Offene Bildmodelle rendern lesbaren Kartentext — lokal statt in der Cloud

Unser Sammel-Figuren-Spiel figgos erzeugt zu jeder Figur ein Karten-Bild — ein Produktfoto einer versiegelten Blisterpackung: die Figur links, genau drei Accessoires rechts, reiner weißer Hintergrund. Und, das ist die harte Anforderung, lesbarer Text direkt im Bild: der Figurname groß, ein Untertitel, ein Rarity-Tag („COMMON“, „RARE“, „EPIC“, „LEGENDARY“). Bisher entstand dieses Bild über Google Gemini in der Cloud. Das funktioniert — kostet aber bei jedem Aufruf, hängt an einem API-Key, und die Bilddaten verlassen das Haus. Drei Abhängigkeiten, die dem ersten Verein-Wert (Daten-Souveränität vor Bequemlichkeit) direkt widersprechen.

Die naheliegende Alternative — ein offenes Modell auf eigener Hardware — hatte lange einen bekannten Haken: lesbaren Text im Bild bekommen offene Bildmodelle klassisch nicht sauber hin. Buchstaben verrutschen, verdoppeln sich, werden zu Pseudo-Schrift. Genau das mussten wir also messen, statt es zu vermuten.

Der Bake-off

Wir haben sechs offene Modelle über identische Karten-Prompts laufen lassen, Seed 42, auf einer RTX 3090: Chroma1-HD, Qwen-Image, Flux 2 Klein, Krea2 (turbo), Ideogram 4 und Juggernaut-XL als SDXL-Baseline. Zwei Runden. Runde eins war die Erstsichtung — sechs Modelle über zwei Karten. Runde zwei schickte die vier Finalisten durch sechs bewusst vielfältige Karten: verschiedene Raritäten, männlich und weiblich, jung und alt, Mensch und Roboter — inklusive eines gezielten Ziffern-Stresstests mit Namen wie „Unit-7“ und „MK-III“, weil Zahlen und Kürzel die Text-Schwäche am härtesten prüfen.

Das Ergebnis ist eindeutig: Krea2 (turbo) ist der konsistenteste Sieger. Über alle Testkarten liefert es durchgehend die geforderten drei Accessoires, eine saubere Figur — und fehlerfreien, lesbaren Text, auch dort, wo es weh tut: die Ziffer „7“ und das Kürzel „MK-III“ stehen korrekt im Bild. Rund 36 Sekunden pro Karte, offen lizenziert, self-hostbar. Chroma1-HD ist qualitativ gleichauf und hat den besten „Grit“-Produktfoto-Look, braucht mit etwa 75 Sekunden aber gut das Doppelte.

Der ehrliche Gegenpunkt gehört dazu: Das fotorealistischste und textstärkste Modell im Test war nicht Krea2, sondern Ideogram 4. Es ist nur nicht-kommerziell (NC) lizenziert — damit für einen Verein, der die App betreibt, nicht nutzbar. Es steht in unserer Auswertung als Referenz-Obergrenze, nicht als Option. Flux 2 Klein war schnell und schön, produzierte im großen Namen aber wiederkehrend einen Buchstaben-Doppler („UNIIT-7“). Und Juggernaut/SDXL kann lesbaren Text schlicht nicht — genau deshalb war es als Baseline dabei: um die Schwäche sichtbar zu machen, gegen die die anderen antreten.

Ein ehrlicher technischer Fund

Damit niemand den Eindruck bekommt, offene Modelle „laufen einfach“: Krea2 lief zuerst kaputt — die Bilder kamen als Gittermuster, ausgewaschen, unbrauchbar. Ursache waren zwei Verdrahtungsfehler. Krea2 nutzt das Wan2.1-Latent-Format und braucht deshalb eine dazu passende VAE (qwen_image_vae), nicht die Flux-VAE, mit der man reflexhaft startet. Und es braucht einen Sampling-Shift (ModelSamplingAuraFlow, 1.15). Erst mit korrekter Verdrahtung liefert es die Spitzenqualität oben. Das ist genau die Art Detail, die offene Modelle „schwierig“ wirken lässt: lösbar, aber man muss es wissen — und wer es nicht weiß, hält ein exzellentes Modell für ein schlechtes.

Wo wir stehen

Phase 1 ist gebaut. Im figgos-Backend sitzt ein austauschbarer Bild-Provider hinter dem Flag FIGGOS_GENERATION_BACKEND=gemini|local; auf local rendern Standard-Karten lokal über ComfyUI und Krea2. Damit ist der Bild-Pfad für den häufigsten Fall aus der Cloud herausgelöst. Offen bleiben zwei Stücke: der Text-Teil einer Karte lokal über mana-llm (Phase 2) und die Gesichtsfoto- Referenz mit Fusion (Phase 3) — die ist lokal noch nicht in ausreichender Qualität gelöst, weshalb Karten aus einem realen Gesicht vorerst bei Gemini bleiben. Der Cloud-Ausstieg ist an diesem einen Punkt also noch nicht vollständig, und das steht hier, statt es zu glätten.

Nüchtern eingeordnet: Ein self-hostbares Modell rendert lesbaren Kartentext und ein Produktfoto in einer Qualität, die vor Kurzem noch der Cloud vorbehalten schien — zu null Euro Nutzungskosten pro Karte, mit den Daten im Haus. Der Preis dafür sind rund 36 statt 10 bis 15 Sekunden pro Bild (ein asynchroner Job löst das) und die Abhängigkeit von einer GPU-Box, die einen Fallback braucht. Für einen Verein, der Souveränität über Bequemlichkeit stellt, ist das ein Tausch, der sich lohnt.