AIWorkflow

2026 Flux.1 CoreML mit mehreren Auflösungen: feste Größe oder voreingestellte Größen

2026 Flux.1 CoreML mit mehreren Auflösungen: feste Größe oder voreingestellte Größen

Flux.1 CoreML mit mehreren Auflösungen sollte standardmäßig nicht über einen möglichst weiten dynamischen Bereich eingerichtet werden: feste Formen gewinnen bei einer einzigen Produktionsgröße, EnumeratedShapes bei wenigen bekannten Größen, und eine begrenzte RangeDim-Form bleibt Eingaben vorbehalten, die tatsächlich nicht vorhersehbar sind. Für Flux.1 ist ein zweigleisiger Betrieb meist belastbarer: verifizierte CoreML-Pfade für häufige Größen und ein GPU-Pfad für freie oder noch nicht geprüfte Abmessungen.

Dieser Beitrag richtet sich an Mac-Anwendungsentwickler, die quadratische, horizontale und vertikale Flux.1-Ausgaben anbieten müssen. Er ist ebenso für AIGC-Teams gedacht, die viele Bilder in festen Formaten erzeugen, sowie für technische Verantwortliche, die eine Testmatrix für M-Serie-Macs planen.

Zuletzt aktualisiert am 11.09.2026; die technischen Aussagen wurden anhand der offiziellen CoreML-Dokumentation, der CoreML-Tools-Veröffentlichungen und der dokumentierten Analysefunktionen geprüft.

Größenabdeckung entscheidet über die erste Auswahl

Die drei Strategien lösen nicht dasselbe Problem. Eine feste Form beschreibt eine konkrete Tensor-Geometrie. Das Modell wird für diese Form exportiert, kompiliert und geprüft. Eine zweite Geometrie ist nicht automatisch zulässig. Ein quadratischer Produktionsworkflow bleibt dadurch eng begrenzt, erhält aber eine eindeutigere Ausführungsgrundlage.

EnumeratedShapes bildet dagegen eine endliche Liste zugelassener Formen ab. Damit können beispielsweise eine quadratische, eine horizontale und eine vertikale Arbeitsfläche in einem Modellpaket vorgesehen werden. Entscheidend ist nicht, möglichst viele Auflösungen aufzunehmen, sondern nur Größen zu deklarieren, die im Produkt tatsächlich vorkommen. Die offizielle Beschreibung der flexiblen Eingabeformen erläutert, wie CoreML solche vorab bekannten Formen behandelt und unter welchen Bedingungen sie für Optimierungen genutzt werden können: Dokumentation zu flexiblen Eingabeformen.

RangeDim beschreibt einen begrenzten Bereich. Diese Variante wirkt auf den ersten Blick am flexibelsten. Sie ist aber kein Beweis dafür, dass jede darin liegende Größe gleich gut optimiert wird. Ein weiter Bereich kann mehr Laufzeitentscheidungen, größere Prüfpfade und eine weniger vorhersehbare Geräteaufteilung bedeuten.

Formstrategie Abdeckung typischer Workflows Stärken Entscheidender Nachteil
Feste Form Eine klar definierte quadratische, horizontale oder vertikale Größe Einfacher zu testen, leichter zu versionieren, klarer Rückfallpfad Neue Geometrie erfordert ein weiteres Modell oder einen anderen Pfad
EnumeratedShapes Eine begrenzte Liste bekannter Größen und Seitenverhältnisse Gute Balance zwischen Auswahl und Vorhersagbarkeit Jede gelistete Form muss separat kompiliert und geprüft werden
Begrenztes RangeDim Eingaben innerhalb eines vorher festgelegten Bereichs Sinnvoll bei nicht planbaren, aber begrenzbaren Anforderungen Optimierung, Speicherbedarf und Ausführung können weniger stabil sein

Für die Vorauswahl gelten deshalb drei Regeln:

  • Bei einer einzelnen Liefergröße wird die feste Form gewählt.
  • Bei wenigen, regelmäßig wiederkehrenden Größen wird EnumeratedShapes bevorzugt.
  • Bei unvorhersehbaren Größen wird nur ein begrenzter Bereich erwogen, und der GPU-Rückfall bleibt Bestandteil des Designs.

