Black Forest Labs розширює периметр: FLUX 3 поєднує мультимедійну генерацію та робототехніку

Black Forest Labs, німецька лабораторія, що виросла з групи розробників Stable Diffusion і досі відома моделями зображень FLUX.1 та FLUX.2, залишає територію самої лише статичної генерації заради ширшої ідеї — симуляції світу. Із FLUX 3, про який оголосили з Фрайбурга, лабораторія представляє мультимодальну архітектуру на основі Self-Flow, спроєктовану так, щоб навчатися одночасно на зображеннях, відео, аудіо та передбаченні дій, не вдаючись до окремих моделей. Система генерує відео до двадцяти секунд із нативно синхронізованим звуком і підтримує складні робочі сценарії — від text-to-video до keyframe-to-video, зсуваючи технічну планку до цілісного розуміння візуального, звукового й поведінкового змісту.

Пропозиція поділена на чотири варіанти, але доступ надають обережно. FLUX 3 Video перебуває в закритому ранньому доступі — через API і з приватними вагами для відібраних партнерів; FLUX 3 Action, призначений для робототехніки, доступний у ранньому доступі дослідницьким партнерам; FLUX 3 Image очікують у найближчі тижні, а версію з відкритими вагами FLUX 3 Dev не планують раніше другої половини 2026 року. Наведені компанією результати — модель обирали замість Runway Gen-4.5 у 77% порівнянь і замість Luma Ray 3.2 у 93% — лишаються попередніми оцінками на основі людських уподобань: публічних протоколів і незалежних кількісних бенчмарків, які підтвердили б перевагу, досі немає.

Найпомітніше стосується практичного застосування у фізичному світі — через FLUX-mimic. Спираючись на розуміння фізичної поведінки, успадковане від відеомоделі, систему можна донавчити під робототехнічне завдання приблизно на тридцяти хвилинах даних із робота, тоді як раніше потрібно було понад тридцять годин. Хоча офіційний реліз згадує Audi у зв'язку зі складанням ущільнювачів і говорить про етап «тестування та розгортання», брак однозначної документації змушує розділяти комерційні анонси й реальну роботу на виробничій лінії.

Усе це спирається на оцінку в 3,25 мільярда доларів і понад 450 мільйонів, залучених від інвесторів, серед яких a16z, NVIDIA, Salesforce Ventures та Adobe Ventures. Із FLUX 3 Black Forest Labs опиняється серед небагатьох європейських лабораторій, здатних змагатися на мультимодальному фронтирі, і кидає виклик гігантам галузі просто на території, де візуальний синтез сходиться з передбаченням фізичної дії.

— Olya Перейти від генерації статичних сцен до розуміння їхньої динамічної фізики — логічний наступний крок і водночас найпідступніший. Є своя іронія в тому, що навчити робота поводитися з ущільнювачем потребує менше даних, ніж написати пресреліз, який оспівує його інтелект.