AI 开发

2026 Flux.1 CoreML 多分辨率怎么配?固定尺寸还是预设尺寸

2026 Flux.1 CoreML 多分辨率怎么配?固定尺寸还是预设尺寸

截至 2026 年 9 月 11 日,Apple 官方文档说明 EnumeratedShapes 最多可列出 128 个输入形状,但这不代表 Flux.1 应该直接配置成宽泛动态范围。Apple Flexible Input Shapes 文档明确指出,有限形状集合更容易在设备侧完成优化。

获胜者:有限规格任务优先选预设形状;单一生产尺寸选固定形状;只有请求尺寸不可预测时,才使用有上限的范围形状,并保留 GPU 动态路径。 对 Flux.1 CoreML 多分辨率而言,最稳妥的方案不是强迫所有分辨率进入 Apple Neural Engine,而是让常用尺寸走 Core ML,让临时尺寸回退到 GPU。

这篇文章适合三类读者:需要同时支持横图、竖图和方图的 Mac 应用工程师;批量生成固定规格素材、希望减少动态形状复杂度的 AIGC 团队;正在评估 M 系列 Mac 部署环境、需要建立多机型验证矩阵的技术负责人。

最后更新于 2026 年 9 月 11 日,形状能力、计算单元和模型分析结论核实自 Apple Core ML Tools 官方文档、Apple Developer 文档及 Apple coremltools 官方发布记录。

Flux.1 CoreML 多分辨率的尺寸覆盖策略

固定形状、预设形状和范围形状解决的不是同一个问题。

固定形状只接受一个明确输入尺寸。它适合产品流程已经锁定的任务,例如批量生成统一封面、商品图或社交媒体素材。优点是图结构最简单,验收边界清楚;缺点是横图、竖图和方图通常需要分别准备路径,临时尺寸不能直接复用。

预设形状通过 EnumeratedShapes 列出一组允许的形状。例如,应用可以把经过验证的方图、横图和竖图放进同一个模型输入约束中。它比多个固定模型更容易统一调用,也比范围形状更容易让 Core ML 针对有限集合做设备侧优化。Apple 文档明确写到,枚举形状可在编译阶段针对有限输入集合优化,并且默认形状会预分配内存;非默认形状第一次执行可能更慢,后续执行会进入更稳定的状态。

有界范围形状通过 RangeDim 允许输入在最小值和最大值之间变化。它适合用户上传尺寸不可预测、编辑器允许自由裁剪,或者上游任务经常产生新宽高的场景。但范围越宽,运行时需要处理的形状越多,设备侧优化和缓存行为也越难预测。Apple 官方文档不建议在 ML Program 中使用没有正上限的 RangeDim;没有正上限时,转换可能直接失败。

因此,初筛可以直接执行:

  • 只有一个生产尺寸:选固定形状。
  • 有少量、稳定、可统计的横图、竖图和方图:选 EnumeratedShapes。
  • 尺寸来自外部请求且无法提前列全:使用有上限的 RangeDim,同时保留 GPU 动态路径。
  • 只是为了“看起来支持更多尺寸”,但实际请求只有少数规格:不要采用宽泛动态范围。

转换后的 Core ML 模型能否更换出图尺寸?
可以,但能否切换取决于模型输入是否声明了多个合法形状,以及 Flux.1 的各组件是否都接受同一组尺寸。固定形状模型不能任意切换;预设形状只能切换到列出的形状;范围形状可以在上下限内变化,但不代表每个尺寸都能保持相同的神经引擎执行路径。

横图和竖图也不必然需要分别编译。若完整图结构、输入预处理和输出后处理都能通过一致性测试,可以把两类尺寸放入同一个预设模型。若某个宽高比触发了动态 reshape、不支持算子或组件边界变化,分别编译固定模型往往更容易定位问题。

神经引擎适配与运行时图划分

Core ML 允许模型使用 CPU、GPU 和 Neural Engine,但“允许使用”不等于“整张 Flux.1 图都在 Neural Engine 上运行”。Core ML Tools 的计算单元说明指出,未指定限制时,模型可以使用设备上的可用计算单元;运行时仍会根据模型结构和硬件进行执行安排。

Apple 对动态形状的建议更接近“有限动态”,而不是“无限自由”。官方 FAQ 明确提到,固定形状模型改成灵活输入时,使用 EnumeratedShapes 更容易保持 Neural Engine 路径;如果转换过程引入完全动态的 reshape 等 Neural Engine 不支持的层,仍可能改变执行方式。(Apple Core ML Tools FAQ)

