关于 Flux-Kontext 支持多张 kontext_images 输入的设计疑问

您好，感谢你们开源 DiffSynth-Studio 项目！

我在阅读 flux_image_new.py 中 FluxImageUnit_Kontext 的实现时注意到，当前代码支持输入多张 kontext_images，并将多个 kontext_latent 在非通道维度（dim=1）进行拼接：

kontext_latents = torch.concat(kontext_latents, dim=1)
kontext_image_ids = torch.concat(kontext_image_ids, dim=-2)

这似乎与 Flux-Kontext 官方开源实现（只支持单张图）不完全一致。在我们的测试中，尝试输入多张图像时，输出结果只是简单地将图像融合，整体表现并不协调。

因此我有几个疑问想请教：

1. 当前支持多张 kontext_images 的设计初衷是什么？是为后续支持多图编辑、多图融合等扩展功能做准备吗？
2. 将多个 latent 在非通道维度拼接是否符合模型结构本身的预期？这种拼接方式是否可能会引起空间布局的错乱或 feature 混淆？
3. 若我们希望通过 SFT（Supervised Fine-Tuning）方式提升多图输入的效果，是否有推荐的数据量？你们是否有这方面的经验可以分享？

再次感谢你们的工作，期待解答！

Start with diffsynth/pipelines/flux_image_new.py and the FluxImageUnit_Kontext implementation, then compare its multi-image latent concatenation with the official Flux-Kontext behavior described in the issue. There is no concrete change or acceptance criterion yet; a maintainer decision is needed before the work can be scoped or considered done.