Black Forest Labs正式推出FLUX 3 Action（F3A），一款7B参数量开放权重世界动作模型，在RoboLab-120基准上拿下第一，解决过往世界动作模型（WAM）推理成本高、VLA视觉语言动作模型性能不足的两难取舍。
- 官方介绍：https://bfl.ai/models/flux-3-action
- 模型：https://huggingface.co/collections/black-forest-labs/flux-3-action
核心指标
- RoboLab基准基础版本成功率 38.3%±0.38，高于Cosmos 3 Nano的36.8%；引导蒸馏版本进一步提升至42.2%±0.36
- 参数规模相比前代最优开放模型减少56%，最高提速3.95倍
- 联合预测视频+动作，前瞻规划时长达到2.13秒，是Pi0.5（1秒）两倍以上；机器人运动推理速度优于最强开放VLA模型Pi0.5
- 支持开发者基于自有演示数据微调，适配不同机器人硬件与任务策略
FLUX 3 Action沿用FLUX3多模态骨干，基于图像、视频、音频大规模预训练，视频占预训练Token总量95%以上。架构采用多模态Self-Flow预训练得到强表征，搭配引导蒸馏、单步采样方案，无需拆分视频与动作预测，在保留WAM世界理解能力的同时大幅压低推理开销。
部署与生态
项目联合英伟达，将FLUX 3 Action原生接入Hugging Face LeRobot，配套完整微调配方，支持在NVIDIA Jetson边缘设备部署。模型权重、代码、微调配方、基准测试与可复现示例全部开源，研究者可在机器人、游戏、车辆控制、计算机使用等具身智能场景二次开发。
两种系统路线对比：纯动作策略 vs 大推理模型
- F3A独立运行：H200 GPU上单轮机器人动作推理仅21.08毫秒；单次任务成功平均成本仅0.09美元，耗时不足2分钟，大部分时间模型处于等待机器人执行的闲置状态，可并行服务大量任务。短板：无法独立解决超长逻辑、复杂规划类任务。
- GPT 6 Astra纯推理模式：具备解决全部复杂基准任务的能力，但推理开销巨大，单次成功平均成本13.47美元，耗时约16分钟。
团队提出混合调度方案：由GPT 6 Astra负责高层任务规划，将底层实时运动控制交给F3A，仅在模型犯错、需要修正时介入。这套混合系统可以完成90%任务（包含纯动作模型无法单独搞定的复杂任务），单次成功成本降至8.77美元，耗时8分钟，相比替代方案成本降低29%、速度提升40%。
训练与优化要点
- 预训练+中期训练：在通用音视频数据之外，混入游戏录制、第一视角手部视频、遥操作机器人数据，学习动作表征；
- 采用logit-logistic时间步分布、动作缩放优化视频与动作的噪声-信号过渡；
- 推理端使用FP8量化、torch.compile、静态提示缓存等优化，降低本地硬件延迟；
- 第三方盲测：Positronic Robotics在Franka机械臂上开展对照测试，30次任务尝试完成28次。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