Eine Galerie mit quadratischen Vorschauen, horizontalen Bannerbildern und vertikalen Mobilmotiven braucht nicht automatisch drei vollständig unabhängige Modelle. Wenn die tatsächlich verwendeten Formen bekannt sind, kann eine kleine Enumerationsliste genügen. Eine Anwendung mit frei einstellbarer Breite und Höhe sollte dagegen nicht so tun, als wären alle Eingaben gleich gut für die Apple Neural Engine geeignet.

Feste Formen und EnumeratedShapes liefern die klarere Hardwarebasis

Die Auswahl von compute_units kann CPU, GPU und Neural Engine für ein CoreML-Modell zulassen. Sie beweist jedoch nicht, dass der gesamte Flux.1-Graph auf der Apple Neural Engine läuft. Die offizielle Erklärung zu den Recheneinheiten in CoreML trennt die erlaubten Einheiten von der tatsächlichen Ausführung einzelner Modellteile.

Das ist bei Flux.1 besonders wichtig. Die Verarbeitung besteht nicht nur aus einer einzigen Matrixoperation. Eingabevorbereitung, Textverarbeitung, Denoising-Komponenten, Decoder, Konvertierungen und eventuell nicht unterstützte Operatoren können unterschiedliche Ausführungspfade erzeugen. Ein Modell kann deshalb Neural-Engine-fähige Teilgraphen enthalten und trotzdem am Ende eine gemischte Ausführung verwenden.

Eine feste Form erleichtert die Prüfung, weil Tensorformen und Speicheranforderungen weniger variieren. EnumeratedShapes kann ähnlich gut funktionieren, wenn die Liste klein bleibt. Für jede Form muss aber nachgewiesen werden, dass sie geladen, kompiliert und ausgeführt wird. Eine große Liste verschiebt den Aufwand vom Eingabedesign in die Modellverwaltung.

Bei RangeDim kommen zusätzliche Unsicherheiten hinzu:

  • Ein dynamischer reshape kann die Aufteilung des Graphen beeinflussen.
  • Ein nicht unterstützter Operator kann einen Teil des Pfades auf GPU oder CPU verschieben.
  • Unterschiedliche Komponenten können unterschiedliche Formregeln benötigen.
  • Die deklarierte Bereichsgrenze sagt nichts über eine identische Laufzeit für jede Eingabe aus.

CoreML stellt mit dem MLComputePlan und den zugehörigen Analysefunktionen Werkzeuge bereit, um geplante Ausführungseigenschaften eines kompilierten Modells zu untersuchen. Diese Analyse ersetzt keinen End-to-End-Test. Sie ist aber aussagekräftiger als die bloße Auswahl einer Recheneinheiten-Konfiguration.

Die Kernfrage lautet daher nicht „Kann CoreML mehrere Größen akzeptieren?“, sondern: „Welche Flux.1-Komponenten werden bei jeder produktiven Größe tatsächlich wie ausgeführt?“ Erst wenn diese Frage für die Standardformen beantwortet ist, darf von einer geeigneten Neural-Engine-Konfiguration gesprochen werden.

Kompilierung, Erstaufruf und Größenwechsel getrennt erfassen

Ein häufiger Messfehler besteht darin, nur die Zeit vom Start bis zum fertigen Bild zu notieren. Diese Zahl vermischt mehrere Vorgänge:

  1. Das Modellpaket wird gegebenenfalls in eine gerätegeeignete Form kompiliert.
  2. CoreML kann gerätespezifische Optimierungen vorbereiten.
  3. Beim ersten Aufruf werden Speicher und Ausführungspfade initialisiert.
  4. Erst danach folgt der stabile wiederholte Betrieb.

Diese vier Phasen müssen getrennt protokolliert werden. Die CoreML-Tools werden laufend weiterentwickelt; deshalb sollte die verwendete Version zusammen mit macOS, Modellstand und Konvertereinstellungen festgehalten werden. Die offiziellen CoreML-Tools-Veröffentlichungen und das offizielle Repository sind dafür die maßgeblichen Referenzen.

