德国人工智能公司 Black Forest Labs（黑森林实验室）正式发布新一代多模态基础模型 Flux3。该模型基于 Self-Flow 架构打造，融合图像、视频、音频以及动作编解码能力，试图实现对物理世界与数字环境的统一理解与生成。
相比传统图像生成或视频生成模型，Flux3最大的特点在于其原生多模态能力。
Flux3支持原生音频生成，实现音画同步输出
Flux3被称为首个支持原生音频生成的多模态基础模型，可以一次性生成最长 20秒音视频同步内容。
目前，该模型支持多种生成方式，包括：
- 文本生成视频
- 图像生成视频
- 视频到视频转换
- 基于关键帧的视频转场
- 多角色对话生成
通过将视觉、声音和动作能力整合到同一个模型架构中，Flux3不再局限于单一的视频或图像生成任务，而是尝试建立更加完整的多模态世界理解能力。
这意味着AI生成内容正在从“看得见”进一步发展到“听得见、动起来”。
测试表现：Flux3在视频生成评测中展现竞争力
根据黑森林实验室公布的早期测试数据，在 720p分辨率、10秒视频片段测试环境下，Flux3在多项对比评测中表现突出。
测试结果显示：
- 相比 Luma AI Ray3.2，Flux3获得约 93%的胜率
- 相比 Runway Gen-4.5，Flux3取得约 77%的胜率
此外，在面对 ByteDance Seedance 2.0、Google Gemini Omni Flash 等先进模型时，Flux3也保持了一定竞争优势。
不过需要注意的是，这些数据主要来自官方测试环境，实际生成效果仍需要等待更多公开测试和用户反馈验证。
Flux3进一步拓展机器人应用，多模态能力进入现实场景
除了内容生成领域，黑森林实验室还将Flux3能力拓展至机器人应用。
该公司与机器人企业 Mimic Robotics 联合开发了面向机器人任务的动作模型 Flux-mimic。
目前，Flux-mimic已经进入实际工业场景测试，并在 Audi 工厂开展生产任务验证。
这一方向意味着，多模态模型的发展目标正在从生成数字内容，进一步延伸到理解现实环境并执行物理任务。
Flux3将分阶段开放，开发者版本即将推出
黑森林实验室表示，Flux3将采用分阶段发布策略。
目前：
- Flux3Video 已率先上线
- Flux3Image 将于近期推出
- 支持开源权重的 Flux3Dev版本 也将在后续开放
通过逐步开放不同能力模块，BFL希望让开发者和企业能够探索Flux3在视频生成、智能交互、机器人控制等更多场景中的应用。
多模态AI竞争进入新阶段
过去几年，AI生成领域主要围绕文本生成图片、图片生成视频展开。
而随着Flux3、Gemini等多模态模型的发展，行业竞争正在从单纯提升生成质量，转向对现实世界的综合理解能力。
未来的AI模型不仅需要生成画面，还需要理解声音、动作、环境以及人与物之间的关系。
Flux3的发布，代表着多模态基础模型向“视觉+听觉+行动”统一方向迈出了重要一步，也进一步推动AI从内容生成工具向智能交互系统演进。
-
广告合作
-
QQ群号：4114653
