Marico's space

最近折腾了 Flux 2 Klein 9B 的换脸流程，踩了几个参数不一致的坑，这篇把整个工作流说清楚。作者把这套组合称为自己在图像编辑模型里见过最好的换脸结果，但真正值得关注的并不是模型本身，而是套在外面的三个约束：遮罩绘制的局部重绘区域、专门为 Klein 9B 训练的 Rank-128 LoRA（低秩适配器），以及决定人脸会不会变形的 Megapixel Budget（百万像素预算）。

证据说明：本期提供的是一份包含 57 个节点的工作流 JSON（JavaScript 对象表示法）。下面涉及的图表数值都读取自这份文件；百万像素建议值和 LoRA（低秩适配器）的来源则来自作者讲解。两边对不上时，我会明确标出来。

什么时候值得用

• 你有一张待处理的人像，以及一张更干净、更清晰的人脸参考图，希望只替换脸部，不动画面其他部分。
• 你使用的图像编辑模型原生不支持局部重绘，但仍然需要修改某个局部区域。
• 你对已经完成的编辑结果进行二次放大，希望人脸经过第二遍处理后依然稳定。

工作流到底做了什么

1. 输入两张图片。Image 1 是目标图。右键打开遮罩编辑器，涂出准备替换的人脸区域。Image 2 是参考人脸。
2. 统一百万像素尺寸。ImageScaleToTotalPixels 节点放在最前面，并使用 lanczos 缩放算法；一个标记为 Set Megapixels 的 PrimitiveFloat 节点连接到它。
3. 局部重绘，而不是空白 Latent（潜空间张量）。作者故意选择 LanPaint 局部重绘路线，而不是输入空白潜变量。画面里有两个人时，空白潜变量会让换脸结果落到错误位置。这里优先保证精度，而不是图省事。
4. LanPaint_KSampler 负责核心生成。参数为：20 步、CFG（Classifier-Free Guidance，分类器自由引导）1、euler、simple、denoise 1，以及“Image First”。这个节点能让不支持原生局部重绘的模型完成指定区域的重新绘制，代价是速度变慢，作者接受了这一点。
5. 解码后重新对齐尺寸。ImageResizeKJv2 设置为 512x512、nearest-exact、centre crop；LayerUtility: ImageScaleByAspectRatio V2 则使用 letterbox、lanczos，最长边设为 1920。作者的思路是：模型最终解码出的尺寸并不完全可控，因此需要把图片和遮罩重新约束到源图尺寸，保证后续处理一致。
6. 第二次采样专门负责放大。这一段使用一个步骤很少的 KSampler：4 步、CFG 1、euler、simple。这是作者额外接上的“image edit model upscale”尾段，因为最初的换脸结果偏软。

工作流使用的模型

• 骨干模型：flux-2-klein-9b.safetensors，加载两次，分别用于换脸和放大阶段
• 文本编码器：qwen_3_8b_fp8mixed.safetensors，CLIPLoader 类型为 flux2
• VAE（变分自编码器）：flux2-vae.safetensors
• 换脸 LoRA：bfs_head_v1_flux-klein_9b_step3500_rank128B.safetensors，strength 为 1.0
• 空白潜变量尺寸：1008x1024 和 1024x1024

百万像素预算，以及一个值得注意的参数冲突

作者引用 Flux 2 官方上限时给出的数字是 4 百万像素，但他自己实际使用的是 1.5。按照他的说法，2 百万像素已经偏高，容易导致人脸变形。

问题在于，随工作流提供的 Set Megapixels 节点实际设置成了 2，并且有三个中间 ImageScaleToTotalPixels 节点处于 bypass（绕过）状态。也就是说，文件里的默认值高于作者口头推荐值：如果要跟着视频复现，运行前应该先把这个节点调成 1.5。

LoRA 的训练步数，以及第二处冲突

LoRA 文件名中写的是 step3500，但作者在讲解中称 Klein 9B 版本大约训练到了 3700-3750 步。两者指向的是同一个权重文件，只是引用训练步数时说法不同。

真正影响使用的结论是：只选 2511 或 Klein 9B 版本，这两个模型都已经开放。作者还提醒，更小的 Klein 4B 版本会丢失换脸稳定性，继续尝试其他尺寸基本是在浪费时间。

操作步骤

1. 加载工作流，然后加载 Image 1，也就是目标图，以及 Image 2，也就是参考人脸。
2. 右键 Image 1，打开遮罩编辑器，涂出需要替换的人脸区域，保存遮罩。
3. 设置百万像素节点。作者使用的是 1.5，随文件提供的配置是 2。
4. LoRA strength 保持 1.0；LanPaint 采样器保持 20 步、CFG 1、euler、simple。
5. 先运行工作流，检查换脸结果，不要一上来就动放大分支。
6. 如果结果偏软，再运行 4 步的放大尾段。作者指出，他自己使用的参考图质量较低，所以画面发软主要来自输入，而不是模型。
7. 想得到更好的结果，应上传高分辨率的 Image 2，并选择与目标人脸角度接近的参考图。作者明确表示，他自己测试时这两点都没有做到。

参数依据

以下数据来自 Flux2 Klein9B 无痕换头放大大师版.json，工作流共 57 个节点：

限制和使用边界

• 这不是原创工作流。作者表示，基础版本来自一位 Reddit 用户，他在上面增加了放大流程和细节调整。
• 速度代价。LanPaint 换来的是对原生局部重绘模型的兼容，代价则是明显的运行速度下降。
• 这里不需要讨论 Wan 级别的肢体处理能力，但人脸角度很重要。作者自己的测试使用了不匹配的角度和低质量参考图，两项都影响了结果。
• 没有量化指标。“我见过最好的结果”只是作者在自己测试过的图像编辑模型之间做出的主观比较，不属于基准测试结论。
• 工作流文件与讲解之间存在两处已记录的不一致：百万像素为 2 对 1.5，LoRA 训练步数为 3500 对约 3750。两者都不构成阻塞问题，但在信任其中任何一个数字之前，最好先知道它们的存在。
• 伦理风险。作者提到换脸可能被用于恶意场景，但他仍将它当作一种生产能力来处理，尤其适用于那些对真实人脸限制非常严格的托管平台。

本期资源

• RunningHub：https://www.runninghub.ai/post/2026299604819517442/?inviteCode=rh-v1111
• 镜像：本期没有
• YouTube：https://www.youtube.com/watch?v=KqnEfQ-UCOM
• Bilibili：https://www.bilibili.com/video/BV1WHfSBtE4u