画视频,也指挥机器人
德国 AI 实验室 Black Forest Labs 发布 FLUX 3——同一个模型既生成图像、带声音的视频,又能预测机器人该怎么动作。
总部在德国弗莱堡的 AI 实验室 Black Forest Labs(简称 BFL)靠做高质量 AI 图像模型起家。这次它把 FLUX 系列推进到一个新形态:同一个模型,既生成图像,又生成最长 20 秒、带声音的视频,还能预测机器人该怎么动作。
BFL 反复强调的重点不是"功能多",而是"同一副大脑"。FLUX 3 把视频、图像、音频放在一起联合训练(三种内容用同一套参数一次训出来,而不是各训各的),而不是把三个各管一摊的模型藏在同一个界面后面拼起来。BFL 给这套能力起名叫视觉智能(让模型能感知世界、预测变化、并动手行动)。这也是 BFL 第一个公开的视频生成模型。
20 秒带声音的视频
FLUX 3 能从一句提示直接生成最长 20 秒、自带同步声音的视频,追平了 OpenAI 已停用的 Sora。
20 秒听起来不长,但在 AI 视频里已属最前列。作为对比,阿里的 HappyHorse 1.0 上限是 15 秒;而每一条 FLUX 3 视频输出都自带原生音频,声音和画面一起生成,不用事后配。
真正该让企业视频团队紧张的是最后一项能力:把一段段短片自动串成好几分钟的多镜头长片,还能靠参考图让同一个角色跨镜头保持长相一致。
这解决的正是把 AI 视频挡在商业流程之外的那道坎——不是单条画质不够好,而是镜头之间接不上、人物换个场景就变了脸。如果这一点在真实生产里站得住,AI 视频才算真的能进商业管线。
评测领先,全带星号
在 BFL 自己的偏好测试里,FLUX 3 对八个对手全面领先,但每个数字都贴着"初步、早期候选版"的标签。
BFL 公布了一组两两对比测试:让人评判 10 秒、720p 带音频的短片,FLUX 3 更受青睐的比例从对 Luma Ray 3.2 的 93%,一路排到对 Google Gemini Omni Flash 的 52%。
但每个数字上都压着一句 BFL 自己写的警告:这张成绩单来自"FLUX 3 早期候选版的初步评测"——测的是一个发布前的内部版本,不是现在真正进入内测、客户将来会调用的那个模型。这话两头都成立:上线版可能更好,但今天公布的东西,没有一个测的是客户实际会用到的模型。
而且拿了高分的那两个(Luma 93%、Runway 77%)恰恰是名单里最软的对手——是成熟产品,却不是当下独立榜单上领跑的模型。至于 Seedance 2.0 的 52%,基本是抛硬币打平,而这个字节跳动的模型因为 Netflix、华纳、迪士尼等联手发律师函指控系统性侵权,已无限期暂停海外上线,西方企业现在根本买不到。
只跟 Google 打平手
最该在意的对手是 Google Gemini Omni——两者打成平手(52%),而 Omni 已经公开发售、明码标价。
Gemini Omni Flash 才是和 FLUX 3 正面撞车的对手:同样是多模态输入、能生成带音频的视频、能对话式编辑。按 BFL 自己的测量,两者在 10 秒文生视频上难分高下。
Google 的优势不在分数,在于已经能买、且价格透明:Omni 通过 Gemini API 公开发售,720p 视频每秒 0.10 美元,一条 10 秒片子约 1 美元。而 FLUX 3 目前只有需要审批的内测,连价格都没有。
对一家德国公司的本土市场,还有个细节值得注意:在欧洲经济区、瑞士和英国,Omni Flash 用户不能编辑自己上传的视频(只能编辑模型自己生成的)。想把已有素材过一遍生成式剪辑的欧洲企业,在 Omni 上暂时做不到——这恰好是 FLUX 3 可以争取的缝隙。
