Das Curriculum
01 — Denken
Einführung
Das konzeptionelle Fundament
Warum deterministische und stochastische Werkzeuge verschiedene Probleme lösen — und warum diese Unterscheidung alles verändert.
02 — Synthetisieren
KI-Bildgenerierung
Die stochastische Welt
Wie Diffusionsmodelle funktionieren, was Encoder leisten, und wie man präzise statt zufällig promptet.
03 — Verbinden
RAY-L
Beide Welten zusammenführen
RAY-L verbindet Blender und ComfyUI über ControlNet Canny — volle kompositorische Kontrolle, volle kreative Bandbreite der KI.
04 — Zeigen
Fallstudien
Die Methode an echten Projekten
Echte Projekte, dokumentiert vom ersten Blender-Entwurf bis zum fertigen Bild — mit jeder Entscheidung sichtbar.
Case Study
Der Ray-L Workflow in der Praxis
Case Study F1
Highland Cottage
Eine Fallstudie, die bewusst mit minimaler Blender-Geometrie arbeitet — und zeigt, was der RAY-L-Workflow daraus machen kann. Wie präzise sich Bildaufbau und Komposition steuern lassen, während die KI maximalen gestalterischen Freiraum behält.
Direkt zur Fallstudie →Standpunkt
KI-Bildgenerierung hat einen Preis — in Energie, in Ressourcen, in Abhängigkeiten. Wer diese Technik professionell einsetzt, trifft täglich Entscheidungen: welche Modelle, welche Infrastruktur, wie viele Durchläufe. Dieser Blog versucht nicht, diese Fragen wegzureden. Er versucht, einen Workflow zu zeigen der sie ernst nimmt.
→ Zum vollständigen TextNeu erschienen
Oktober 2026Flux, neu vermessen
Komplette inhaltliche Überarbeitung der Flux-Seiten: Speicher und Formate für Flux.1 dev, Krea dev als fotografisches Hauptmodell mit Zeitmatrix für MacBook Air und Pro, Flux.2 Klein im Vergleich — dazu die Grundlagen neu sortiert.
Wo ist der AI-Look hin?
Flux.1 Krea dev rückt an genau die Stelle, an der zuvor Flux.1 dev saß — eine Datei getauscht, die Pipeline unangetastet — eine fotografischere Anmutung bei null Mehraufwand.
Wessen Gesicht ist das?
Persönlichkeitsrecht bei synthetischen KI-Modellen — das dritte Recht neben Urheberschaft und Kennzeichnung, und warum die Doppelgänger-Frage kleiner ist, als sie klingt.
Kennzeichnen — aber was?
Was der AI Act wirklich von Bildproduzenten verlangt — und warum die entscheidende Frage nicht lautet, ob KI im Spiel war.
Wer hat ausgelöst?
Urheber- und Nutzungsrecht bei KI-Bildern — drei Fragen, die ständig durcheinandergehen, und warum die Grenze nie beim Verfahren liegt.
Flux.2 Klein
Das Schweizer Taschenmesser unter den Diffusionsmodellen — ist Flux.2 wirklich so gut? Und welche Variante ist die richtige Wahl?
Case Study Nr. 2
Food-Fotografie und ein Canny, das kein Canny ist — warum Texturen in Objekten für ControlNet-Bilder zum Problem werden können.
Prompts für Flux
Zwei Encoder, zwei Felder, zwei verschiedene Sprachen. Wer den Unterschied zwischen CLIP und T5 versteht — Stichwortlisten auf der einen, freie Sätze auf der anderen Seite — für den hört Flux-Prompting auf, Ratespiel zu sein.
Prompts für SDXL
CLIP liest keine Sätze — er liest Konzepte. Reihenfolge ist Gewichtung, Gewichtung ist Steuerung, und der negative Prompt ist ein aktives Instrument, kein Sicherheitsnetz. Was man bei SDXL wirklich wissen muss.
FAQ
Häufige Fragen
Was ist 3DWRKSHP und für wen ist es gedacht?
+
3DWRKSHP ist ein offenes Curriculum für Bildproduktion ohne Kamera. 3D in Blender und KI-Bildgenerierung in ComfyUI werden hier als ein gemeinsamer Workflow behandelt, nicht als Konkurrenten.
Es richtet sich an Fotografen, Gestalter, Agenturen und die Ausbildung, vom Azubi bis zur professionellen Produktion. Geschrieben hat es Matthias Demand, Fotograf mit 30 Jahren Berufspraxis von der Katalogfotografie über CGI bis KI und 17 Jahren Unterricht an Kammern und Berufsschulen.
Kostet der Inhalt etwas?
+
Nein. Alle Artikel sind kostenlos und ohne Anmeldung lesbar, und das bleibt so. Auch die Werkzeuge kosten nichts: Blender und ComfyUI sind Open Source, die verwendeten Modelle haben offene Gewichte. Das Add-on RAY-L gibt es über Gumroad zum frei gewählten Preis ab 0 $.
→ RAY-L
Wie funktioniert KI-Bildgenerierung?
+
Die meisten Bildgeneratoren sind Diffusionsmodelle. Sie haben beim Training aus Milliarden Bild-Text-Paaren statistische Muster gelernt und speichern keine Bilder ab.
