Black Forest Labs 拓宽边界：FLUX 3 把多媒体生成与机器人技术合为一体

Black Forest Labs 脱胎于开发 Stable Diffusion 的团队，此前以图像模型 FLUX.1 和 FLUX.2 为人所知。如今这家德国实验室走出纯静态生成的领地，转向一个更宏大的构想：模拟世界。在弗赖堡宣布的 FLUX 3 中，实验室引入了基于 Self-Flow 的多模态架构，其设计目标是同时从图像、视频、音频和动作预测中学习，而不依赖彼此分离的模型。该系统可生成最长二十秒、带原生同步音频的视频，并支持从 text-to-video 到 keyframe-to-video 的复杂工作流，把技术标准推向对视觉、声音与行为内容的统一理解。

产品分为四个版本，但访问权限的发放相当谨慎。FLUX 3 Video 处于封闭早期访问阶段，通过 API 提供，权重仅向选定合作伙伴私下开放；面向机器人的 FLUX 3 Action 处于与科研伙伴合作的早期访问阶段；FLUX 3 Image 预计在未来几周推出；而开放权重版本 FLUX 3 Dev 要到 2026 年下半年之后才有安排。公司公布的成绩——在与 Runway Gen-4.5 的对比中有 77% 的场次更受青睐，与 Luma Ray 3.2 相比为 93%——仍属基于人类偏好的初步评估：目前尚无公开的评测方案和独立的量化基准来证实其竞争优势。

最具辨识度的一点，是通过 FLUX-mimic 在物理世界中的实际应用。借助从视频模型继承而来的对物理行为的理解，系统针对某项机器人任务的微调只需约三十分钟的机器人数据，而此前需要三十多个小时。官方通稿虽然提到奥迪的密封垫装配，并明确说明处于「测试与部署」阶段，但由于缺乏明确无误的文档，仍应把商业发布与生产线上的实际运行区分开来。

整件事建立在 32.5 亿美元估值和逾 4.5 亿美元融资之上，投资方包括 a16z、NVIDIA、Salesforce Ventures 和 Adobe Ventures。凭借 FLUX 3，Black Forest Labs 跻身少数能在多模态前沿角力的欧洲实验室之列，在视觉合成与物理动作预测交汇的战场上，直接向行业巨头发起挑战。

— Olya 从生成静态场景走向理解其动态物理，是合乎逻辑的下一步，也是最容易踩空的一步。颇具讽刺意味的是：教会机器人处理一枚密封垫所需的数据，比撰写那份歌颂它智能的新闻稿还要少。