FLUX 3 即将发布

1. 核心理念：统一的多模态学习

FLUX 3 不再孤立地处理单一模态，而是在一个统一的架构中同时学习图像、视频和音频。它的目标是让模型真正理解“世界”的运作方式（例如物体如何组合、事物如何运动、事件听起来是怎样的）。不同模态相互补充和约束（例如声音必须匹配撞击动作，运动必须符合物理质量），从而让模型构建出对底层现实更完整的认知。

2. 关键技术

该模型基于 BFL 的 Self-Flow 技术，该技术能高效地对齐多模态的生成与理解。在此基础上，BFL 大幅增加了计算和数据资源，实现了对视频、图像和音频的同步联合训练。

3. 主要能力

• 视频生成：单次生成可输出长达 20 秒且自带原生音频的高质量视频。支持文本生视频、图生视频、视频生视频、关键帧控制过渡、多语言对话生成，甚至能通过智能体（Agentic）方式将多个片段链接成更长的多镜头序列。
• 图像生成与编辑：支持多种风格、比例和分辨率。在中期训练评估中，FLUX 3 在处理复杂提示词和图像内文字生成方面，相比早期的 FLUX 模型有了显著提升。
• 动作预测 (Action)：模型对世界的理解延伸到了物理动作预测。BFL 正在将原生动作预测直接集成到 FLUX 3 中，并利用其视频骨干网络作为基础，供专门的机器人动作模型进行微调（例如与 mimic robotics 合作）。

4. 未来发布计划

经过早期访问、反馈收集和安全测试后，BFL 将在未来几周至几个月内逐步推出以下功能：

• FLUX 3 Video：通过 API 和私有权重提供视频与音频的生成和编辑。
• FLUX 3 Image：通过 API 和私有权重提供图像合成与编辑。
• FLUX-mimic / FLUX 3 Action：通过特定的研究和商业合作伙伴提供动作预测能力。
• FLUX 3 Dev：提供多模态骨干网络的开放权重，供开发者和研究人员用于内容创作和动作预测研究。

FLUX 3 是 FLUX 系列的重大升级，从单纯的图像生成模型进化为了一个能同时理解和生成“图、文、音、视频”甚至“物理动作”的综合性世界模型，且未来会提供开源版本。