Как настроить Flux.1 CoreML для нескольких разрешений в 2026 году: фиксированный размер или набор пресетов

Apple Core ML официально поддерживает фиксированные формы, перечисленные формы и ограниченный диапазон размеров — это три разных способа описать вход модели, а не три гарантированных режима работы Neural Engine (документация Apple о гибких входах). Поэтому для Flux.1 CoreML с несколькими разрешениями победителем обычно становится набор заранее проверенных пресетов: фиксированную форму стоит выбрать для одного производственного размера, а широкий динамический диапазон — только при действительно непредсказуемом входе. Наиболее надёжная схема для продукта — сохранить путь Core ML для распространённых размеров и отдельный путь GPU для остальных.
Эта статья предназначена для трёх групп. Разработчикам Mac-приложений, которым нужны квадратные, горизонтальные и вертикальные изображения, она помогает выбрать способ упаковки модели. Командам пакетной генерации — убрать лишнюю сложность динамических форм. Техническим руководителям, оценивающим M-серия Mac, — построить воспроизводимую матрицу проверки на разных устройствах.
Последняя проверка материала выполнена 11 сентября 2026 года по документации Core ML Tools, API MLComputePlan и официальным материалам о моделях FLUX.1. Поддержка конкретного конвертера, версии модели или пользовательского узла не считается подтверждённой возможностью Core ML без локальной проверки.
Сначала сравните не разрешения, а типы входной формы
В реальном рабочем процессе обычно встречаются три класса запросов:
- квадратные изображения для карточек, аватаров и каталогов;
- горизонтальные изображения для баннеров и заставок;
- вертикальные изображения для мобильных публикаций и рекламных макетов;
- временные размеры, которые появляются из-за пользовательского кадрирования или внешнего API.
Для такого набора есть три стратегии.
Фиксированная форма описывает один конкретный размер входного тензора. Это самый простой вариант для компилятора и для контроля результата. Он хорошо подходит, когда поток задан заранее: например, вся команда выпускает один формат карточек. Но каждый новый размер потребует отдельной модели либо отдельного заранее подготовленного пути.
Преимущества:
- проще воспроизводить результат;
- легче определить, какой граф был загружен;
- меньше неопределённости при диагностике;
- проще сравнить Core ML с GPU на одинаковом входе.
Недостаток очевиден: квадратный вариант не превращается автоматически в полноценный вертикальный или горизонтальный конвейер. Если приложение принимает несколько форматов, размер нужно нормализовать до входа модели или подготовить несколько артефактов.
EnumeratedShapes задаёт конечный список разрешённых форм. Это компромисс между отдельными фиксированными моделями и свободным динамическим входом. Например, приложение может разрешать только проверенные квадратный, горизонтальный и вертикальный пресеты. Само наличие перечисления не доказывает, что каждый вариант будет одинаково эффективно выполняться на Apple Neural Engine. Однако ограниченный список даёт рантайму гораздо более определённые условия, чем широкий диапазон.
Преимущества:
- несколько форматов обслуживаются одним логическим модельным пакетом;
- список допустимых входов можно контролировать на уровне API;
- легче исключить случайные размеры, для которых нет проверки;
- проще построить кэш и сценарий предварительной подготовки.
Недостаток — каждый новый пресет расширяет поверхность тестирования. Изменение ширины и высоты нельзя считать косметическим: меняются память, разбиение графа и поведение постобработки.
Ограниченный RangeDim задаёт нижнюю и верхнюю границу размера. Такой вариант нужен, если вход заранее неизвестен и приложение не может свести его к конечному списку. Но диапазон не означает, что все значения внутри него одинаково оптимальны. Для Flux.1 это особенно важно: динамический reshape, неподдерживаемая операция или граница между компонентами могут привести к смешанному выполнению.
Начальное правило выбора простое:
- один рабочий размер — фиксированная форма;
- несколько часто используемых размеров —
EnumeratedShapes; - непредсказуемый пользовательский ввод — ограниченный
RangeDim, но с GPU-резервом; - широкий диапазон только ради формальной «гибкости» — плохая причина для выбора.
Возможность переключать разрешение после конвертации зависит от того, как описан вход. Модель с одной фиксированной формой сама по себе не принимает произвольный размер. Модель с перечисленными формами принимает только элементы списка. Модель с диапазоном может принять больше вариантов, но это не гарантирует одинаковое аппаратное выполнение и стабильную скорость.