Jedes Bild beginnt als reines Rauschen, das in 20 bis 50 Schritten entrauscht wird. Ein Text-Encoder übersetzt dafür den Prompt in Zahlen, und über einen Mechanismus namens Attention lenkt der Prompt jeden einzelnen Schritt. Am Ende übersetzt der VAE das Ergebnis in Pixel. Das Bild wird neu berechnet, nicht aus vorhandenen Bildern zusammengesetzt.
Wie erzeuge ich KI-Bilder lokal auf dem eigenen Rechner?
+
Du brauchst drei Dinge:
- ComfyUI als kostenlose Oberfläche, am einfachsten über Stability Matrix installiert
- die Modelldateien, etwa SDXL oder Flux.1
- einen Rechner mit genug Speicher: Nvidia ab 8 GB VRAM oder Apple Silicon ab 16 GB, für Flux ab 32 GB empfohlen
Lokal heißt: Deine Bilder und Daten verlassen den Rechner nicht, es gibt kein Abo, und du hast volle Kontrolle über Modell und Parameter. Genau das macht Ergebnisse reproduzierbar.
Warum liefert derselbe Prompt jedes Mal ein anderes Bild – und wie werden Ergebnisse reproduzierbar?
+
Weil jedes Bild aus einem anderen Startrauschen entsteht. Dieses Rauschen wird aus einer Zahl berechnet, dem Seed. Bei gleichem Seed, gleichem Prompt und gleichen Einstellungen entsteht auf derselben Maschine dasselbe Bild. In ComfyUI stellst du den Seed dafür auf „fixed“.
Ändern sich Auflösung oder Step-Zahl, ergibt derselbe Seed trotzdem ein anderes Bild. Eine feste Komposition hältst du zuverlässig nur über ControlNet.
→ Wie funktioniert KI-Bildgenerierung · Flux.1 Krea dev: Iteration und Finalisierung
Welches Modell eignet sich wofür – SDXL, Flux oder Flux.2?
+
- SDXL ist der zugängliche Einstieg: wenig Speicherbedarf, schnell, mit ausgereiftem ControlNet-Ökosystem.
- Flux.1 dev versteht Prompts deutlich genauer und braucht mehr Speicher.
- Flux.1 Krea dev ist dasselbe Setup mit betont fotografischem Look und die Empfehlung für RAY-L.
- Flux.2 Klein ist sehr schnell (4B: rund 65 s pro Bild gegenüber 143 s bei SDXL auf dem MacBook Air mit 16 GB), hat aber kein ControlNet Canny.
- Flux.2 dev liefert die höchste Qualität, braucht aber rund 40 Minuten pro Bild auf dem MacBook Pro mit 64 GB.
Darf ich KI-generierte Bilder kommerziell nutzen?
+
Meist ja, aber zwei Fragen müssen getrennt werden: Wem gehören die Bilder, und darf ich das Modell kommerziell betreiben?
- Flux.1 dev, Krea dev und Flux.2 Klein 9B (FLUX Non-Commercial License): Die erzeugten Bilder gehören dir und dürfen genutzt und verkauft werden. Ausgenommen ist nur das Training eines konkurrierenden Modells. Für den kommerziellen Betrieb des Modells selbst brauchst du eine Lizenz von Black Forest Labs.
- Flux.2 Klein 4B (Apache 2.0): frei nutzbar, auch kommerziell.
Davon getrennt sind drei weitere Fragen: das Urheberrecht am Bild, die Kennzeichnungspflicht nach dem AI Act und das Persönlichkeitsrecht. Dazu gibt es jeweils einen eigenen Artikel. Das ist Orientierung, keine Rechtsberatung.
→ Lizenzmodelle · Urheberrecht · Kennzeichnungspflicht · Persönlichkeitsrecht
Kann ich Blender nutzen, um KI-Bilder zu steuern?
+
Ja, das ist der Kern dieser Seite. Blender legt fest, was feststehen soll: Geometrie, Kamera, Perspektive, Komposition. Die KI erzeugt, was frei sein darf: Material, Licht, Atmosphäre.
Die Verbindung läuft über ControlNet Canny: Aus dem Blender-Render wird ein Kantenbild, an das sich das Modell hält. Das Add-on RAY-L macht daraus einen Klick-Workflow von Blender zu ComfyUI und zurück, mit SDXL, Flux.1 dev und Krea dev. Schon einfache Blockgeometrie reicht, wie die Fallstudie Highland Cottage zeigt.
Läuft das auf einem Mac – auch mit 16 GB?
+
Ja, mit Einschränkungen.
- SDXL läuft auf einem MacBook Air mit 16 GB problemlos.
- Flux.1 Krea dev läuft dort nur als GGUF-Quantisierung. Empfehlung ist Q4 mit rund 25 Minuten pro Bild bei 1024². Das geht, ist aber zäh.
- Ab 32 GB passt die volle fp16-Fassung. Auf dem MacBook Pro mit 64 GB braucht Krea rund 5½ Minuten.
- fp8-Dateien laufen auf Apple Silicon grundsätzlich nicht.
- Flux.2 Klein 4B braucht auf 16 GB nur 65 Sekunden, hat aber kein ControlNet.
Mehr Arbeitsspeicher lässt größere Modelle laufen. Schneller wird es dadurch nicht, denn das Tempo bestimmen die GPU-Kerne.
→ Flux.1 dev: Speicher und Formate · Flux.1 Krea dev: Zeitmatrix