Messpunkt Feste Form EnumeratedShapes Begrenztes RangeDim
Paketkompilierung Ein klarer Zielpfad Mehrere deklarierte Formen prüfen Bereichslogik und konkrete Eingabe prüfen
Erster Aufruf Standardgröße separat messen Standard- und jede Nebenform messen Mehrere Positionen im Bereich messen
Größenwechsel Nur bei Modellwechsel relevant Wechsel zwischen gelisteten Formen messen Wechsel auf neue Werte besonders genau prüfen
Stabiler Betrieb Wiederholte gleiche Eingabe Jede Produktionsform wiederholen Kleine, mittlere und große Eingabe getrennt bewerten
Rückfallprüfung Nicht unterstützte Größe bewusst testen Nicht gelistete Größe bewusst testen Grenzwerte und Zwischenwerte testen

Für eine belastbare Testreihe werden die Standardgröße und eine Nicht-Standardgröße getrennt gespeichert. Der erste Aufruf darf nicht mit der stabilen Wiederholungsmessung vermischt werden. Wenn eine horizontale Form beim Wechsel aus dem Cache neu vorbereitet wird, gehört diese Wartezeit zur Benutzererfahrung und nicht in eine Fußnote.

Die Dokumentation zu Eingabe- und Ausgabetypen hilft dabei, die Eingabeschnittstelle präzise zu beschreiben. Sie ersetzt aber keine Prüfung des vollständigen Flux.1-Ablaufs. Besonders bei mehreren Komponenten müssen Eingabeform, Vorverarbeitung und Ausgabeform gemeinsam dokumentiert werden.

Speicher, Temperatur und Rückfall entlang der gesamten Pipeline bewerten

Eine einzelne CoreML-Datei ist nicht gleichbedeutend mit dem gesamten Ressourcenverbrauch. Bei Flux.1 gehören mindestens die verwendeten Modellkomponenten, Eingabe- und Ausgabekonvertierungen, Zwischenpuffer sowie GPU- oder CPU-Anteile zur Messung. Wer nur einen CoreML-Teilgraphen betrachtet, kann den tatsächlichen Arbeitsspeicherbedarf deutlich unterschätzen.

Mehrere feste Modelle erhöhen typischerweise die Verwaltungs- und Ladekomplexität. Das ist nicht automatisch ein Ausschlusskriterium. Für ein Batch-Team mit wenigen stabilen Formaten kann ein kleines Modellset einfacher zu betreiben sein als ein weit gefasster dynamischer Pfad. Der Nachteil liegt in Versionierung, Cache-Invalidierung und zusätzlicher Prüfung bei jedem Modellupdate.

Ein einzelnes Modell mit EnumeratedShapes reduziert diese Modellvielfalt, verlangt aber eine Prüfung jeder gelisteten Form. Ein begrenztes RangeDim kann die Paketverwaltung vereinfachen, verlagert den Aufwand jedoch in Laufzeitverhalten und Speicherbeobachtung. Eine deklarierte Flexibilität ist daher nicht kostenlos.

Temperatur, Leistungsaufnahme und Speicherhöchststand dürfen nicht aus der Einstellung „Neural Engine bevorzugen“ abgeleitet werden. Diese Werte müssen auf demselben Gerät, mit derselben Modellversion, derselben Eingabeabfolge und derselben Batch-Definition gemessen werden. Für diese konkrete Flux.1-Konfiguration liegen hier keine eigenen ProxyMac-Messwerte vor; daher werden keine erfundenen Watt-, Temperatur- oder Zeitangaben eingesetzt.

Das Datenschutz- und Betriebsmodell gehört ebenfalls in die Entscheidung. Bei externen Testläufen sollten Zugriffsrechte, temporäre Bilddaten, Protokolle und Löschfristen vor dem Upload geprüft werden. Die Datenschutzhinweise von ProxyMac sollten vor einem cloudbasierten Validierungslauf ebenso gelesen werden wie die verfügbaren Betriebsinformationen in der ProxyMac-Hilfe.

Bildkonsistenz trennt ein Formproblem von einem Hardwareproblem

Eine neue Auflösung kann ein anderes Bild erzeugen, ohne dass die Ursache die Neural Engine ist. Abweichungen können durch eine andere Eingabevorbereitung, geänderte Seitenverhältnisse, Präzision, Komponentenreihenfolge oder einen tatsächlichen Rückfallpfad entstehen. Diese Ursachen müssen getrennt untersucht werden.

Für jede produktive Form werden deshalb mindestens folgende Konstanten festgelegt:

  • identischer Prompt;
  • identischer Zufalls-Seed;
  • identische Modellversion;
  • identische Eingabevorbereitung;
  • identische Nachbearbeitung;
  • identische Prüfung der sichtbaren Ausgabe.

