黑森林實驗室FLUX3 多模態模型登場：單次生成 20 秒音視頻，勝率碾壓Grok與Seedance

Black Forest Labs宣佈以Early Access方式上線推出FLUX3 多模態基礎模型，採用統一架構聯合學習圖像、視頻和音頻。該模型基於Self-Flow（自監督流匹配）學習框架擴展，同步訓練視頻、圖像和音頻，在FLUX. 1 和FLUX. 2 系列基礎上進一步擴展至多模態生成與理解任務。

性能全面碾壓，原生音頻同步輸出

FLUX3 可在單次生成中輸出最長 20 秒的視頻並附帶原生音頻，支持文生視頻、圖生視頻、視頻生視頻、輸入視頻與音頻續寫、關鍵幀轉視頻、多語言對話以及多鏡頭串聯等多種創作模式。在帶聲音的 10 秒720p視頻人工評測中，FLUX3 對比Grok Imagine Video勝率達69%，對比Seedance 2. 0 和Gemini Omni Flash勝率均爲52%，展現出全面領先優勢。

圖像能力全面，進軍機器人行爲預測

在圖像能力方面，官方稱FLUX3 可完成圖像生成與編輯，覆蓋多種風格、寬高比和分辨率。更值得關注的是，Black Forest Labs正與Mimic Robotics合作，研究將FLUX3 用作機器人行爲預測模型，將多模態AI能力從內容生成延伸到實體機器人領域。這一佈局意味着FLUX3 不僅是一個創作工具，更有望成爲連接數字世界與物理世界的通用多模態引擎。