← 返回 Siami 首頁

FLUX 3 正式亮相:德國 BFL 端出全球首個原生影音多模態基礎模型

▲ 387 💬 96
FLUX 3 正式亮相:德國 BFL 端出全球首個原生影音多模態基礎模型

編按:本文綜合整理自 Black Forest Labs 官方部落格、VentureBeat 報導、The Decoder 報導、Hacker News 討論串、BFL 官方 X 推文,並加入 Siami 編輯部觀點與分析。

德國弗萊堡(Freiburg)的新創公司 Black Forest Labs(BFL)在 2026 年 7 月 23 日正式推出 FLUX 3——這是全球首個在「統一架構」裡同時學習影像、影片和音訊的多模態基礎模型。FLUX 3 Video 現已開放 Early Access 申請、FLUX 3 Image 將在數週內跟進,開發者社群可在數月後取得開源權重的 FLUX 3 Dev 版本。


一、這次發表的核心賣點

FLUX 3 的發表稿把技術敘事拉到「世界模型」層級。BFL 共同創辦人暨執行長 Robin Rombach 在官方聲明中表示:「世界不會用單一模態自我描述。影像記錄空間結構、影片揭示時間與物理、音訊揭露因果關係、語言連結目標與指令——必須讓模型把這些視為同一個現實的不同投影,才能學會真正理解世界。」

這句話翻成白話,就是 BFL 把過去各自分家訓練的四大模態(影像、影片、音訊、語言)壓進同一個骨幹網路,用一個模型同時搞定理解與生成。官方把它命名為 Self-Flow:自監督流匹配技術,2025 年 6 月已在 arXiv 公開(論文編號 2506.15742),目前是 FLUX 3 的底層基礎。

技術細節的亮點包括:

  • 原生音訊影片生成:單次生成可達 20 秒、720p,影音同步輸出,不靠後製拼接。
  • 多模態輸入:支援文字、單張圖、影片片段、關鍵幀四種輸入型態,可作 reference、做風格轉換、做鏡頭延續。
  • 動作預測(Action):FLUX 3 不只會生成內容,還能預測機器人該做什麼動作——首批合作對象是德國機器人公司 mimic robotics,聯合發表了 FLUX-mimic 影片-動作模型。
  • 多語言對話:首次在影音生成模型中內建多語言語音對白能力。

二、官方自評的對標數據

BFL 在發表稿中公開了 FLUX 3 與業界主流模型的偏好對比(preference comparison,採盲測投票):FLUX 3 在 影片生成 對上各家對手的勝率:

對手模型FLUX 3 勝率
Luma Ray 3.293%
Runway Gen-4.577%
Grok Imagine Video69%
Kling v3 Pro60%
Happy Horse v1.157%
Happy Horse v159%
Seedance 2.052%
Gemini Omni Flash52%

要注意的是,這些是 BFL 自行執行的早期評測,且 BFL 明說「模型還在開發中、結果屬於 preliminary」——但能一對多同時碾壓 Luma、Runway、Grok、Kling、Seedance、Gemini 這六家頭部產品,至少說明 FLUX 3 在影音同步這條賽道上確實站到第一梯隊。

Self-Flow 技術也自帶 benchmark 對照:在 4B 參數的 FLUX.2 骨幹上,Self-Flow 在所有模態(影像、影片、音訊)的生成誤差(Fréchet distance)都低於傳統 Flow Matching,並在四類機器人操作的微調任務上平均成功率更高。


三、開放策略與商業布局

BFL 這次走得比上次還要封閉。官方 blog 明確列出四階段釋出計畫:

  1. FLUX 3 Video:API + 私人權重,現已開放 Early Access。
  2. FLUX-mimic & FLUX 3 Action:透過精選研究與商業夥伴釋出(mimic robotics 為首發)。
  3. FLUX 3 Image:API + 私人權重,未來數週內開放 Early Access。
  4. FLUX 3 Dev:開源權重,時間最晚,鎖定「未來數週到數月」。

明顯看得出 BFL 從過往的「開源友善」(FLUX.1、FLUX.2 Klein 都開源)轉向「先 API 收費、後開源淘汰」的商業模式。這一選擇在 HN 引發大量討論,多位開發者認為是戰略性撤退——開源版本注定會比 API 版弱一截,目標客戶從社群轉向企業。


為什麼這件事重要

FLUX 3 的發表不只是「又一個新的生成模型」——它代表三個關鍵轉折:

第一,多模態技術路線從「拼裝」走向「原生」。過去業界主流是不同模態用不同模型串接(先文字生圖、再圖生影片、最後 TTS 加音軌),FLUX 3 是全球首個在「統一架構」原生訓練影音同步的基礎模型——影音不再後製拼接,而是模型學會的固有表徵。這條路線一旦驗證成功,會逼著 OpenAI Sora、Runway Gen-4、Gemini Omni 全面跟進。

