يُقدّم مشروع flux2.c من تطوير Salvatore (المُسماة antirez) نموذجًا لاستنتاج صور من نصوص باستخدام نموذج FLUX.2-klein-4B من Black Forest Labs، مُنفّذًا بالكامل بلغة C دون أي اعتماد خارجي سوى المكتبة القياسية، ما يجعله مثاليًا للاستخدام في بيئات محدودة أو غير مدعومة ببيئة Python. يُعد هذا المشروع تجربة مبتكرة في استخدام الذكاء الاصطناعي لتوليد الكود، حيث كُتب بالكامل باستخدام أداة Claude Code (من خطة Claude Max)، مع تدخل بشري محدود في التوجيه والتصميم والتحقق من الدقة، مما يُظهر إمكانية بناء أنظمة معقدة بالذكاء الاصطناعي دون كتابة سطر واحد من الكود يدويًا. يتميز النموذج بسهولة الاستخدام: لا يتطلب تهيئة النموذج، ولا تُستخدم التقليلات (quantization)، بل يُحمّل مباشرة من ملفات safetensors باستخدام الأعداد العشرية (floats). يمكن تشغيله عبر سطر الأوامر لتحويل النصوص إلى صور، أو تحوير صور موجودة بناءً على وصف نصي، مع تحكم دقيق عبر معلمات مثل قوة التغيير (strength) ودقة الصورة. تُدعم التوليدات بمقاييس تصل إلى 1024×1024 بكسل، مع شرط أن تكون الأبعاد مضاعفات لـ16 بسبب ضغط VAE. يُمكن استخدام البرنامج كمكتبة C/C++ من خلال ربطها بـ libflux.a وتشمل ملف flux.h، مع دعم كامل للوظائف الأساسية مثل تحميل النموذج، توليد الصور، وحفظها بتنسيقات PNG أو PPM. يتم تحرير وحدة الترميز النصي (text encoder) بعد التوليد لتقليل استهلاك الذاكرة، مما يقلل الذروة من 16 جيجابايت إلى 8 جيجابايت، مع إعادة تحميلها تلقائيًا عند تغيير النص. تتطلب العملية 16 جيجابايت من الذاكرة العشوائية في ذروة الاستخدام، وتنقسم إلى مرحلتين: ترميز النص (~8 جيجابايت) وتشغيل التدفقات التفاضلية (~8 جيجابايت). تُستخدم 4 خطوات فقط في التوليد، مما يجعله سريعًا جدًا مقارنة بمعظم النماذج المشابهة. يُمكن تنزيل النموذج مباشرة من HuggingFace، ويُخزن في مجلد flux-klein-model بحجم تقريبي 16 جيجابايت. يُدعم استخدام وحدات المعالجة الرسومية عبر MPS (على macOS) أو BLAS (على Linux) لتسريع الأداء، مع إمكانية التجميع باستخدام make مع تحديد الخلفية المطلوبة. يُعد هذا المشروع خطوة مهمة نحو فك اعتماد الذكاء الاصطناعي على بيئة Python، ويُعزز مفهوم التوليد المفتوح المصدر والقابل للتنفيذ في أي بيئة. تُرخص المشروع تحت شرط MIT، مما يسمح باستخدامه وتعديلاته بحرية.