2026 Flux.1 CoreML 多解析度怎麼配?固定尺寸還是預設尺寸

固定形狀是生產規格單一時的獲勝者,預設形狀是同時支援少量方圖、橫圖與直圖時較穩妥的選擇;只有輸入尺寸無法預知,才應考慮有界動態範圍。Flux.1 CoreML 多解析度不等於越動態越好,較安全的落地方式是保留 CoreML 常用尺寸路徑,並為臨時尺寸保留 GPU 路徑。
這篇適合需要替 Flux.1 配置多種寬高比的 Mac 應用工程師、批量產出固定規格素材的 AIGC 團隊,以及正在評估 M 系列 Mac 部署環境的技術負責人。重點不是把所有尺寸塞進神經引擎,而是讓每一條尺寸路徑都有可重現的效能與回退證據。
最後更新於 2026 年 9 月 11 日;資料核實自 Apple Core ML Tools 官方發布記錄、Flexible Input Shapes 文件及 MLComputePlan 文件。
尺寸覆蓋:固定、預設與有界範圍各自解決什麼問題
Flux.1 CoreML 的多解析度設計,先要看產品實際會收到哪些尺寸,而不是先追求最寬的輸入範圍。Apple Core ML Tools 將柔性輸入分成固定形狀、列舉形狀與範圍維度等路徑;這是三種不同的部署取捨,不是同一模型的三種名稱。官方 Flexible Inputs 文件說明了這些輸入形狀能力。
固定形狀適合尺寸和寬高比已被產品鎖定的工作流,例如只產出一種社群貼文尺寸,或批量任務會先把素材統一到同一規格。
- 優點:圖形形狀單純,驗收結果容易重現。
- 缺點:臨時橫圖、直圖或自訂尺寸需要另一個模型,或交給 GPU。
- 維護風險:固定模型數量增加後,模型包、載入與版本管理負擔同步增加。
EnumeratedShapes 適合有限而且可預測的尺寸集合。方圖、橫圖和直圖可以各自成為已知預設,但實際尺寸是否被某個 Flux.1 元件和轉換流程支援,仍要以本機轉換與推理驗收為準,不能從名稱推定相容。
- 優點:比寬泛動態輸入更容易為常用尺寸做裝置側最佳化。
- 缺點:臨時尺寸不在清單內時,仍然需要回退。
- 維護風險:每次增加預設尺寸,都要重做編譯、畫面一致性及記憶體檢查。
有界 RangeDim 適合請求尺寸真的不可預知,但仍能設定合理上下限的服務。它比完全不受限制的動態路徑更容易控管,但不代表每個尺寸都會得到同樣的硬體執行路徑。
- 優點:不必為每個臨時尺寸建立獨立模型。
- 缺點:執行時圖形劃分、記憶體壓力和未支援算子都可能變得更難預測。
- 維護風險:尺寸落在邊界附近時,可能出現與預設尺寸不同的回退行為。
Flux.1 轉成 CoreML 後,是否仍能切換出圖尺寸?可以,但要看輸入採用哪種形狀配置。固定形狀通常只能使用編譯時鎖定的尺寸;EnumeratedShapes 只能在列舉集合中切換;RangeDim 才能在指定上下限內處理更多尺寸。這不表示整個 Flux.1 流水線都能無縫切換,文字編碼器、去噪元件、解碼元件及前後處理仍要分開驗收。
初篩規則很直接:若生產尺寸只有一種,選固定形狀;若常用尺寸有限,選預設形狀;若請求尺寸不可預測,才測試有界範圍。尺寸數量有限時,不應為了表面上的自由度採用寬泛動態範圍。
硬體適配:可使用 Apple Neural Engine,不代表全圖都在跑
Core ML 的計算單元設定可以允許 CPU、GPU 或 Apple Neural Engine 參與,但「允許參與」和「整個 Flux.1 實際在 Apple Neural Engine 執行」是兩件事。Core ML Tools 的計算單元說明列出了計算單元配置;它沒有替特定第三方 Flux.1 轉換結果保證完整 NPU 執行。
