本記事は Mac でローカル画像生成 10モデル比較したら、最強候補が裏返った のスピンオフ。各モデル単独レビューの v6。
TL;DR
- Flux.1 [dev] は Black Forest Labs の DiT 系 23GB モデル、写実度はローカル群でダントツのトップ
- Mac M1 Max 64GB / Apple MPS で 1枚 約12分 (28 step / 1024px / guidance_scale=3.5)
- 英文字描画は完璧、抽象アート・複雑構図も強い → 英語圏向け記事の挿絵に最適
- 弱点は アジア食文化バイアス（"ramen" → パクチー入り） と 漢字描画 NG（架空字）
- ライセンスは Flux Non-Commercial — 商用は schnell (Apache 2.0) との使い分けが必要
- 採用方針: 英語圏向け本命。アジア圏向けは Qwen-Image Lightning へ
なぜこのモデルを試したか
ローカル画像生成の現時点の最強候補として、ベンチマーク・SNS のレビュー・実利用者の評価のすべてが Flux dev に集中していた。「ローカルで Midjourney に最も近い」と謳われる。
期待していたこと:
- 写実度: Stable Diffusion 系を超える
- プロンプト忠実度: SDXL のような勝手な要素追加が無いはず
- 英文字描画: SDXL 系より明確に良いと聞く
期待していなかったこと:
- アジア要素の精度: そこまで気にされていない領域
- 速度: 28 step / DiT は遅い覚悟
実際試したら、良い箇所は期待を超え、弱い箇所は期待を下回った。明確な「英語圏向け本命」モデルとして位置づけることになった。
環境セットアップ
pip install diffusers==0.37.1 torch==2.11.0 transformers
ロードコード:
from diffusers import FluxPipeline
import torch
pipe = FluxPipeline.from_pretrained(
"black-forest-labs/FLUX.1-dev",
torch_dtype=torch.bfloat16,
).to("mps")
image = pipe(
prompt="...",
num_inference_steps=28,
guidance_scale=3.5,
height=1024,
width=1024,
).images[0]
ハード要件:
| 項目 | 値 |
|---|---|
| Mac | M1 Max / 64GB |
| GPU 制限 | iogpu.wired_limit_mb=61440（60GB） |
| モデル | 23GB (bf16) |
| 1枚あたり | 約12分 (28 step / 1024px / MPS) |
| HF gated repo | 要申請 (black-forest-labs/FLUX.1-dev にアクセス権リクエスト) |
HF gated repo の申請がブロッカー。同じ Black Forest Labs でも schnell は Apache 2.0 で誰でも落とせるが、dev は審査がある。サインアップ後数時間〜1日待ち。
iogpu.wired_limit_mb は SDXL 程度なら不要だが、Flux dev は MPS で 23GB 載せると swap に落ちやすい。最低 30GB 確保推奨。
8プロンプト全結果
| # | プロンプト | 画像 |
|---|---|---|
| 01 | a cute cat sitting on a wooden bench in a sunny park |  |
| 02 | a bowl of ramen with chashu and soft-boiled egg |  |
| 03 | a wooden sign with "LOCAL AI" |  |
| 04 | a developer's t-shirt with "M1 MAX 64GB" retro 80s style |  |
| 05 | a woman developer working at a laptop |  |
| 06 | a glowing AI brain made of circuits and neon |  |