三种策略的硬件侧差异可以这样判断:

  • 固定形状:图结构最明确,最容易做静态优化。适合把一条稳定尺寸路径交给神经引擎验收。
  • 预设形状:在灵活性和可优化性之间折中。Apple 文档给出的上限是 128 个形状,但实际部署不应把上限当成推荐数量。形状越多,测试组合、缓存行为和回退排查都越复杂。
  • 范围形状:覆盖能力最强,但运行时图划分和设备侧优化更难预测。尤其当 Flux.1 组件中存在动态 reshape、未支持算子或输入尺寸传播不一致时,部分图可能交给 GPU 或 CPU。

compute_units=ALL 只是允许 Core ML 使用全部计算单元,不是强制 Neural Engine 执行。Apple 的执行文档还说明,Core ML 会把图划分成不同部分,由 Neural Engine、GPU 和 CPU 分别执行;具体精度和分区会受到硬件与系统版本影响。Typed Execution 官方说明对此有明确解释。

验收时应同时记录三件事:

  1. 模型是否成功加载。
  2. MLComputePlan 对各操作估计使用了什么设备。
  3. 实际运行时是否出现 GPU 或 CPU 回退。

Apple Developer 的 MLComputePlan 文档说明,该工具可以查看 ML Program 操作的计算设备使用情况和估算成本。此处的检查结果比单独读取 compute_units 更有价值,因为它能帮助定位哪些操作没有进入预期硬件。

这一步不能只看模型加载时的 compute_units 设置。设置只能说明允许哪些设备参与,不能证明 Flux.1 的文本编码器、主扩散组件、VAE、输入转换和输出转换全部使用同一个硬件。

编译、内存与画面一致性

多分辨率测试最容易犯的错误,是把所有等待时间合并成一次“出图耗时”。

至少要拆成四段:

  • 模型包首次编译。
  • 设备专用优化或编译后模型加载。
  • 默认形状的首次执行。
  • 非默认形状的首次执行与后续稳定执行。

Apple 文档明确说明,EnumeratedShapes 会为默认形状预分配内存,因此默认形状的首次预测可能更快;非默认形状第一次预测可能较慢,后续预测才更稳定。这意味着默认尺寸与非默认尺寸必须分开留档,不能只测一次启动到出图的总时间。

对于范围形状,还要单独记录尺寸切换后的等待位置。某个新尺寸可能在加载阶段触发准备,也可能在第一次预测时才暴露问题。若采用编译后的模型,初始化成本与预测成本也应分离;Apple Core ML 模型预测指南给出了相关模型加载方式。

内存与热表现必须覆盖完整流水线,而不是只看某个 .mlmodelc 子模型:

  • Flux.1 文本编码器、扩散组件和 VAE。
  • 输入图像缩放、归一化和张量转换。
  • Core ML 模型加载缓存。
  • GPU 回退部分占用的显存或统一内存。
  • 输出解码、格式转换和保存过程。

在没有本站同设备实测数据时,不能把某种计算单元设置直接推导成温度、功耗或内存结论。尤其是 M 系列 Mac 采用统一内存,GPU 回退、模型缓存和输出后处理可能共同影响峰值。任何“必然降温”“速度翻倍”的说法都不应写入生产方案。

画面一致性也要按尺寸验证,而不是只验证模型是否返回图片。建议为每个候选形状固定:

  • 相同提示词。
  • 相同随机种子。
  • 相同采样参数。
  • 相同输入预处理。
  • 相同输出检查规则。

检查内容包括构图是否完整、边缘是否出现异常、主体是否偏移、颜色是否明显变化,以及数值误差是否超过团队允许范围。尺寸配置、输入预处理、模型精度和计算单元路径要分开排查。出现画面差异时,不能直接归因于 Apple Neural Engine。

如果某个横图或竖图尺寸无法通过一致性验收,应回退到已经验证的固定形状路径或 GPU 路径。与其把一个不稳定的范围模型塞进所有请求,不如让常用尺寸保持 Core ML,异常尺寸走 GPU。

