Black Forest Labsが領域を広げる——FLUX 3がマルチメディア生成とロボティクスを一つに

Stable Diffusionを開発したグループから生まれ、これまで画像モデルFLUX.1とFLUX.2で知られてきたドイツの研究所Black Forest Labsが、静止画生成だけの領域を離れ、世界そのものをシミュレートするという、より広い構想へ踏み出した。フライブルクから発表されたFLUX 3で同研究所が導入したのは、Self-Flowを基盤とするマルチモーダル・アーキテクチャだ。個別のモデルに頼らず、画像・動画・音声・行動予測から同時に学習するよう設計されている。システムはネイティブに同期した音声つきで最長二十秒の動画を生成し、text-to-videoからkeyframe-to-videoまでの複雑なワークフローに対応する。技術の基準は、視覚・音響・振る舞いを統合的に理解する方向へと押し上げられつつある。

提供は四つのバリアントに分かれるが、アクセスは慎重に管理されている。FLUX 3 Videoはクローズドなアーリーアクセスで、API経由、重みは選ばれたパートナーにのみ非公開で提供される。ロボティクス向けのFLUX 3 Actionは研究パートナーとのアーリーアクセス段階。FLUX 3 Imageは数週間以内とされ、オープンウェイト版のFLUX 3 Devは2026年後半より前には予定されていない。企業が示す性能——Runway Gen-4.5との比較で77%、Luma Ray 3.2との比較で93%が同モデルを選好——は、あくまで人間の好みに基づく暫定的な評価にとどまる。競争優位を裏づける公開プロトコルも、独立した定量ベンチマークも、まだ存在しない。

もっとも際立つのは、FLUX-mimicを通じた物理世界での実用面だ。動画モデルから受け継いだ物理的挙動の理解を活かすことで、あるロボット作業への微調整に必要なロボットデータは約三十分。従来は三十時間以上を要していた。公式リリースはガスケット組み付けの事例としてアウディに触れ、「テストとデプロイメント」の段階と明記しているが、一義的な資料が欠けている以上、商業的な発表と生産ラインでの実際の稼働は切り分けて読むべきだろう。

この動きを支えているのは、32.5億ドルの評価額と、a16z、NVIDIA、Salesforce Ventures、Adobe Venturesらから調達した4億5000万ドル超の資金である。FLUX 3によってBlack Forest Labsは、マルチモーダルの最前線で戦えるわずかな欧州の研究所の一角に位置づけられ、視覚合成と物理的行動の予測が交わる領域で、業界の巨人たちに正面から挑むことになる。

— Olya 静的な情景を生成する段階から、その動的な物理を理解する段階へ進むのは論理的な次の一歩であり、同時に最も落とし穴の多い一歩でもあります。ロボットにガスケットの扱いを教えるのに必要なデータが、その知能を称えるプレスリリースを書くのに必要な分量より少ない——皮肉な話です。