| 07 | three robots playing chess in a sunlit library |  |
| 08 | a wooden izakaya sign with the kanji "居酒屋" |  |
8枚合計の生成時間: 約 96分 (1枚 12分 × 8)。Qwen Full の 12時間と比べれば現実的だが、SDXL Turbo の 5秒 × 8 = 40秒からは遠い。
個別プロンプト評価
01 猫 — プロンプトに従わない、アニメ調になる
プロンプトに photorealistic と明示しているのに、アニメ・イラスト調になる。可愛い猫の絵、でも写真ではない。
| Qwen Lightning (2025) | Gemini (2025) | Flux dev (2024) |
|---|---|---|
 |
 |
|
| 実写、ストック写真として OK | 「猫の写真」として完成、被写界深度・光が自然 | アニメ・イラスト調に流れる |
→ Flux dev の癖：動物・猫系プロンプトでアニメ・イラスト調に流れることがある。一方で人物・物体・風景は実写としてしっかり描けるので（後述の 05 女性開発者参照）、サブジェクト依存。Stable Diffusion 系には無かった現象で、学習データに高品質な動物イラストが多く含まれている可能性。guidance_scale を上げると緩和する。
02 ラーメン — 雰囲気は最高、でもパクチー入り
写真品質は文句なし。木製テーブル、湯気、麺のテクスチャ、すべてレベルが高い。
問題は具材。パクチー入り。チャーシューの隣に卵2個（プロンプトは "soft-boiled egg" 単数形）。これは「アジア料理ごちゃ混ぜバイアス」の典型例。学習データで「ramen」「pho」「laksa」が同じカテゴリに混じっている。
| Qwen Lightning (2025) | Gemini (2025) | Flux dev (2024) |
|---|---|---|
 |
 |
|
| 緑野菜は微妙、それ以外は日本ラーメン | ナルト・メンマ・小皿まで「ラーメン屋の写真」 | パクチー + 卵2個（東南アジア混合） |
→ 日本人読者には一発で見抜かれる違和感。海外の読者は気付かないかもしれないが、日本語ブログには使えない。
03 LOCAL AI — 完璧、夕陽のレンズフレアまで
木の看板に "LOCAL AI" の文字、夕陽の草原、レンズフレア。英文字描画は文句なし。
これは Flux dev の真骨頂。SDXL 系では OOLDD AIXNIA のような架空語になっていた検証ポイントで、Flux dev は完璧に綴る。英文字を含むデザインなら Flux dev 一択。
Gemini と並べても遜色ない:
| Gemini (2025) | Flux dev (2024) |
|---|---|
 |
|
| 文字完璧、シーン作り込みは Gemini が一段上 | 文字完璧、夕陽レンズフレア |
04 M1 MAX 64GB Tシャツ — 80s シンセウェーブ完璧
Tシャツに "M1" "MAX" "64GB" がネオンピンク・オレンジで描かれ、黒バックに星、シンセウェーブ調のグリッド。全テキスト読める、80年代のスタイル指定にも完全に応えてる。
Qwen Lightning が "MAX" を歪ませて誤魔化していたのと対照的。スタイル指定 + 英文字 + 数字の3点セットは Flux dev のホームグラウンド。
05 女性開発者 — 実写として完璧、文句なし
開発者の女性、ラップトップ、紙コップ、観葉植物、ノート。指問題なし、PC は机に設置、小道具まで揃って、表情・肌の質感も実写としてしっかり描けている。
01 猫がアニメ調に流れたのと対照的に、人物プロンプトでは Flux dev は実写としてちゃんと出してくる。サブジェクト依存の手癖で、動物・猫系では崩れることがあるが、人物・物体・風景は安定。
| Qwen Lightning (2025) | Gemini (2025) | Flux dev (2024) |
|---|---|---|
 |
 |
|
| 実写、ストック写真 | 共同オフィスの撮影現場、Clean Code 本まで | 実写、小道具まで充実、文句なし |
06 AI brain — ネオン回路、写実度高い
サイバーパンク調のネオン回路の脳。立体感、光の粒子、解像度すべて高い。抽象アート系では Flux dev がローカルトップ。Qwen Lightning は同プロンプトでディテール感が薄かった。
