# Replicate accélère FLUX.1 Kontext avec TaylorSeer

> FLUX.1 Kontext [dev], dont l’implémentation est ouverte, réduit les calculs complets grâce à TaylorSeer et ses dérivées mises en cache.

Type : Actualité IA · Catégorie : Outils · Publié le 2026-10-25 · Signal IA - Order & Chaos
Source : https://www.orderchaos.eu/signal-ia/actu/replicate-accelere-flux1-kontext-grace-a-taylorseer
Tags : ia générative, images, code ouvert, optimisation, open-source, ia-image, inference

---

## En résumé

- Replicate publie une implémentation ouverte de FLUX.1 Kontext [dev].
- TaylorSeer approxime les sorties intermédiaires avec des dérivées mises en cache.
- Le calcul peut être effectué à chaque étape, une fois sur deux ou une fois sur trois.

**Le signal :** TaylorSeer approxime les prédictions intermédiaires de FLUX.1 Kontext sur environ 30 étapes de diffusion.

**Replicate optimise** FLUX.1 Kontext [dev] avec TaylorSeer, une méthode qui approxime les prédictions intermédiaires. L’implémentation de FLUX.1 Kontext [dev] est publiée sous forme de code ouvert. La transformation de diffusion se déroule sur environ 30 étapes. TaylorSeer utilise des changements d’image mis en cache et des séries de Taylor. Cette approche remplace certaines prédictions complètes par une approximation calculée depuis des dérivées précédentes. Replicate a présenté cette [optimisation](/signal-ia/actu/replicate-accelere-flux1-kontext-avec-taylorseer) le 15 juillet 2025. Les auteurs identifiés sont shridhara et alexarmbr. L’article détaille l’implémentation dans [sa publication technique](https://replicate.com/blog/flux-kontext-optimization), consacrée à l’optimisation de FLUX.1 Kontext [dev].

**Trente étapes structurent** la transformation de diffusion de FLUX.1 Kontext. À chaque étape, le modèle peut produire une prédiction complète de l’évolution de l’image. TaylorSeer conserve plutôt des dérivées calculées pendant les étapes précédentes. Ces données servent ensuite à approximer la sortie du modèle à une étape donnée. La méthode repose ainsi sur des prédictions déjà calculées et sur une série de Taylor. Le temps nécessaire pour calculer cette approximation est presque instantané comparé à celui d’une prédiction complète. La différence concerne donc le calcul de la sortie intermédiaire, sans modifier le nombre d’étapes mentionné pour la transformation.

## TaylorSeer réutilise les dérivées calculées

**Les premières étapes** de `denoise()` calculent des prédictions complètes. Elles initialisent les différences finies nécessaires au fonctionnement de TaylorSeer. Cette initialisation fournit les informations utilisées pour estimer les sorties suivantes. TaylorSeer exploite ensuite les dérivées mises en cache afin d’approximer la sortie du modèle à un instant donné. Le mécanisme associe donc une phase de calcul complet et une phase d’approximation. Le [code ouvert](/signal-ia/actu/flux1-kontext-gagne-en-efficacite-grace-a-taylorseer) de Replicate contient cette logique dans [taylor_seer_utils.py](https://github.com/replicate/cog-flux-kontext/blob/main/flux/taylor_seer_utils.py). Le dépôt présente aussi l’implémentation de [FLUX.1 Kontext](https://github.com/replicate/cog-flux-kontext), avec le fichier `predict.py` associé.

**Le niveau d’accélération** détermine les étapes recalculées par le système. `compute_step_map` peut demander un calcul complet à chaque étape. Il peut aussi alterner les étapes calculées et approximées. Une autre configuration prévoit un calcul complet une étape sur trois. Les repères numériques associés sont donc chaque étape, une étape sur deux, ou une étape sur trois. Le reste des sorties utilise l’approximation TaylorSeer et les dérivées conservées. Le choix de cette carte de calcul modifie la fréquence des prédictions complètes. Le code documente directement cette possibilité de configuration dans l’implémentation ouverte de [Replicate](/signal-ia/actu/black-forest-labs-lance-flux2-sur-replicate-en-trois-versions).

## Le code ouvert expose trois rythmes

**Le calcul approximatif** intervient entre les prédictions complètes définies par `compute_step_map`. TaylorSeer réutilise les dérivées disponibles pour produire une sortie estimée. Son temps de calcul est presque instantané comparé à une prédiction complète du modèle. Cette propriété distingue le coût des deux opérations décrites dans l’optimisation. Le système peut donc alterner plusieurs rythmes de calcul selon le niveau d’accélération choisi. L’implémentation reste accessible dans le [dépôt GitHub de Replicate](https://github.com/replicate/cog-flux-kontext). L’article publié le 15 juillet 2025 relie ces choix à l’optimisation de FLUX.1 Kontext [dev], dont l’implémentation est ouverte.