Black Forest Labs发布多模态基础模型FLUX 3

7月24日，Black Forest Labs正式发布了完全基于统一架构设计的新一代多模态基础模型——FLUX 3。这一模型的核心亮点在于，将图像、视频与音频的联合训练融入同一个框架，目标直指对现实物理世界更深层次的认知与理解。

在生成能力上，FLUX 3不止于“能生”，而且生得相当扎实。它支持文本生成视频、图像生成视频、视频续写等多种任务，单次输出最长可达20秒、分辨率720p，并且支持原生音画同步。这意味着，你输入一段文字或一张图，它就能直接输出一段带声音、画面连贯的高质量视频。初步基准测试中，其综合表现已经超过了Grok Imagine Video、Runway Gen-4.5、Luma Ray 3.2这些当前主流的视频生成模型。同时，在图像合成与编辑任务上，FLUX 3也取得了明显进步，不是只擅长视频那一块。

更值得关注的是，Black Forest Labs在物理AI方向也迈出了关键一步。它们与mimic robotics联手，基于FLUX 3的视频理解骨干网络，开发了视频驱动的机器人动作模型——FLUX-mimic。这个模型能精准预测机器人操作动作，目前已经在奥迪工厂的实际产线环境中启动验证测试。至于用户体验，FLUX 3 Video版本现已开放早期体验通道，图像生成能力及开源权重也将按计划分阶段陆续放出。整个节奏安排得比较清晰，值得持续关注。