| Qwen Lightning (2025) | Gemini (2025) | Flux dev (2024) |
|---|---|---|
 |
 |
|
| 実用域だが解像度感は劣る | キーアート即採用レベル、立体感が桁違い | ローカル中トップ、ネオン粒子・光の走り |
→ サイバーパンク・ネオン系のローカル筆頭は Flux dev。クラウドに踏み込めば Gemini が更に一段抜くが、ローカル完結なら Flux dev 一択。
07 ロボとチェス — 多要素配置 OK
3体のロボット、チェス盤、本棚、暖色光、窓からの光。プロンプトの全要素を破綻なく配置できる。SD 3.5 Medium で「2体に減らす」退化が起きた領域 (v4 参照) を、Flux dev は破綻なくこなす。
| Qwen Lightning (2025) | Gemini (2025) | Flux dev (2024) |
|---|---|---|
 |
 |
|
| 3体OK、表情やや漫画調 | 3世代のロボット史対話、観戦者・古い革表紙の本まで | 3体OK、表情・手・チェス駒のディテール充実 |
→ Flux dev は数の指定 + 表情ディテールでローカル群の中で頭一つ抜ける。Gemini はさらに「シナリオ」を作ってくるが、ローカル完結なら Flux dev で十分。
08 居酒屋 — 京都町家風、別格の雰囲気、ただし致命的な文化誤読
京都町家のような佇まい、提灯、夜の路地、雨上がりの石畳。雰囲気は別格。
問題が2つある。
(1) 看板の漢字が架空字: プロンプトの「居酒屋」を再現しようとした結果、「典桔」のような架空字になる。Flux dev は漢字を「文字」ではなく「装飾的な記号」として処理している。
(2) より致命的な文化誤読: 「居酒屋」は大衆向けの酒場なのに、Flux dev は京都町家風（料亭の意匠）で出してくる。これは別物。
居酒屋（大衆酒場）と料亭（高級日本料理店）は、日本人にとって明確に異なる業態。Flux dev は両者を区別できず、「料理 + 提灯 = 京都町家」という単一解釈に流れる。これは「日本らしさ ≒ 京都らしさ」というステレオタイプで学習データが構成されているため。
→ 国レベルの偏向（パクチー入りラーメン）より一段深い、「国内文化レベルでの単一解釈」問題。LAION の英語キャプションが「Japanese restaurant = traditional Kyoto-style」のように粗く紐付けられている結果。海外読者にはエキゾチックに映るかもしれないが、日本人読者には「いや、これ居酒屋じゃなくて料亭だろ」となる致命的なミス。
| Qwen Lightning (2025) | Gemini (2025) | Flux dev (2024) |
|---|---|---|
 |
 |
|
| 漢字・店構え・暖色照明 完璧 | 漢字・石畳の光・周辺ストーリーまで完璧 | 雰囲気別格、漢字「典桔」風の架空字 |
→ 雰囲気で勝って、漢字で負ける。日本語ブログでは使えない、英語向け「日本テイストの看板」風として使うなら可。
良かった点
- 写実度ローカルトップ: 01 猫以外のプロンプト忠実度は問題なし、SDXL 系を明確に超える
- 英文字描画完璧: "LOCAL AI" / "M1 MAX 64GB" すべて読める形で出る
- 抽象アート系・複雑構図に強い: AI brain・ロボとチェスでローカル群を引き離す
- プロンプト忠実度: SDXL のような「勝手にマグカップ追加」が無い
- 80s シンセウェーブ等のスタイル指定がしっかり通る
悪かった点
- アジア食文化バイアス: ラーメン → パクチー、寿司 → カリフォルニア風、になりがち
- 漢字描画 NG: 「居酒屋」を架空字にする、装飾記号として処理
- 動物・猫系でアニメ調に流れることがある: 猫プロンプトで
photorealistic指定が無視される。人物・物体・風景は実写で安定 - 1枚 12分は遅い: Apple MPS では NVIDIA の 7-8倍遅い (RTX 4090 で 1分台)
- Non-Commercial ライセンス: 商用利用には Flux schnell (Apache 2.0) との使い分け要
このモデルが活きるユースケース
