Black Forest Labs: FLUX Erase nadmašuje GPT Image-2 (68.5%) i Finegrain (63.2%) u uklanjanju objekata bez prompta
Black Forest Labs je 21. svibnja 2026. lansirao FLUX Erase — inpainting alat koji uz binarnu masku uklanja objekte, sjene, vodene žigove i tekstove iz slika i rekonstruira pozadinu bez ikakvog tekstualnog prompta. Benchmark na 198 testnih slika pokazuje nadmoć nad GPT Image-2 (68.5%) i Finegrain Eraser Standard (63.2%). Alat je dostupan kroz BFL API i javni demo na flux-tools.bfl.ai/erase, pozicionirajući BFL kao specijalista za professional creative workflow alate.
Ovaj članak generiran je uz pomoć umjetne inteligencije na temelju primarnih izvora.
Black Forest Labs (BFL) je 21. svibnja 2026. lansirao FLUX Erase — specijalizirani inpainting alat koji uklanja objekte, sjene, vodene žigove i tekstove iz slika koristeći samo binarnu masku, bez tekstualnog opisa što treba ukloniti. Alat je odmah dostupan kroz BFL komercijalni API i javni demo na flux-tools.bfl.ai/erase.
Koji su konkretni benchmark rezultati?
BFL je objavio benchmark na setu od 198 testnih slika s rezultatima:
- 68.5% win-rate protiv OpenAI GPT Image-2 u zadacima uklanjanja objekata
- 63.2% win-rate protiv Finegrain Eraser Standard, dosadašnjeg lidera u kategoriji
Win-rate metrika znači da su human annotatori birali FLUX Erase output kao bolji u tom postotku slučajeva. Rezultat je značajan jer GPT Image-2 (OpenAI multimodal model) i Finegrain Eraser su trenutno smatrani vodećim alatima za professional image editing.
Zašto je rad bez prompta tehnički izazovan?
Klasični inpainting alati traže tekstualni prompt — “remove the person in the foreground”, “erase the watermark”. To je inherentno teško jer korisnik mora opisati ono što želi ukloniti, a model mora pravilno razumjeti opis i selektivno djelovati na pravi dio slike.
FLUX Erase preokreće problem — korisnik daje samo binarnu masku (crno-bijela slika gdje bijelo područje označava što ukloniti). Model mora samostalno:
- Razumjeti što se nalazi unutar maske (objekt, sjena, tekst, vodeni žig)
- Rekonstruirati pozadinu na temelju konteksta iz neoznačenih dijelova slike
- Spriječiti artefakte — bez introdukcije objekata koji ne pripadaju sceni
To zahtijeva model koji ima jako razumijevanje cijele scene, ne samo lokalnog područja oko maske.
Koji su use case-ovi?
FLUX Erase je dizajniran za professional creative workflow — fotografi, dizajneri, content creators kojima trebaju brze i kvalitetne tools za uklanjanje neželjenih elemenata iz slika:
- Brisanje vodenih žigova sa stock fotografija (legalno samo ako imate prava na sliku)
- Uklanjanje pozadinskih ljudi sa turist fotografija
- Brisanje teksta i logotipa sa pozadinskih elemenata u videima
- Real estate fotografija — uklanjanje namještaja, automobila iz scene
- E-commerce — brisanje pozadine za product slike
Što ovo znači za BFL pozicioniranje?
Black Forest Labs se sve više pozicionira kao specijalist za professional creative tools, suprotnost od OpenAI i Google koji rade generic multimodal modele. FLUX modeli su konzistentno bili nakon top performera u text-to-image kategorijama, a sada s Erase ulaze i u image editing segment.
Strategija ima smisla — image editing je segment gdje su corporate korisnici (marketing agencije, fotografi, video produkcije) spremni plaćati za bolje alate. BFL nudi i API i web UI, pokrivajući oba kanala.
Vrijedi pratiti hoće li BFL nastaviti expanziju u druge professional creative niše — možda video erasing, 3D inpainting, ili audio cleanup. Sa solidnim performansama i jasnim use case-ovima, FLUX Erase je dobar primjer specijaliziranog AI alata koji nadmašuje generic modele u specifičnoj domeni.
Česta pitanja
- Treba li FLUX Erase tekstualni prompt za rad?
- Ne — FLUX Erase koristi samo binarnu masku koja označava područje koje treba ukloniti, bez tekstualnog opisa što se uklanja.
- Koje rezultate FLUX Erase postiže na benchmark-u?
- Win-rate od 68.5% protiv GPT Image-2 i 63.2% protiv Finegrain Eraser Standard na setu od 198 testnih slika.
- Gdje je FLUX Erase dostupan?
- Kroz BFL komercijalni API i javni demo na flux-tools.bfl.ai/erase.
Povezane vijesti
arXiv:2605.21006: Off-the-shelf persona vektori postižu 68-98% učinkovitosti targetiranog sycophancy steeringa u LLM modelima
arXiv:2605.19762: ICML 2026 paper tvrdi da kod ne poboljšava matematičko zaključivanje LLM-ova
OpenAI: AI model opovrgnuo 80-godišnju konjekturu u diskretnoj geometriji