Фиксированная форма, пресеты или RangeDim: что получает Neural Engine
В конфигурации Core ML можно разрешить участие CPU, GPU и Neural Engine. Это настройка допустимых вычислительных единиц, а не отчёт о том, где реально выполнилась каждая операция. Описание режимов compute_units приведено в официальной документации Core ML Tools. Для анализа плана выполнения предусмотрен API MLComputePlan, но и его результаты нужно сопоставлять с конкретной версией модели и устройства.
Для трёх стратегий различие выглядит так.
Фиксированный размер
Компилятор получает наиболее определённую структуру тензоров. Это облегчает оптимизацию и уменьшает число вариантов, которые необходимо проверять. Для производственного размера фиксированный вход обычно проще принять на Neural Engine, если все операции и типы данных поддерживаются конкретным рантаймом.
Но нельзя делать обратный вывод: «фиксированная форма означает полное выполнение на ANE». В Flux.1 могут присутствовать компоненты, преобразования или операции, которые останутся на GPU либо CPU.
EnumeratedShapes
Перечень форм сохраняет ограниченность входа, но добавляет несколько вариантов графа или планов оптимизации. Это может быть разумным выбором для приложения с заранее известными квадратными, горизонтальными и вертикальными пресетами. С другой стороны, каждый элемент списка нужно проверять отдельно. Удачная проверка квадратного размера не подтверждает поведение вертикального.
Apple отдельно описывает условия оптимизации перечисленных форм в руководстве по гибким входам. Для команды это означает: список должен содержать рабочие формы, а не все размеры, которые теоретически может запросить пользователь.
RangeDim
Диапазон уменьшает количество отдельных конфигураций, но усложняет планирование. Если размер изменяется внутри диапазона, некоторые операции могут получить менее специализированный граф. При наличии динамического изменения формы часть модели может быть разделена между вычислительными блоками.
Почему динамический вход иногда уходит на GPU или CPU:
- конкретная операция не поддерживается выбранным вычислительным блоком;
- форма тензора меняется в месте, где рантайм ожидает статическую структуру;
- компонент модели пересекает границу, для которой нет совместимого плана;
- типы входов или выходов требуют преобразования;
- часть графа была конвертирована отдельно и не совпала с остальным конвейером.
Поэтому «разрешить ANE» и «доказать фактическое выполнение на ANE» — разные задачи. Сначала проверяется план модели, затем конкретный запуск, затем конечный результат. Сведения о типах входов и выходов следует сверять с официальным руководством Core ML Tools.
Важно: если один вертикальный пресет показывает смешанный граф, это ещё не доказывает проблему всего проекта. Сначала нужно исключить несовпадение формы, препроцессинга, типа данных и версии конвертера. Только после этого имеет смысл менять вычислительный блок.
Вопрос о переключении разрешения: где заканчивается гибкость
Для приложения полезно разделить «разрешённый размер» и «обработанный размер». Первый определяется описанием входа Core ML. Второй проходит весь конвейер Flux.1: подготовку изображения, текстовые входы, основной граф, декодирование и постобработку.
Даже если Core ML принимает несколько форм, отдельные компоненты могут иметь другие ограничения. Например, основной граф может быть подготовлен для набора форм, а декодер или преобразование изображения — только для фиксированного размера. Из-за этого горизонтальный и вертикальный режимы иногда требуют отдельных проверенных путей.
Раздельная компиляция для горизонтального и вертикального изображения нужна не всегда. Она оправдана, когда:
- формы отличаются настолько, что общий гибкий граф теряет предсказуемость;
- одна ориентация регулярно уходит на GPU;
- для каждой ориентации применяются разные правила кадрирования;
- требуется строго одинаковая цветовая и композиционная проверка;
- пакетная обработка использует постоянный размер и не нуждается в универсальности.
Один пакет с EnumeratedShapes удобнее, когда список короткий и все формы действительно поддерживаются целиком. Отдельные фиксированные модели удобнее, когда важнее воспроизводимость, чем количество артефактов.
Не следует автоматически считать, что любой размер должен быть кратен определённому числу или что каждая модель Flux.1 принимает любой прямоугольник. Такие ограничения зависят от конкретного конвертера, архитектуры и этапа обработки. Если размер не указан в проверенном списке, его нужно считать неподтверждённым, а не «почти совместимым».
Вторая ось сравнения — компиляция и задержка переключения
Общее время первого запуска нельзя использовать как единственный показатель. Его нужно разделить минимум на четыре события:
- загрузка модельного пакета;
- компиляция или подготовка устройства;
- первая инференсная операция для конкретной формы;
- последующие стабильные запуски той же формы.
Эти события могут проявляться в разных местах. При фиксированной модели задержка часто связывается с одним заранее известным графом. При EnumeratedShapes задержка может проявиться при первом обращении к конкретному пресету. При RangeDim ожидание может возникнуть при первом новом размере или при перестроении части плана.
