FLUX.2 Klein LoRA: como treinar, testar e usar sem confundir Base e destilado

A rota mais simples é treinar no black-forest-labs/FLUX.2-klein-base-4B com um dataset pequeno e bem legendado. Depois, carregue o arquivo .safetensors no FLUX.2-klein-4B destilado e compare o mesmo prompt, seed e resolução. A própria Black Forest Labs recomenda as variantes Base para LoRA e fine-tuning.

FLUX.2 [klein] não é FLUX.1, FLUX.1 Kontext nem FLUX.2 Pro. Um LoRA feito para outra arquitetura não deve ser presumido compatível. Confirme sempre o modelo-base indicado no card do adaptador antes de baixar, treinar ou combinar pesos.

No estado atual, o AINude possui páginas editoriais sobre Flux Klein, mas o seletor não oferece FLUX.2 Klein, treino de LoRA ou upload de .safetensors. O guia trata de fluxo externo sem fingir que a função existe no site.

Selecione imagens com pelo menos 1.024 pixels no lado maior, nitidez suficiente e qualidade consistente. Varie assunto, enquadramento, ângulo, pose, iluminação e fundo. Remova duplicatas, marcas-d'água, membros deformados, texto acidental e exemplos que contradizem o conceito.

Em LoRA de estilo, descreva o conteúdo visível e não repita o nome do estilo que deseja ensinar. Se todas as legendas dizem “pixel art”, o adaptador pode depender dessa expressão em vez de associar o visual à palavra-gatilho. Use um token raro, como VANY_BR01, de forma idêntica em todas as legendas.

Em LoRA de personagem, inclua variações suficientes para separar identidade de roupa, cenário e pose. Se a mesma pessoa aparece sempre com a mesma camiseta e no mesmo quarto, o treino tende a incorporar esses elementos à identidade. Guarde um conjunto de validação que não entra no treino.

A documentação da BFL sugere learning rate entre 8e-5 e 1e-4 para LoRA. Como faixa geral, cita 1.500 a 2.500 passos para estilo e 1.500 a 3.000 para personagem. O tutorial prático usa 1.800 passos e registra checkpoints a cada 250.

Não escolha o arquivo final apenas porque a loss ficou menor. Em um exemplo oficial de estilo, a melhor aparência costuma surgir aproximadamente entre 750 e 1.500 passos. Compare as amostras periódicas: excesso de treino pode endurecer o estilo, copiar fundos, reduzir diversidade ou distorcer identidade.

Para economizar, valide primeiro em 512 px e leve o treino final a 1.024 px quando o detalhe justificar. Esse teste em resolução menor serve para encontrar erro de dataset, legenda e gatilho; não substitui um treino final quando pele, tecido, produto ou textura são importantes.

Carregue primeiro um único adaptador. Use quatro grupos de prompt: gatilho com cenário visto, gatilho com cenário novo, mesmo prompt sem gatilho e sujeito totalmente diferente. Fixe seed, largura, altura e modelo para descobrir o que o LoRA realmente alterou.

No 4B destilado, comece com quatro passos. No Base, use a configuração de referência do pipeline e compare identidade, estilo, anatomia, texto, fundo e diversidade. A equipe da BFL relata que adaptadores treinados no Base podem funcionar melhor e mais rápido no destilado, mas seu próprio conjunto de testes é a decisão final.

A força do LoRA deve ser ajustada em uma pequena varredura. Intensidade alta demais pode deformar rosto, saturar textura ou apagar o prompt; baixa demais pode deixar o gatilho invisível. Não use o antigo intervalo inventado de 0,5 a 3,0 como regra universal: cada pipeline e adaptador pode tratar escala de forma diferente.

Organize uma pasta de referências e outra de alvos, mantendo o mesmo nome-base em cada par. A legenda descreve a instrução de mudança, como “trocar o fundo por um estúdio branco preservando o produto”, e não apenas os objetos presentes na imagem.

O tutorial da equipe BFL usa de 50 a 200 pares como faixa prática para um LoRA de edição e adiciona control_path à configuração do dataset. Se a transformação precisa aceitar diferentes maneiras de pedir a mesma coisa, distribua de cinco a dez redações equivalentes nas legendas.

Depois do treino, passe image= ao Flux2KleinPipeline, carregue o LoRA e reutilize a instrução aprendida. Avalie separadamente preservação da estrutura, identidade, fundo, cor, pose e detalhes que deveriam permanecer intactos.

Use somente personagens sintéticas e de idade inequívoca. Para um dataset adulto, exclua fotos, rostos e corpos reais, inclusive material licenciado: um LoRA pode reutilizar a identidade em contextos não previstos.

Separe conceitos como nudez artística, boudoir, lingerie e casal. Gere exemplos sintéticos diretamente no nível de cobertura desejado; não monte pares que ensinem a tirar roupa ou reconstruir um corpo real.

Exemplo não gráfico: “AINUDE_ADULT01, mulher brasileira adulta fictícia de 30 anos, boudoir com lingerie preta, suíte contemporânea, luz lateral quente, fotografia editorial”. Exemplo artístico: “AINUDE_ADULT02, casal fictício com mais de 30 anos, nudez artística, luz suave, anatomia natural”.

Para pornografia com IA, BDSM ou fetiches, declare adultos e ação sem ambiguidade. Nunca treine ou gere menor, personagem infantilizada, coerção, abuso, bestialidade, imagem íntima real ou deepfake sexual.