Die visuelle Prüfung sollte nicht nur nach „gefällt“ oder „gefällt nicht“ erfolgen. Für horizontale und vertikale Ausgaben werden unter anderem Bildrand, Motivvollständigkeit, auffällige Wiederholungen, Farbabweichungen und deutliche numerische Differenzen kontrolliert. Ein Layout, das im Quadrat funktioniert, kann bei einer breiten Form an den Rändern unvollständig werden. Das ist zunächst ein Form- oder Modellproblem, nicht automatisch ein Beleg gegen die Apple Neural Engine.

Die offiziellen Hinweise zu Typed Execution sind relevant, wenn Eingabe- und Ausgabetypen sowie die Ausführungskonsistenz geprüft werden. Zusätzlich sollten nicht gelistete Größen absichtlich getestet werden. Eine Anwendung muss klar entscheiden, ob sie diese Anfrage ablehnt, auf GPU ausweicht oder eine andere feste Form verwendet.

Die Rückfallregel sollte vor dem Produktivstart schriftlich feststehen:

  • Besteht eine Form die Bildprüfung und die Laufzeitprüfung, bleibt sie im CoreML-Pfad.
  • Besteht sie die Bildprüfung, erzeugt aber instabile oder nicht nachvollziehbare Ausführung, wird sie erneut analysiert.
  • Besteht sie die Bildprüfung nicht, wird sie nicht durch eine bloße Recheneinheiten-Einstellung erzwungen.
  • Für nicht geprüfte Größen wird der GPU-Pfad verwendet.

Die Wartung entscheidet zwischen drei belastbaren Konfigurationen

Die endgültige Wahl entsteht aus mehreren Messachsen. Größenabdeckung allein reicht nicht. Hardware-Anpassung, Erstaufruf, stabile Ausführung, Speicher, thermisches Verhalten, Bildkonsistenz und Rückfall müssen gemeinsam bewertet werden.

Einsatzprofil Empfohlene Konfiguration Warum Wann zurückfallen?
Feste Produktionsgröße Modell mit fester Form Geringe Eingabekomplexität und klare Abnahme Bei einer neuen Zielgröße oder geänderter Modellkomponente
Wenige bekannte Größen Ein Modell mit kleiner EnumeratedShapes-Liste Quadratisch, horizontal und vertikal können gemeinsam verwaltet werden Wenn eine Form die Hardware- oder Bildprüfung nicht besteht
Nicht vorhersehbare Größen Begrenztes RangeDim plus GPU-Pfad Eingaben bleiben innerhalb definierter Grenzen möglich Bei instabiler Ausführung, hohem Ressourcenbedarf oder unklarer Graphaufteilung
Gemischter Produktbetrieb CoreML für verifizierte Größen, GPU für freie Größen Trennung von planbarer Effizienz und flexibler Eingabe Wenn die CoreML-Formen nicht reproduzierbar sind

Für ein Batch-Team mit festen Lieferformaten ist der dynamischste Ansatz selten der beste. Für eine Mac-Anwendung mit Nutzereingaben kann ein begrenzter Bereich sinnvoll sein, sofern die Anwendung Grenzwerte, Fehlermeldungen und den GPU-Rückfall sauber behandelt. Für beide Gruppen ist eine kleine, getestete Formliste oft der vernünftigere Mittelweg.

Abnahme-Checkliste für die Bereitstellung

  • [ ] Modellversion, CoreML-Tools-Version und macOS-Version sind im Testprotokoll vermerkt.
  • [ ] Für jede Form sind Breite, Höhe und Seitenverhältnis eindeutig dokumentiert.
  • [ ] Der Standardaufruf und der erste Aufruf einer Nebenform wurden getrennt gemessen.
  • [ ] Stabile Wiederholungsläufe wurden nicht mit Kompilierungs- oder Cache-Zeiten vermischt.
  • [ ] Alle Flux.1-Komponenten, Konvertierungen und Rückfallpfade sind in der Speicherbewertung enthalten.
  • [ ] Die tatsächliche Graphaufteilung wurde analysiert und nicht nur aus compute_units abgeleitet.
  • [ ] Quadrat, Querformat und Hochformat wurden mit identischem Prompt und Seed geprüft.
  • [ ] Eine nicht gelistete oder außerhalb des Bereichs liegende Größe löst einen definierten Rückfall aus.
  • [ ] Cache-Löschung und erneute Kompilierung wurden nach Modell- oder Laufzeitupdates getestet.
  • [ ] Eine erneute Größenmatrix ist bei Änderungen an CoreML-Tools, macOS, Flux.1 oder dem Konverter eingeplant.