三種形狀的差異,要從裝置側最佳化和執行時分割一起看:
- 固定形狀的張量尺寸最明確,通常較容易針對單一路徑準備最佳化。
- EnumeratedShapes 提供有限的已知形狀,常用尺寸有機會得到較可預期的調度,但每個列舉尺寸仍須逐一測試。
- RangeDim 保留較大自由度,卻可能令執行時圖形分割更複雜。動態 reshape、未支援算子或元件邊界,都可能把部分工作交給 GPU 或 CPU。
固定形狀和預設形狀,哪一種更容易呼叫神經引擎?不能只用 API 名稱下結論。固定形狀的路徑較單純,EnumeratedShapes 則在有限尺寸集合內兼顧切換彈性;兩者都可能受到 Flux.1 元件結構、算子支援和模型精度影響。實際驗收應查看編譯後模型分析與執行計畫,而不是只記錄 compute_units 設定。MLComputePlan 官方文件可作為分析工具能力的依據。
Core ML 動態輸入為什麼會回退到 GPU 或 CPU?常見原因包括某個算子沒有適合的 Apple Neural Engine 路徑、張量形狀在執行時無法符合限制,或同一模型內有元件需要不同計算單元。這是混合執行,不是轉換失敗;但若回退發生在主要去噪路徑,端到端收益可能與預期完全不同。
目前社群的 Flux.1 CoreML 轉換腳本屬第三方方案。對特定 Flux.1 版本、動態形狀及自訂 ControlNet 節點的支援,不能當作 Apple 官方保證。coremltools 官方儲存庫只能確認工具能力與更新狀態,不能替每一個第三方模型宣告完整 ANE 執行。
編譯與切換:把等待位置拆開,才看得出方案差異
多解析度部署不應只量一次「按下產圖到完成」的總時間。至少要把 三個階段分開記錄:模型包編譯或載入、指定尺寸的首次執行、同尺寸後續穩定執行。這三項是不同等待位置,不能混寫成單一效能數字。
固定形狀通常把複雜度集中在模型數量:每個尺寸可能有獨立模型包,但尺寸切換的路徑較清楚。預設形狀把多個尺寸放入一個模型,首次使用某個尺寸時仍需確認裝置側最佳化和快取行為。有界範圍則可能把部分成本推到執行時,尺寸切換的延遲和圖形分割更需要實測。
建議每次測試都留存以下紀錄:
- 預設尺寸的模型包載入時間與首次執行時間。
- 非預設尺寸或另一列舉尺寸的首次執行時間。
- 切換後第二次及其後的穩定執行時間。
- Core ML 分析結果、實際計算單元,以及是否出現 GPU 或 CPU 回退。
- Flux.1 各元件的時間,而非只看整條流程。
這樣才能分辨「首次編譯很慢,但後續穩定」和「每次切換都重新承擔成本」。沒有本站同設備實測,就不應填入具體毫秒、倍數或速度提升數字。
記憶體與熱表現:固定模型數量不是完整成本
固定形狀最容易理解的代價,是多份模型可能增加硬碟佔用、載入時間和快取管理工作。預設形狀不一定等於低記憶體,因為同一模型要容納多種輸入形狀;有界範圍也不一定等於省資源,執行時張量配置和 GPU 回退可能增加壓力。
測量對象必須包含完整流水線:
- Flux.1 的文字編碼、去噪與解碼元件。
- 輸入縮放、格式轉換和輸出處理。
- Core ML 與 GPU 混合執行時的暫存記憶體。
- 模型切換後未釋放的快取。
- 同一批次任務中的溫度、功耗和記憶體峰值。
不能因為某個計算單元設定看起來偏向 ANE,就推算一定會降溫或降低功耗。溫度、功耗和記憶體峰值必須在同一部 M 系列 Mac、同一批提示詞、同一批尺寸和同一批次設定下測量。否則不同尺寸、不同精度或不同回退路徑會混在一起,結論沒有可比性。
