FLUX 3：Black Forest Labs 的统一多模态模型来了

Black Forest Labs（BFL）今天正式发布 FLUX 3——一个在统一架构内联合学习图像、视频和音频的多模态基础模型。这不是把三个独立模型拼在一起，而是基于 Self-Flow 方法，让模型从同一个"世界表征"出发生成不同模态的内容。早期评测中，FLUX 3 视频生成在多项对比中超过 Seedance 2.0、Kling v3 Pro、Grok Imagine Video 甚至 Runway Gen-4.5。FLUX 3 Dev 开放权重版本也在发布计划中。

一个模型，三种模态

FLUX 3 的核心思路很简单：图像是空间结构在某个时刻的快照，视频恢复了时间维度，音频揭示了视觉无法捕捉的因果关联（比如碰撞的声音）。单独学任何一个都只是"投影"，把它们放在一起学，模态之间的约束反而让模型理解更准确——声音必须匹配撞击，运动必须服从物理，未来必须延续过去。

Self-Flow 是实现这一思路的技术基础。它不是传统的 Flow Matching，而是在同一架构内高效对齐多模态的生成与理解能力。BFL 在此基础上大幅扩展了计算资源和训练数据，让 FLUX 3 同时在视频、图像和音频上训练。

视频生成：最长 20 秒，自带音频

FLUX 3 视频是当前已开放 Early Access 的能力，支持：

• 文本到视频：直接从文字描述生成最长 20 秒的视频+音频
• 图像到视频：从起始帧延续动画，或用图片做视觉参考
• 视频到视频：将源视频中的核心元素（如角色）带入新场景
• 关键帧到视频：定义关键画面，模型自动生成过渡
• 多语言对话：生成的视频角色可以说不同语言
• 生成式续写：基于输入的视频和音频继续生成
• 链式拼接：通过 Agent 将多个片段串联为多镜头长序列

风格覆盖范围很广，从手持录像质感到动画到电影画面都能处理，排版和动态设计文字生成也很强。

评测：超过 Runway Gen-4.5

BFL 公布了基于 10 秒 720p 文本到视频的初步评测（带音频）：

| 对比模型 | FLUX 3 偏好率 |

|---|---|

| Runway Gen-4.5 | 77% |

| Grok Imagine Video | 69% |

| Kling v3 Pro | 60% |

| Happy Horse v1 | 59% |

| Happy Horse 1.1 | 57% |

| Seedance 2.0 | 52% |

| Gemini Omni Flash | 52% |

| Luma Ray 3.2 | 93% |

BFL 特别指出 FLUX 3 在面部表情捕捉、声音与物理事件关联、多语言能力上表现突出。这些评测是初步结果，模型仍在开发中，Early Access 阶段预计还会有提升。

图像与动作预测

图像生成和编辑能力也在 FLUX 3 的能力范围内。BFL 表示，在训练中期评估中，FLUX 3 处理复杂提示词和文字生成的能力相比前代有显著提升，支持多语言高精度文字渲染。图像 Early Access 将在未来几周开放。

更有意思的是动作预测（Action Prediction）。FLUX 3 的世界理解能力可以延伸到物理操作：BFL 提供了两条路线——直接在 FLUX 3 内集成原生动作预测，或用预训练的视频 backbone 微调出专用动作模型。后者已经落地：BFL 与 mimic robotics 合作开发了 FLUX-mimic，将 FLUX 3 的 backbone 与 mimic 的机器人学习结合，已在奥迪产线上进行实际测试。

开源计划

FLUX 3 的发布是分阶段进行的：

1. FLUX 3 Video：API + 私有权重访问，当前已开放 Early Access
2. FLUX 3 Image：API + 私有权重访问，未来几周开放 Early Access
3. FLUX 3 Dev：开放权重多模态 backbone，覆盖视频+音频+图像+动作预测——这是开源社区最关心的
4. FLUX-mimic / FLUX 3 Action：通过合作伙伴渠道提供

每个能力在正式发布前都会经过 Early Access 阶段收集反馈和安全测试。

为什么重要

FLUX 3 的意义不只是"又一个视频模型"。它代表了一个范式转变：从"多模态拼接"（分别训练图像模型、视频模型、音频模型再组合）走向"世界模型"（一个模型理解世界的多个方面并联合生成）。内容创作和物理 AI 可以共享同一基础，这比纯粹的生成质量更值得关注。

基于 BFL 官方博客及 T8star-Aix 评测视频整理。

参考来源

• https://bfl.ai/blog/flux-3