ETCHR-FLUX.2-klein-9B与DiffSynth-Studio集成打造专业级图像编辑工作流ETCHR-FLUX.2-klein-9B是一款基于FLUX.2-klein-base-9B构建的新型问题条件化、推理感知图像编辑器旨在作为多模态大型语言模型MLLMs的解耦视觉推理助手。通过将专业图像编辑器与下游理解模型分离ETCHR有效解决了纯文本思维链在细粒度聚焦或复杂空间转换中存在的关键瓶颈。 为什么选择ETCHR-FLUX.2-klein-9B 解耦即插即用架构ETCHR作为独立模块运行能够协助各种下游MLLMs如Qwen3-VL-8B、Gemini-3.1-Flash-Lite或Kimi K2.5无需对理解模型本身进行任何特定任务的微调。这种灵活性使其成为各类视觉推理任务的理想选择。 自然反射式工作流引入了编辑-验证-推理Edit-Verify-Reason推理机制理解模型会过滤掉噪声或有缺陷的编辑当验证失败时安全地恢复到原始图像。这一创新流程显著提升了编辑结果的可靠性和准确性。 与DiffSynth-Studio无缝集成ETCHR-FLUX.2-klein-9B的开发基于DiffSynth-Studio这一优秀的扩散模型训练代码库。这种深度集成为用户带来了以下优势简化的训练流程借助DiffSynth-Studio成熟的训练框架开发者可以更轻松地对ETCHR模型进行微调以适应特定的图像编辑需求。丰富的编辑功能结合DiffSynth-Studio的多样化扩散模型工具集ETCHR能够支持从细粒度感知到复杂3D空间理解的广泛编辑任务。优化的性能表现通过DiffSynth-Studio的高效实现ETCHR在保持高质量编辑效果的同时实现了更快的推理速度。 显著提升的性能表现在五大任务家族细粒度感知、图表理解、逻辑推理、拼图恢复和3D理解的评估中ETCHR在所有评估的基础模型上均实现了Pass1准确率的显著提升从图表中可以清晰看到在Qwen3-VL-8B、Gemini-3.1-Flash-Lite和Kimi K2.5等主流模型上集成ETCHR后平均性能提升分别达到5.47、5.55和4.61个百分点充分证明了ETCHR在增强视觉推理能力方面的有效性。️ 快速开始指南环境准备git clone https://gitcode.com/InternLM/ETCHR-FLUX.2-klein-9B conda create -n ETCHR python3.11 conda activate ETCHR cd RL/Pref-GRPO bash env_setup.sh fastvideo pip install vllm0.11.0 pip install qwen-vl-utils0.0.14启动评估为理解模型启动VLLM服务器例如Qwen3-VL-8B、Kimi K2.5等cd Evaluation bash launch_vllm.sh在任何理解模型上运行ETCHRpython inference_dl3dv.py 应用案例展示ETCHR能够协助完成广泛的理解任务包括但不限于3D空间理解精确识别和编辑3D场景中的元素关系拼图恢复智能识别并修复混乱的拼图图像迷宫导航分析迷宫结构并找出最优路径图表推理从复杂图表中提取关键数据和趋势这些功能通过与DiffSynth-Studio的集成得到进一步增强为专业图像编辑工作流提供了强大支持。 许可信息本项目基于FLUX.2-klein-base-9B构建请遵循FLUX非商业许可协议。详细信息请参见项目根目录下的LICENSE文件。 致谢特别感谢DiffSynth-Studio和Pref-GRPO项目提供的优秀代码库为本项目的开发奠定了坚实基础。创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考