畫面一致性:先證明輸出可靠,再談尺寸自由度
多解析度方案能否進入生產,最後取決於畫面,不只是調度報告。方圖、橫圖和直圖應使用固定提示詞、固定隨機種子與一致的輸出檢查口徑。至少要檢查構圖是否完整、邊緣是否異常、色彩是否偏移,以及像素或數值差異是否超過團隊容許範圍。
尺寸配置、輸入前處理和模型精度要分開定位。若直圖出現構圖裁切,可能是寬高比處理問題;若邊緣出現異常,可能與算子或回退有關;若顏色出現偏差,則不應直接歸因於 Apple Neural Engine。Flux.1 的不同元件也可能使用不同計算單元,需逐段比對。
橫圖和直圖是否需要分別編譯 CoreML 模型,答案取決於驗收結果。若兩者是固定且常用的規格,分別建立固定模型往往更容易回溯;若尺寸數量有限且模型與執行計畫能通過一致性檢查,EnumeratedShapes 可以減少模型管理數量。若某一尺寸無法通過畫面驗收,應回退到已驗證的固定路徑或 GPU 路徑,不應為了保留單一模型而勉強上線。
五步建立可維護的尺寸決策
第一步:列出真實請求集合
把近期任務分成方圖、橫圖、直圖與臨時尺寸。不要先按理想產品規格填滿所有可能尺寸。若臨時尺寸比例很低,應優先建立常用 CoreML 路徑,並把例外交給 GPU。
第二步:為三種形狀建立相同測試條件
固定形狀、EnumeratedShapes 和有界 RangeDim 必須使用相同模型版本、提示詞、種子、批次和前處理。變更一項條件,就在紀錄中標明,否則無法比較。
第三步:分開記錄編譯、首次和穩定執行
預設尺寸與非預設尺寸都要留存紀錄。尤其不要只測成功出圖的後續執行,因為產品首次啟動和尺寸切換的等待,往往才是使用者感受到的問題。
第四步:驗收實際圖形劃分
確認 Core ML 分析結果、計算單元和回退節點。若動態路徑把主要去噪工作交給 GPU 或 CPU,就把它視為另一種部署方案,而不是標記為「完整 NPU」。
第五步:建立上線清單
- [ ] 已鎖定 Flux.1 模型版本、Core ML Tools 版本與 macOS 執行環境。
- [ ] 已記錄固定形狀、預設形狀與有界範圍的尺寸集合。
- [ ] 已指定預設尺寸、非預設尺寸與 GPU 回退條件。
- [ ] 已驗收畫面構圖、邊緣、色彩與數值差異。
- [ ] 已測量完整流水線的記憶體、溫度與功耗,而非只看單一 Core ML 元件。
- [ ] 已定義快取清理、模型更新和重新測試觸發點。
- [ ] 已在目標 M 系列 Mac 型號上重跑尺寸矩陣。
最終配置:用風險而不是尺寸數量作決定
固定規格任務選固定形狀。它的優勢是路徑清楚、驗收容易、回退條件簡單。
有限規格產品選 EnumeratedShapes。它適合已知的方圖、橫圖和直圖集合,但每個預設尺寸仍要完成編譯、畫面和記憶體驗收。
不可預測尺寸採 CoreML 與 GPU 雙軌。CoreML 處理已驗證的常用尺寸,GPU 處理臨時尺寸、未支援節點或驗收失敗的形狀。這比要求所有輸入都進入 Apple Neural Engine 更符合實際維護條件。
若目前方案依賴單台本機、寬泛動態輸入或未驗證的 GPU 回退,採購高配 Mac 之前仍有三個風險:尺寸切換等待可能被忽略、記憶體峰值可能只在批量任務出現、不同 M 系列 Mac 的執行計畫可能不一致。對需要先完成固定、預設和動態三組驗證的團隊,先使用可按週期調整的 ProxyMac 雲端 Mac 環境,比只憑一次本機結果決定硬體更容易控制成本與交付風險;需要了解連線、交付和使用限制,可先查看 ProxyMac 使用說明,再按測試週期參考 ProxyMac 方案資訊。