配置落地与上线清单

落地时不需要先把所有尺寸都转换一遍。更可靠的流程是按指标逐步缩小候选范围。

1.统计真实尺寸请求

先从生产日志、设计规范或素材导出规则中整理方图、横图和竖图的实际尺寸。把临时尺寸单独标记,不要把一次性的请求直接加入预设集合。

2.建立三组候选

为同一 Flux.1 版本准备三组候选配置:

  • 单一固定形状。
  • 只包含常用尺寸的 EnumeratedShapes。
  • 具有明确上下限的 RangeDim。

Core ML 输入输出类型文档说明,PyTorch 模型转换时需要显式提供输入形状;可变输入则应使用 EnumeratedShapes 或对应的范围定义。

3.锁定依赖与模型版本

记录 Python、PyTorch、coremltools、macOS、Xcode 以及 Flux.1 模型文件的版本。coremltools 官方仓库说明,它负责模型转换、编辑、验证,并通过 Core ML 与设备侧运行时衔接;版本更新可能改变动态形状、算子支持或编译行为。Apple coremltools 官方仓库可作为依赖记录入口。

Flux.1 模型文件和许可也应以模型发布方当前页面为准,不要把社区转换脚本的兼容性当成官方保证。Black Forest Labs 的 FLUX.1 模型集合可用于核对模型文件和版本变化。

4.分别测默认与非默认尺寸

每个形状至少保留首次执行和稳定执行记录。默认形状、横图、竖图以及临时尺寸不能混在同一条平均值中。没有本站实测数据时,只能报告测试方法,不能填写虚构的编译时间、温度、功耗或内存峰值。

5.检查设备侧计划与回退路径

使用 MLComputePlan 检查操作级设备使用情况,再通过运行日志或系统性能工具观察真实执行。若范围模型出现 GPU 或 CPU 回退,应确认是动态 reshape、算子支持、精度设置还是组件接口造成。

6.执行画面一致性验收

固定提示词、种子和采样参数,逐个形状比较画面。某一尺寸失败时,先回退到固定路径,再判断是否值得修改模型或输入预处理,而不是直接扩大动态范围。

7.把结果写成可维护的分流规则

最终配置不应只有一个“万能模型”,而应形成清晰分流:

  • 生产尺寸固定:固定形状 Core ML。
  • 产品只支持少量规格:预设形状 Core ML。
  • 请求尺寸不可预测:预设形状 Core ML 加 GPU 动态路径。
  • 某尺寸无法通过画面或稳定性验收:回退到已验证路径。

上线前可逐项勾选:

  • [ ] 已记录 Flux.1 模型文件、转换脚本和 coremltools 版本。
  • [ ] 已确定默认形状,并单独测试非默认形状。
  • [ ] 已区分允许使用 Neural Engine 与实际图划分。
  • [ ] 已记录编译、首次执行和稳定执行的不同时间点。
  • [ ] 已测完整流水线的内存峰值,而不是只测 Core ML 子模型。
  • [ ] 已对横图、竖图和方图使用相同提示词与随机种子验收。
  • [ ] 已定义 GPU 或固定形状回退条件。
  • [ ] 已确认缓存清理、模型替换和重新编译流程。
  • [ ] 已设定复测触发点:模型版本、macOS、coremltools 或转换脚本更新时重新执行尺寸矩阵。

对于批量出图的团队,固定形状通常最省维护;对于同时支持几个稳定规格的 Mac 应用,预设形状更合适;对于真正不可预测的用户尺寸,Core ML 与 GPU 双轨比强行追求全量 Neural Engine 更现实。

如果当前方案是单台本地 Mac 加一套宽泛动态模型,常见缺点是尺寸切换行为难以预测、首次执行等待不易复现、GPU 回退会改变内存峰值,而且一次本机结果很难代表其他 M 系列 Mac。形成正式采购结论前,可以先通过 ProxyMac 的帮助中心确认远程环境与使用流程,再用可按周期调整的 Mac 环境跑完固定、预设和范围三组验证;需要比较不同设备时,再查看 ProxyMac 的 Mac 方案页面。这样得到的不是“某台机器能不能跑”的单点答案,而是一套可以复测、回退和交付的 Flux.1 CoreML 多分辨率配置。

用稳定的远程 Mac 加速 Flux.1 部署验证

通过 ProxyMac 快速租用 M 系列 Mac,直接测试固定尺寸与预设尺寸方案。
按需使用远程 Mac 算力,降低本地设备在首次编译、内存占用和批量出图上的压力。