要点：英語圏最強、アジアテイストは苦手。本記事の採用方針 「英語圏 = Flux dev / アジア圏 = Qwen Lightning」 の前者を担当する本命モデル。
- ✅ 英語圏向け記事の挿絵（個人利用）: 写実度・英文字・抽象表現・スタイル指定すべて強い、ローカルで Gemini に最も近い品質
- ✅ テクニカル記事の図解: AI / 開発・ガジェット系のキービジュアル、80s シンセウェーブやサイバーパンク調の指定が完全反映
- ✅ ストックフォト的な人物カット: 実写としてしっかり描ける、Gemini に次ぐ品質
- ✅ 複合キーワードを含むTシャツ・看板デザイン: schnell では消える "M1" のような型番も dev では完璧
- ⚠️ 24GB GPU で動かす（RTX 3090 / 4090）: モデル単体 23GB + T5-XXL + VAE で24GB枠ギリギリ、実質オフロード前提。Mac M1 Max 64GB なら余裕、NVIDIA の中堅 GPU には厳しい
- ❌ 日本語・中国語の看板や標識: 漢字は「典桔」のような架空字、京都町家風の文化誤読も出る
- ❌ アジア料理の正確な描写: パクチー入りラーメン、ハム風チャーシュー
- ❌ 商用利用: Non-Commercial、商用は schnell (Apache 2.0) or Lightning (Apache 2.0) へ
- ❌ 大量生成: 1枚 12分は素材ライブラリ作りには遅い、bulk なら schnell へ
ハマりポイント / Tips
1. HF gated repo の申請を忘れない
# これが通らない場合は huggingface.co でアクセス権申請
huggingface-cli login
black-forest-labs/FLUX.1-dev のページで "Access repository" ボタン。承認まで数時間〜1日。schnell は不要なので dev だけ申請忘れがちな罠。
2. guidance_scale=3.5 は意外と低い
SDXL 系の感覚で 7.5 などにすると 写実度が崩れる。Flux dev は guidance に敏感で、デフォルトの 3.5 を中心に微調整するのが安全。アニメ調を抑えたいときは 4.0-4.5 程度まで上げる。
3. photorealistic が効かない時の対処
プロンプトの最初に置き、追加で realistic photography, shot on Canon EOS R5, natural lighting のような撮影機材ワードを足すと写実寄りになる。それでもダメなら seed を変える。
4. アジア要素はそもそも別モデルへ
ラーメン・寿司・着物・漢字看板など、アジアの文化記号を含むプロンプトは Flux dev に投げない。Qwen-Image Lightning が同じハードで 10分で出してくれる。役割分担。
5. 12分の生成は寝てる間に回す
8プロンプト揃えるのに 96分。compare.py のような比較スクリプトで caffeinate -i を噛ませて、シャワー浴びてる間 + 食事中 で1セット。リアルタイムには厳しい。
caffeinate -i ./venv/bin/python compare.py flux_dev
比較記事と次のモデルへ
- まとめ記事: Mac でローカル画像生成 10モデル比較したら、最強候補が裏返った
- 前作 (LLM 6モデル比較): ローカルLLMで読める記事は書けるのか
シリーズ内の関連記事:
- v5 Flux.1 [schnell] — Apache 2.0 の 4-step 蒸留、商用OKの代償
- v8 Qwen-Image Lightning — 8-step に蒸留したらローカル最強候補に化けた（英語圏 Flux dev / アジア圏 Qwen Lightning の使い分け）
- v9 Gemini 2.5 Flash Image — クラウドが別格である理由
次作 (構想):
- 第3弾: AI が描く各国料理 — 学習データの地理的偏向を可視化（draft）
検証環境: Mac M1 Max 64GB / macOS 25.4 / Python 3.14 / Diffusers 0.37.1 / PyTorch 2.11 (MPS) 作業ログ: 2026-04-29、Flux.1 [dev] (black-forest-labs/FLUX.1-dev, 28-step / guidance 3.5)