Vor dem Kauf eines eigenen Geräts sollte dieses Verfahren auf einem anpassbaren Mac-Testsystem mit festen, voreingestellten und dynamischen Formen durchgeführt werden. Ein einzelner lokaler Lauf kann eine Konfiguration plausibel erscheinen lassen, sagt aber wenig über Modellwechsel, Cache-Verhalten oder einen zweiten M-Serie-Mac aus.

FAQ zur Formauswahl bei Flux.1 CoreML

Kann Flux.1 nach der CoreML-Konvertierung die Ausgabeauflösung wechseln?

Ja, aber die Flexibilität hängt von der gewählten Eingabeform ab. Ein Modell mit fester Form akzeptiert nur die vorgesehene Geometrie. EnumeratedShapes erlaubt eine begrenzte Liste vorab definierter Formen. RangeDim deckt einen Bereich ab, kann jedoch die Geräteoptimierung und die Laufzeitvorhersagbarkeit verschlechtern. Für nicht planbare Größen sollte zusätzlich ein GPU-Pfad erhalten bleiben.

Welche Eingabeform erleichtert die Nutzung der Apple Neural Engine?

Eine feste Form bietet die klarste Optimierungsgrundlage. EnumeratedShapes kann ebenfalls gut geeignet sein, wenn die Liste klein und realistisch gewählt ist. Eine große Liste oder ein weiter RangeDim-Bereich garantiert dagegen keine vollständige Ausführung auf der Apple Neural Engine. Die tatsächliche Aufteilung muss mit Analysewerkzeugen und einer Laufzeitprüfung kontrolliert werden.

Warum kann eine dynamische CoreML-Eingabe auf GPU oder CPU zurückfallen?

Dynamische Abmessungen sind nur ein Teil der Ausführungskette. Nicht unterstützte Operatoren, dynamische reshape-Schritte, bestimmte Tensorformen oder eine Modellgrenze zwischen Komponenten können dazu führen, dass CoreML Teile auf andere Recheneinheiten verteilt. Die Auswahl von CPU, GPU und Neural Engine legt daher nicht automatisch fest, wo jeder Flux.1-Baustein tatsächlich läuft.

Braucht eine horizontale Ausgabe ein eigenes CoreML-Modell?

Nicht zwingend. Eine horizontale und eine vertikale Form können gemeinsam über EnumeratedShapes bereitgestellt werden, sofern beide Formen erfolgreich kompiliert und geprüft werden. Bei wenigen Produktionsgrößen ist ein gemeinsames Modell mit begrenzten Formen oft wartbarer. Wenn eine Form instabil ist oder andere Speicher- und Rückfallpfade benötigt, ist ein separates festes Modell die kontrollierbarere Lösung.

Die bessere Plattform hängt vom Testziel ab

Eine rein lokale Mac-Konfiguration bietet physische Nähe zu den Daten, aber sie bindet die Entscheidung an ein einzelnes Gerät. Änderungen an CoreML-Tools, macOS, Modellversion oder Cache-Zustand können unbemerkt bleiben. Ein GPU-only-Setup ist bei freien Größen einfacher, kann aber die gewünschte Neural-Engine-Auswertung nicht abbilden. Ein breit dynamisches CoreML-Modell wirkt flexibel, erschwert jedoch die Abnahme von Laufzeit, Speicher und Rückfall.

Für die Vorentscheidung ist deshalb eine periodisch anpassbare Mac-Umgebung sinnvoller als ein sofortiger Hardwarekauf. Mit ProxyMac können technische Teams feste, voreingestellte und begrenzte Formen unter vergleichbaren Bedingungen testen und danach entscheiden, ob ein eigener M-Serie-Mac, ein lokaler GPU-Pfad oder ein gemischtes Modell sinnvoll ist. Informationen zur verfügbaren Umgebung finden Sie auf der ProxyMac-Übersicht. Das ist besonders für kurzfristige Validierung, mehrere Modellstände und wiederholte Kompatibilitätstests geeignet; bei dauerhaft hoher Last oder benötigten physischen Schnittstellen bleibt eigene Hardware die passendere Wahl.

Flux.1 CoreML auf einem entfernten Mac testen

Mit ProxyMac nutzen Sie einen entfernten Mac, um Ihre Flux.1-CoreML-Konfigurationen unter realen Bedingungen zu prüfen.
Vergleichen Sie feste Auflösungen, EnumeratedShapes und begrenzte RangeDim-Konfigurationen in einer geeigneten macOS-Umgebung.