Black Forest Labs 发布 FLUX 3：支持20秒音视频生成，但开源版本需等待

德国AI实验室Black Forest Labs今天发布了FLUX家族的新成员——FLUX 3。这不仅是版本号的递进，更意味着产品线的战略扩张：从单一的图像生成模型，升级为一个能同时处理图像、视频、音频甚至预测“行动”的多模态基础模型。

• 官方介绍：https://bfl.ai/blog/flux-3
• 申请测试：https://bfl.ai/models/flux-3

与市面上许多通过接口拼装独立模型的做法不同，BFL强调，FLUX 3是在图像、视频和音频这三种模态上联合训练完成的。该公司的核心观点是：无论是创意生成、模拟环境，还是机器人控制，本质上都属于“视觉智能”的范畴。FLUX 3正是朝着这个方向迈出的第一步，目标是打造一个“能够感知、预测并在物理和数字环境中行动”的模型。

四大产品线，开源版本排在最后

FLUX 3的能力将通过四条产品线提供给不同需求的用户，但目前大多数都还处于“只闻其声”的阶段。

• FLUX 3 Video：核心功能是文生视频、图生视频，以及最长20秒的带音频视频生成。
• FLUX 3 Image：图像生成与编辑，是前代FLUX的升级版。
• FLUX 3 Action：用于机器人视觉和行动预测，BFL已与机器人公司mimic合作开发了基于此模型的“FLUX-mimic”。
• FLUX 3 Dev：计划中的开源版本，提供开放权重访问。

目前，视频和行动模型已开放“早期访问”计划，开发者可以申请，但需经BFL审核批准。图像模型则要等到未来几周才会推出API或合作伙伴接口。至于很多开发者期待的开源版本，BFL表示要等到今年晚些时候，且其开放程度（多模态骨干网络）会比以往的FLUX Dev版本更广。

视频生成能力是本次主角

虽然FLUX 3是一个多模态模型，但从发布信息来看，视频生成无疑是当前阶段的重头戏。它支持从文本、图像、甚至关键帧生成视频，也支持输入视频和音频进行延续生成，并强调了在排版和动画设计上的能力。

BFL给出了一组早期的内部对比评估数据（生成10秒720p带音频视频），其中几个数据值得留意：

在与Grok Imagine Video、Kling v3 Pro、Happy Horse v1、Seedance 2.0等模型的对比中，FLUX 3的胜率在52%到69%之间，领先幅度不算悬殊。但在与Runway Gen-4.5和Luma Ray 3.2的对比中，胜率分别达到了77%和93%。需要指出的是，这些均为BFL自行报告的初步评估结果，未见详细的评估方法、样本量或第三方背书，参考价值有待进一步验证。

图像能力稳步提升，行动预测是远期布局

在图像方面，官方表述是“相对早期FLUX版本有显著改进”，尤其在处理复杂提示词和文本渲染方面。这更像是一次常规的模型升级，具体提升幅度还需等到公开评测后才能判断。

“行动”模块则更像一个远期技术演示。其思路是，将FLUX 3的视频骨干网络作为“动态感知基础”，再叠加少量特定任务数据微调，从而让模型学会预测和执行物理动作。这与近年来“多模态大模型即机器人大脑”的研究趋势一致，但距离实际产品化还有相当距离。

两个不容忽视的“省略号”

对于潜在的企业用户和开发者，这次发布还留有两个重要的悬念。

其一，是商业化的细节。BFL尚未公布FLUX 3的定价、服务等级协议（SLA），也没有提供任何可供复现的评估基准。对于需要做成本预估的采购方来说，目前还缺乏关键信息。

其二，是开源策略的延迟。FLUX 1.5时代的开源变体曾极大推动了其生态的采用。此次宣布开源，但将其排在产品线最后，且没有明确时间表，对于习惯了本地部署FLUX的开发者而言，无疑是一个令人失望的消息。当然，这并不否定其最终开源的承诺，只是意味着等待的时间可能会比预期的更长。