Black Forest Labs 发布 FLUX 3：面向图像、视频、音频和机器人动作预测的多模态模型

黑森林实验室（BFL）发布了FLUX 3，这是一个多模态基础模型，能在单一架构中学习图像、视频和音频。这是首个通过同一组权重输出视频、音频和动作预测的FLUX模型。研究团队认为，没有任何单一模态能完整描述世界，同时对所有模态进行训练意味着它们相互约束。FLUX 3基于Self-Flow——BFL的对齐多模态生成与理解的方法，它将流匹配目标与自监督特征重建目标相结合。FLUX 3视频可在单次生成中产出最长20秒的片段并自带原生音频，支持文生视频、图生视频、视频生视频、关键帧生视频以及生成式视频音频延续。BFL报告其在人类面部表情和将声音与物理事件关联方面表现强劲。在针对10秒、720p、带音频的文生视频片段的初步人类偏好测试中，FLUX 3优于Luma Ray 3.2（93%对比）、Runway Gen-4.5（77%）、Grok Imagine Video（69%）、Kling v3 Pro（60%），以及Happy Horse v1和1.1（分别为59%和57%）。对阵Seedance 2.0和Gemini Omni Flash时，其偏好率达到52%。视频预测消耗了超过95%的训练算力，音频则不到0.5%的令牌。相同的骨干网络运行FLUX-mimic——一种机器人策略，在一张RTX 5090上响应时间低于80毫秒。访问受限：视频和动作功能处于早期访问阶段，图像功能随后，开源权重最后推出。