Для корректного теста нужны отдельные записи:
- модель только что установлена или уже была запущена;
- размер является основным или вторичным;
- форма вызывается впервые или повторно;
- кэш очищен или сохранён;
- включён только Core ML или разрешён GPU;
- измеряется один компонент Flux.1 или весь конвейер.
Нельзя писать, что один способ «быстрее» без фиксации этих условий. Это особенно важно для M-серия Mac: разные поколения и объёмы памяти могут по-разному обрабатывать один и тот же пакет, а локальный кэш меняет наблюдаемую задержку.
Для пилотного проекта полезно вести журнал в формате:
- имя модели и версия конвертера;
- форма входа;
- время загрузки;
- время первой обработки;
- время стабильной обработки;
- вычислительный план;
- наличие отката;
- пиковая память;
- температура и энергопотребление по одинаковому сценарию.
Конкретные значения времени, температуры, мощности и памяти нельзя выводить из выбора CPU_AND_GPU, CPU_AND_NE, ALL или иной настройки. Это только параметры допуска. Числа должны появиться после измерения на одном устройстве и одной партии заданий.
Память и нагрев: сравнивайте весь Flux.1, а не один файл
Модельный файл Core ML — только часть нагрузки. При оценке многорежимного Flux.1 учитываются:
- текстовые компоненты;
- основной граф;
- декодер;
- входные и выходные буферы;
- преобразование изображения;
- кэш компиляции;
- GPU-путь для неподдерживаемых операций;
- одновременно загруженные фиксированные модели.
У фиксированных форм есть неприятный эксплуатационный компромисс. Отдельные артефакты проще проверять, но одновременная загрузка нескольких вариантов увеличивает дисковый и операционный запас. Если приложение держит в памяти квадратную, горизонтальную и вертикальную модели, измерять нужно именно такую конфигурацию, а не один выбранный файл.
EnumeratedShapes может уменьшить число логических пакетов, но не отменяет проверку кэша и поведения при переключении форм. У диапазона один пакет не означает минимальное потребление памяти: рантайм может использовать более общий план, временные буферы или GPU для частей графа.
Для одинакового теста задайте:
- один и тот же промпт;
- один и тот же seed;
- одну и ту же последовательность размеров;
- одинаковое число изображений;
- одинаковый формат вывода;
- одинаковое состояние кэша;
- одинаковый режим энергопитания.
Только после этого можно сравнивать пики памяти, температуру и потребление. Утверждения о «более холодной» работе Core ML без такого сопоставления недостоверны. Neural Engine не превращает автоматически весь Flux.1 в энергоэффективный конвейер: GPU-декодирование, копирование буферов и повторные преобразования тоже участвуют в нагрузке.
Третья ось — одинаковость изображения на разных формах
Производственный пресет нельзя принимать только потому, что он успешно завершает инференс. Для каждой формы требуется визуальная и числовая проверка.
Минимальный набор контроля:
- одинаковый текстовый запрос;
- одинаковый seed;
- одинаковые параметры семплирования;
- одинаковая подготовка входа;
- одинаковое цветовое пространство;
- сохранение исходного разрешения и масштаба;
- сравнение композиции, краёв и цветовых переходов.
Проверяются четыре группы дефектов:
- неполная композиция или смещение объекта;
- артефакты на границах изображения;
- неожиданный оттенок или изменение контраста;
- заметное числовое расхождение при одинаковых параметрах.
Причину нужно локализовать. Если изменился размер входа, проблема может быть в форме. Если изменился масштаб или цвет, виноват препроцессинг. Если отличия появились только после конвертации или смены точности, нужно проверять модель и типы вычислений. Нельзя объяснять любое расхождение тем, что изображение «прошло через Neural Engine».
Если один размер не проходит визуальную проверку, его следует убрать из EnumeratedShapes и вернуть на проверенный фиксированный или GPU-путь. Попытка сохранить проблемный пресет ради формального покрытия нескольких разрешений создаёт нестабильность для всех пользователей.
Инструменты конвертации и версии моделей Flux.1 нужно фиксировать в окружении. Официальный репозиторий coremltools и его журнал выпусков показывают изменения инструментария, но наличие новой версии не подтверждает совместимость конкретного графа Flux.1. Модель и её условия использования также нужно перепроверять по официальной коллекции FLUX.1.
Пошаговая схема выбора для команды
Шаг 1. Зафиксируйте реальные запросы
Соберите журнал размеров за рабочий период. Отделите постоянные форматы от единичных пользовательских запросов. Если почти все задания укладываются в несколько форм, не расширяйте диапазон ради редких исключений.