第二,生成模型正式跨入物理 AI 領域。FLUX 3 不只會生成內容,還能預測機器人動作(FLUX 3 Action),並已透過 mimic robotics 進入 Audi 生產線。這是首次有生成式多模態模型直接走入真實工廠——從「生成圖片」到「控制實體機器」的中間橋樑正在成型。

第三,德國 AI 開始搶回話語權。BFL 創辦人 Robin Rombach、Andreas Blattmann、Patrick Esser 三人都出身 Stability AI 核心團隊(主導 Latent Diffusion / Stable Diffusion 研發),2024 年離開 Stability AI 在弗萊堡(德國黑森林地區)創辦 BFL,目前 90 人規模,分布在德國與美國。這次他們選在歐美夾縫中證明「非美中 AI 實驗室也能做出 SOTA」,對歐洲 AI 主權議題具指標意義。


數據解讀與質疑

FLUX 3 確實在影音同步這條賽道上站到領先位置,但發表稿與 HN 討論串也暴露幾個需要理性看待的問題:

  • 「世界模型」這個詞被濫用。HN 高讚留言 @zmmmmm 直言:「影片本來就包含影像和音訊,說模型要學三者統一,這不就是學影片嗎?」,@thisisauserid 補刀:「官方展示的人類樣本幾乎為零、20 秒影片卻是用 jumpcut 拼出來的。」BFL 用「world model」這個源自 model-based RL 與認知科學的嚴肅詞彙,現在已成為行銷話術,需要打折看待。
  • Self-reported benchmark 僅供參考。93% vs Luma Ray 3.2、77% vs Runway Gen-4.5 這類數字都是 BFL 自行做的盲測,沒有第三方獨立驗證。HN 用戶 @rekpero 提醒:「到 2026 年七月,open-weight 模型理論上應該贏過閉源模型了,但實際上 Nano Banana 和 GPT-2 Image 仍是同類最佳,FLUX 還沒越過那條品質問線。」
  • Hugging Face 論文頁的 Self-Flow 闡述寫道「integrates representation learning within the generative framework」,但這跟 2024 年 BYOL、2023 年的 MAE 等自監督表示學習有何本質區別?BFL 還沒釋出完整技術報告,無法判斷是「漸進改良」還是「根本突破」。
  • 20 秒影音、720p 的限制:相較 Runway Gen-4.5 已能輸出 60 秒、1080p,FLUX 3 Video 早期版本仍偏短。官方說「early access 階段還會優化」,但市場窗口並不等人。
  • 商業模式轉向的疑慮:BFL 把開源版本「FLUX 3 Dev」排到最後,這跟 FLUX.1、FLUX.2 Klein 時代的開源友善態度明顯不同。對依賴開源權重的創作者(如 ComfyUI 社群、Hugging Face 開發者)來說,這是個警訊。

寫在最後

FLUX 3 是 2026 年下半年第一個真正具備「影音同步原生生成」能力的開源系譜模型,技術敘事野心大、商業模式轉向也很明確。短期看,FLUX 3 Video 會成為影音生成賽道的新基準;中期看,FLUX-mimic 機器人應用會是 FLUX 3 能不能走出「生成」走進「物理」的關鍵試金石;長期看,FLUX 3 Dev 開源版本的釋出節奏,會決定 BFL 在開源社群心中的份量。

下一個值得追蹤的時間點:FLUX 3 Image 開放 Early Access(數週內)、FLUX 3 Dev 開源釋出(數月內)、FLUX-mimic 與 Audi 合作細節公開。


參考資料

網友熱門留言 (5)

#1 HN 用戶 @mattmanser ▲ 42
Open-weight 計畫被排在最底層(Video、Action、Image 都先 API/私人權重),FLUX 3 Dev 開源版本要等到最後。這明顯是商業策略—先用封閉版本賺錢,再逐步釋出淘汰的低階版本。
#2 HN 用戶 @rekpero ▲ 38
我覺得到現在為止 open-weight 模型應該贏過閉源模型了,但事實上 Nano Banana 和 GPT-2 Image 才是同類最佳,FLUX 還沒越過那條品質線。
#3 HN 用戶 @zmmmmm ▲ 31
等等,『模型必須在統一架構裡學影像、影片和音訊』,但影片本來就包含影像和音訊吧?這個行銷說法不太對。
#4 HN 用戶 @jdthedisciple ▲ 27
很驚訝這裡的留言如此負面和輕蔑,我就覺得這模型看起來超強啊。但講真的,酸民總是第一個來留言糞的,讓我們看實際表現吧。
#5 HN 用戶 @luciana1u ▲ 24
很難想像花九位數字訓練模型去學『聲音要跟撞擊對得起來』這種事。我家 8 個月大的小孩掉兩次湯匙就學會了。