没说的比说的更关键
FLUX 3 没公布价格、图像评测、任何服务承诺,也暂不开源权重——企业现在既算不了成本,也没法独立验证它的视频对比。
把 BFL 这次没说的东西列出来,比说了的更能说明问题:
- 没有价格,也没有生产环境的服务等级承诺,企业算不出总拥有成本。
- 没有公布评测方法、样本量、评审人数,视频对比无法被独立复现。
- 图像这一档一个基准都没给——尽管 BFL 说它在复杂提示和文字生成上比上代大幅提升。
- 不带可下载的权重,也没有开源许可证。
最后一条尤其扎眼。FLUX 能成为行业标准,靠的正是一路开源权重;这次承诺中的开源版 FLUX 3 Dev 却排在所有产品线的最后,还没公布许可证、参数量和硬件要求。延迟不等于食言,但对一个靠开源起家的公司,这个顺序会让开发者失望。
视频模型变机器人模型
FLUX 3 的同一套架构被拿去教机器人:微调一个抓取任务需要的数据,从过去的 30 多小时降到 30 分钟。
BFL 把"同一副大脑"的思路用到了机器人上,做出 FLUX-mimic(在 FLUX 3 基础上、与瑞士公司 Mimic Robotics 合作的视频-动作模型)。逻辑是:一个已经看懂物体怎么动、世界怎么变的视频模型,再学具体的机器人任务时能省下大量训练数据。
效果很直接。BFL 和 Mimic 说,视任务难度而定,微调一个具体的操作任务最少只要 30 分钟机器人数据,而以往的方法要 30 小时甚至更多。
Mimic Robotics 的 CTO Elvis Nava 把这件事说得很白:
机器人最难的部分是数据。每学一个新任务,通常意味着让机器人重复自己好几个小时。因为 FLUX-mimic 建在已经懂物理世界怎么运作的前沿视频模型之上,它学新任务是几分钟,而不是几天。
懂物理,一句测不了的话
BFL 和 Google 都宣称自己的模型"理解物理世界",但谁都没拿出能测量这一点的基准。
"懂物理"正在变成一句谁都会说、却谁都证不了的卖点。BFL 说只学图像的模型理解不了一个会"运动、发声、变化、回应"的世界;Google 给 Gemini Omni 的说法几乎一模一样,称它对重力、动能、流体有"直觉般的理解"。
问题是,三大领先视频系统里有两个都把"物理理解"当成核心优势,却没有一个发布过能测它的基准。
没有任何标准测试能判断:生成的水是不是像水那样流、掉下的物体是不是以合理速度下落、声音是不是在撞击发生的那一刻响起。 人类的偏好打分只能间接沾到一点边,除此之外,市面上没有任何东西真正测得了这件事。所以对买家来说,"世界模型""懂物理"这类话术,现在并不构成区分度。
开源起家,这次押更大注
FLUX 靠开源权重成了行业标准,而 FLUX 3 把赌注抬到了机器人——但眼下它更多是承诺:野心很大,证据很薄。
BFL 于 2024 年夏成立,创始人 Robin Rombach 等人此前参与打造了 Stable Diffusion——那项开源技术把 AI 生成能力带给了大众。正是靠一路开源,FLUX 的模型进了 Adobe Photoshop、Picsart,连导演马丁·斯科塞斯都在用户之列,公司如今估值 32.5 亿美元。
这次的 FLUX 3 Dev 把赌注抬高了:以往的开源版都只是图像模型,这一个是横跨视频、音频、图像和动作预测的"多模态底座"——意味着一张许可证将同时决定一家公司能不能在本地部署一个既碰内容生产、又碰物理机器的模型。
但把这次发布整体看:能力清单很长,愿景很宏大,可价格、评测、开源权重——最能让企业下决心的三样东西,全都还没到。 FLUX 3 现在卖的更多是承诺;它到底比对手强多少、值多少钱、能不能自己部署,要等真正上线、等数字公布才能回答。