7月24日消息，Black Forest Labs昨天（7月23日）发了一篇博文，直接甩出重磅新品——Flux 3多模态基础模型，以Early Access的方式上线。

这个模型最大的看点在于：它用统一的架构，把图像、视频和音频三大模态的学习任务打包在一起干了。

训练框架：自监督流匹配扩展

训练这块儿，博文里说得很清楚：模型基于Self-Flow（自监督流匹配）学习框架做了扩展。

视频、图像、音频同步训练，等于是在FLUX.1和FLUX.2系列的基础上，把能力边界直接拉到了多模态生成与理解任务上。

核心功能一览

那么，FLUX 3能干什么？

• 单次生成就能输出最长20秒的视频，而且自带原生音频——这可不是简单的画面配乐，是真正的视频与音频联合生成。
• 支持的玩法包括：文生视频、图生视频、视频生视频、输入视频与音频续写、关键帧转视频、多语言对话，以及多镜头串联。

一句话总结：从静态到动态，从单模态到多模态，它都能一把抓。

性能评测：胜率过半

性能方面，官方放出了人工评测数据：在带声音的10秒、720p视频对比中，FLUX 3对阵Grok Imagine Video的胜率是69%，对阵Seedance 2.0和Gemini Omni Flash都是52%。

虽然算不上碾压，但面对几个竞品都能保持胜率过半，说明这个统一架构的路线确实有料。

探索机器人行为预测

有意思的是，Black Forest Labs还在探索机器人方向。他们正与Mimic Robotics合作，把FLUX 3用作机器人行为预测模型。

这相当于把多模态生成能力迁移到物理世界，让模型不只“看”和“听”，还开始“预测行动”。

图像生成与编辑能力

图像能力也没落下，FLUX 3支持图像生成与编辑，覆盖多种风格、宽高比和分辨率。从官方描述来看，它更像是一个全能的视觉底座，而不是偏科生。

《夸克》非常好用的免费AI浏览器

下载APP查看