow-Datei direkt per Drag-and-Drop hineinziehen können. Dies ist der Pfad für fortgeschrittene Nutzer – die meisten werden ihn nicht benötigen.

Sobald Sie sich im Workflow befinden:

1. Schritt 1: Bereiten Sie Ihre Referenzbilder vor.

   Nutzen Sie idealerweise 4–6 Bilder desselben Motivs aus verschiedenen Blickwinkeln – mindestens Frontalansicht, Dreiviertelansicht und Seitenprofil. Verwenden Sie unterschiedliche Lichtverhältnisse und mindestens zwei verschiedene Gesichtsausdrücke. Achten Sie auf saubere oder einfache Hintergründe; komplexe Hintergründe mindern die Qualität der Motivkonditionierung.

2. Schritt 2: Laden Sie Ihre Referenzen hoch und stellen Sie die Stärke ein.

   Promptus zeigt die Eingabefelder für die Referenzbilder und die Regler für die Stärke auf einer einfachen visuellen Benutzeroberfläche an. Setzen Sie die Referenzstärke als Ausgangspunkt auf 0.7 – der nutzbare Bereich liegt zwischen 0.6 und 0.8. Sie können die Bilder per numerischem Index (Bild 1, Bild 2) oder über Beschreibungen in natürlicher Sprache referenzieren.

3. Schritt 3: Schreiben Sie einen szenenzentrierten Prompt und generieren Sie das Bild.

   Beschreiben Sie nicht das Aussehen des Motivs – das übernehmen die Referenzen. Beschreiben Sie stattdessen die Szene, die Umgebung, die Handlung, den Stil und das Licht: „sitting in a café, afternoon golden light, photorealistic, 85mm lens, shallow depth of field“. Falls der Charakter im Ergebnis abweicht, erhöhen Sie die Referenzstärke in Richtung 0.8. Wenn die Bildkomposition zu stark an die Posen der Referenzen gebunden wirkt, reduzieren Sie den Wert in Richtung 0.6.

Beste Ergebnisse erzielen

Die Qualität Ihrer Referenzbilder bestimmt das maximale Potenzial Ihrer Konsistenzergebnisse. Darauf kommt es wirklich an:

Best Practices für Referenzbilder

1. 4–6 Bilder sind der effektivste Bereich. Unter 3 Bildern fehlen dem Modell ausreichende Informationen über die Blickwinkel. Über 8 Bildern kommt es zu abnehmenden Erträgen und höherem VRAM-Verbrauch ohne proportionalen Qualitätsgewinn.
2. Sorgen Sie für Vielfalt bei den Blickwinkeln. Frontalansicht, Dreiviertelansicht und Seitenprofil sind das Minimum. Das Modell baut sein Verständnis für die dreidimensionale Form des Motivs aus 2D-Eingaben auf – fehlende Winkel führen zu Interpolationen, wodurch Abweichungen beginnen.
3. Variieren Sie die Beleuchtung. Nutzen Sie mindestens ein Bild mit neutraler Beleuchtung und eines mit direktionalem Licht. Ohne unterschiedliche Lichtverhältnisse kann es vorkommen, dass das Modell eine bestimmte Lichtsituation als Teil der Identität des Charakters interpretiert.
4. Variieren Sie den Gesichtsausdruck. Für eine konsistente Frontalansicht sollten Sie mindestens zwei verschiedene Gesichtsausdrücke einbeziehen. Wenn ein Modell nur mit identischen Ausdrücken konditioniert wird, friert es diesen Ausdruck ein.
5. Nutzen Sie saubere Hintergründe. Referenzen mit komplexen Hintergründen erschweren es dem Modell, das Motiv zu isolieren. Einfarbige oder unscharfe Hintergründe verbessern die Qualität der Konditionierung.
6. Mindestens 512×512, idealerweise 1024×1024 Pixel. Referenzbilder mit geringerer Auflösung führen zu einer ungenaueren Konsistenz – dem Modell steht schlichtweg weniger visuelle Information zur Verfügung.

