黑森林实验室发布Flux3 多模态模型 首次支持 20 秒原生音视频同步生成

7月23日，德国人工智能初创公司黑森林实验室（Black Forest Labs）正式推出了多模态基础模型Flux3，这标志着生成式视频技术迎来了一次真正的跃迁。基于Self-Flow架构打造，该模型配备了专用的图像、视频、音频及动作编解码器，能够对物理与数字环境实现统一的理解与生成——换句话说，它不再只是“看”或“画”，而是开始“听懂”和“动起来”。

值得关注的是，Flux3是首款原生支持音频生成的模型，一次性就能输出长达20秒的音视频同步片段。它支持文本/图像/视频转视频、基于关键帧的转场以及多语言对话等功能，覆盖了从创意到生产的多个环节。在720p分辨率、10秒片段的早期测试中，Flux3展现出强劲的竞争力：性能超越Luma Ray3.2（胜率93%）和Runway Gen-4.5（胜率77%），即便与Seedance2.0及Gemini Omni Flash等顶尖模型对标，也保持着微弱优势——这组数据背后，意味着视频生成赛道正在迎来真正的“性能天花板”之争。

此外，公司还联合Mimic Robotics开发了适用于机器人领域的视频动作模型Flux-mimic，目前已在奥迪工厂开展生产任务测试。从实验室到工厂流水线，这个跨度本身就说明了很多。BFL采取了分阶段推出策略：Flux3 Video现已上线，Flux3 Image与开源权重的“Flux3 Dev”也将在近期陆续发布。通过打破单一模态的信息局限，Flux3正加速推动AI向具备感知与行动能力的物理世界演进——也就是业内常说的“世界模型”。