Шаг 2. Сформируйте три кандидата
Подготовьте:
- фиксированную форму для главного размера;
EnumeratedShapesдля ограниченного списка;RangeDimтолько с верхней и нижней границами для непредсказуемых запросов.
Не смешивайте в этом тесте изменение точности, новую версию конвертера и новый препроцессинг. Иначе невозможно определить причину результата.
Шаг 3. Проверьте каждый компонент
Отдельно проверьте основной граф, текстовую часть, декодер и преобразования. Отметьте операции, которые не попали в ожидаемый вычислительный блок. Данные о плане выполнения сопоставьте с официальным описанием анализа модели.
Шаг 4. Разделите холодный и тёплый запуск
Сначала удалите или изолируйте кэш и измерьте первый вызов. Затем повторите ту же форму после прогрева. После этого переключитесь на другую форму и отдельно запишите задержку. Для EnumeratedShapes каждый пресет считается отдельным сценарием.
Шаг 5. Прогоните одинаковую партию изображений
Сравните стабильную обработку на фиксированной форме, пресетах и диапазоне. Запишите время, память, температуру, энергопотребление и долю заданий, ушедших на GPU или CPU. Без одинаковой партии такие сравнения нельзя переносить на эксплуатацию.
Шаг 6. Проведите визуальную приёмку
Для квадратного, горизонтального и вертикального вариантов используйте одинаковые промпты и seeds. Отдельно отметьте композицию, края, цвет и числовые расхождения. Проблемный размер удалите из производственного списка.
Шаг 7. Определите откат
В приложении заранее задайте условия возврата на GPU: неизвестная форма, ошибка компиляции, неподдерживаемая операция, превышение памяти, провал визуальной проверки или недопустимая задержка первого запуска. Пользователь не должен узнавать о несовместимости после потери задания.
Шаг 8. Зафиксируйте версии и очистку кэша
В релизном журнале укажите версию модели, coremltools, macOS, параметры входа и основной размер. После обновления конвертера, модели, рантайма или пользовательских узлов нужно повторить размерную матрицу. При диагностике полезно отдельно проверить поведение после очистки кэша.
Чек-лист перед выпуском
- [ ] Определены реальные квадратные, горизонтальные и вертикальные сценарии.
- [ ] Для каждого сценария выбран фиксированный размер, пресет или диапазон.
- [ ] Список
EnumeratedShapesсодержит только проверенные формы. - [ ] Для
RangeDimуказаны нижняя и верхняя границы. - [ ] Проверено, какие части графа фактически используют Neural Engine.
- [ ] Зафиксированы первый запуск, переключение формы и стабильный запуск.
- [ ] Измерены память и нагрев всего конвейера Flux.1.
- [ ] Сравнены одинаковые промпты, seeds и параметры вывода.
- [ ] Установлен GPU-откат для неизвестных или неподдерживаемых размеров.
- [ ] Записаны версии модели, Core ML Tools, macOS и правила очистки кэша.
- [ ] Назначена повторная проверка после обновления конвертера или модели.
Для пакетной генерации фиксированных материалов оптимален фиксированный путь. Для продукта с несколькими заранее известными форматами — EnumeratedShapes. Для непредсказуемых пользовательских размеров — ограниченный RangeDim вместе с GPU-резервом. Если команда не может доказать стабильность конкретного пресета по вычислительному плану, времени, памяти и изображению, он не готов к выпуску.
Работа на локальном M-серия Mac удобна для постоянного конвейера, но плохо показывает поведение на других поколениях, объёмах памяти и версиях macOS. Покупка устройства до такой проверки может закрепить неудачную схему: широкий диапазон способен давать непредсказуемый откат, несколько фиксированных моделей — занимать больше места и памяти, а один локальный запуск — скрывать задержку прогрева.
Поэтому перед выбором оборудования разумно арендовать Mac через ProxyMac на срок, достаточный для проверки фиксированной формы, набора пресетов и динамического диапазона в одинаковой тестовой партии. Условия доступа и смены среды можно уточнить в справочном разделе ProxyMac, а доступные варианты — проверить через каталог конфигураций ProxyMac. Такой подход особенно полезен, когда требуется сравнить несколько M-серия Mac, не покупая устройство ради неподтверждённого сценария Neural Engine.
Проверьте Flux.1 CoreML на выделенном Mac mini M4
Используйте выделенный Apple Silicon M4 для сравнения фиксированных разрешений, EnumeratedShapes и ограниченного RangeDim в реальных сценариях генерации.
Подключайтесь к удалённому Mac через SSH или VNC и проверяйте задержки, загрузку Neural Engine, расход памяти и нагрев без настройки собственного оборудования.