Die Prompt-Formel für die Multi-Image-Referenz

Das Grundprinzip lautet: Referenzen bestimmen das Wer, Prompts bestimmen das Wo, Wann und Wie.

• Beschreiben Sie nicht das Aussehen des Motivs – genau dafür sind die Referenzen da
• Beschreiben Sie stattdessen die Szene, die Umgebung, die Handlung, die Beleuchtung, den Stil, den Kamerawinkel und die Stimmung
• Eine Referenzstärke von 0.6–0.8 ist der optimale Arbeitsbereich. Werte unter 0.5 führen zu Abweichungen. Werte über 0.9 schränken die kompositorische Freiheit ein
• Modifikatoren zur Prompt-Gewichtung wie flux2dev und high fidelity können die Beibehaltung von Merkmalen verbessern

Hardware-Anforderungen — Welche GPU benötigen Sie?

Die Multi-Image-Referenz mit FLUX.2 stellt höhere Anforderungen an den VRAM als Workflows mit nur einem Bild, da mehrere Referenzbilder gleichzeitig kodiert werden müssen, bevor die Generierung beginnt. Die mit FP8 quantisierte Variante macht die Nutzung auf Consumer-Hardware jedoch möglich.

Das vollständige FP16 FLUX.2 Dev-Modell erfordert rund 64 GB VRAM — eine Konfiguration für Rechenzentren. Für den lokalen Einsatz auf Consumer-Hardware ist FP8 der praktische Standard. NVIDIAs NVFP4-Optimierung für Karten der Blackwell-Serie kann die Anforderungen weiter senken, aber FP8 bleibt der Community-Standard.

Fehlerbehebung bei häufigen Problemen

FLUX2 Multi-Image-Referenz im Vergleich zu anderen Konsistenzmethoden

Multi-Image-Referenz vs. LoRA-Feintuning: Ein LoRA erzeugt eine stärkere Identitätskonsistenz, insbesondere bei feinen Gesichtszügen. Der Nachteil ist der Zeitaufwand – das Training eines Charakter-LoRAs dauert 1–3 Stunden und erfordert einen dedizierten Trainingsdatensatz. Die Multi-Image-Referenz funktioniert hingegen sofort. Nutzen Sie ein LoRA, wenn Sie maximale Detailtreue für Hunderte von Generierungen benötigen. Nutzen Sie die Multi-Image-Referenz, wenn Sie sofort Ergebnisse brauchen.

Multi-Image-Referenz vs. Einzelbild-IP-Adapter: Der IP-Adapter arbeitet mit einem einzigen Referenzbild, weshalb ihm die Vielfalt an Blickwinkeln und Lichtverhältnissen fehlt, die Identitätsabweichungen minimiert. Die native Multi-Image-Konditionierung von FLUX.2 macht den IP-Adapter in FLUX.2-Workflows überflüssig – die Konditionierung der Referenzen wird intern und ohne externe Adaptermodule verarbeitet.

Qwen Multi-Angle-Editing vs. FLUX2 Multi-Image-Referenz: Der Multi-Angle-Ansatz von Qwen (die qwen-edit-2509 Modellfamilie) ist für das Bearbeiten eines Motivs aus mehreren Blickwinkeln konzipiert, um konsistente Ansichten eines bestehenden Objekts zu generieren. Die FLUX2 Multi-Image-Referenz dient dagegen dazu, komplett neue Bilder zu generieren, die die Identität eines Motivs in völlig neuen Szenen bewahren. Beide Methoden ergänzen sich und stehen nicht in direkter Konkurrenz.

FLUX Dev vs. FLUX Schnell für die Multi-Image-Referenz: Nutzen Sie FLUX.2 Dev. Schnell ist eine auf Geschwindigkeit optimierte, destillierte Variante, die eine deutlich schwächere Referenzkonditionierung aufweist und nicht für Workflows mit mehreren Referenzen ausgelegt ist. Für jede Form von Charakterkonsistenz ist FLUX.2 Dev (oder das FP8-quantisierte Dev) die richtige Wahl.