FLUX 3: Das multimodale Foundation-Modell, das aus Video, Audio und Bildern lernt, um Roboter zu steuern

Die wichtigsten Fähigkeiten

Videogenerierung – FLUX 3 erzeugt in einem einzigen Durchlauf bis zu 20 Sekunden lange Videoclips mit nativ synchronisiertem Audio . Es unterstützt Text-zu-Video, Bild-zu-Video, Video-zu-Video, Keyframe-zu-Video und die agentische Verkettung mehrerer Clips . Die Ausgabe erreicht 1080p-Auflösung bei 24 fps mit konsistenten Multi-Shot-Ergebnissen und Kamerasteuerung .

Audiogenerierung – Der Ton wird nativ zusammen mit dem Video erzeugt, einschließlich mehrsprachiger Dialoge und Soundeffekte, die kausal mit den visuellen Ereignissen verknüpft sind . Die Ausgabe erfolgt in 48 kHz Stereo .

Bildgenerierung und -bearbeitung – Das Modell synthetisiert und bearbeitet Bilder in verschiedenen Stilen, Seitenverhältnissen und Auflösungen mit verbesserter Texterkennung und Verarbeitung komplexer Prompts . Ein Early Access für die Bildgenerierung sollte „in den kommenden Wochen“ nach dem Start folgen .

Aktionsvorhersage – Das Weltverständnis von FLUX 3 erstreckt sich auf die Vorhersage von Roboteraktionen, entweder nativ oder über einen nachtrainierten Aktions-Decoder . Diese Fähigkeit macht das Modell zu einem gemeinsamen Backbone sowohl für die kreative Inhaltserstellung als auch für die physische Robotersteuerung .

Einheitliche Architektur – FLUX 3 basiert auf BFLs Self-Flow-Ansatz, der multimodale Generierung und Repräsentationslernen in einem einzigen Framework vereint . Ein interessanter Nebeneffekt: Das Hinzufügen der Aktionsvorhersage reduziert die Videoqualität vorübergehend um bis zu 10 %, aber das Modell erholt sich nach etwa 3.500 Trainingsschritten vollständig, während es die Fähigkeit zur Aktionsvorhersage beibehält .

FLUX-mimic: Realer Einsatz bei Audi

BFL hat eine Partnerschaft mit dem Schweizer Startup mimic robotics geschlossen, um FLUX-mimic zu entwickeln, ein Video-Action-Modell, das auf dem FLUX-3-Backbone aufbaut . Das System trainiert einen leichten Aktions-Decoder auf Zwischenmerkmalen aus dem Videovorhersagepfad von FLUX 3 und entschlüsselt so physische Aktionen aus der erlernten Weltrepräsentation des Modells .

FLUX-mimic wurde bei Audi in realen Produktionsaufgaben getestet und eingesetzt . Laut den Partnern hat Audi diese Roboter genutzt, um „komplexe Manipulationsarbeiten an weichen Materialien zu lösen, die mit herkömmlicher Programmierung schlicht unmöglich gewesen wären“ . Das System reduziert die benötigte Menge an Demonstrationsdaten, um neue Aufgaben zu erlernen, im Vergleich zu bestehenden Ansätzen . Die Partnerschaft kombiniert die Expertise von BFL bei visuellen Foundation-Modellen mit den Fähigkeiten von mimic im Bereich Robotik-Lernen, geschickter Manipulation und Produktionseinsatz .

Leistungsbenchmarks: Was wir wissen und was nicht

Die spezifischen Latenzzahlen, die gelegentlich in Foren diskutiert werden – unter 80 ms Inferenz auf einer einzelnen RTX 5090 und 101 ms Systemreaktionszeit – tauchen in den verfügbaren offiziellen Quellen von BFL, Bloomberg oder den offiziellen Pressemitteilungen nicht auf . Die offiziellen BFL-Blogbeiträge und Presseberichte vom Starttag (23. Juli 2026) enthalten diese hardware-spezifischen Benchmarks nicht .

Wichtiger Hinweis: Diese Zahlen könnten aus einem noch nicht veröffentlichten technischen Bericht, einer Drittanbieter-Analyse oder späteren Tests stammen, aber es gibt im aktuellen Quellensatz keine ausreichenden Belege, um sie zu überprüfen oder zu zitieren. Das gesamte FLUX-3-System ist für eine nahezu Echtzeit-Robotersteuerung ausgelegt, aber es wurden noch keine offiziellen Latenzspezifikationen für handelsübliche GPUs veröffentlicht.

Zum Vergleich: Auf dem Vorgängermodell FLUX.1 erzeugt eine RTX 5090 ein 1024×1024-Bild in etwa 5–12 Sekunden (je nach Optimierung), und Community-Benchmarks für FLUX.2-dev liegen ebenfalls im Bereich von mehreren Sekunden pro Bild . Die Video- und Aktionsvorhersage-Workloads von FLUX 3 werden sich erheblich unterscheiden, aber die behauptete Latenz von unter 100 Millisekunden für die Aktionsinferenz ist von BFL nicht bestätigt.

Was das Modell kann und was nicht

Verifizierte Fähigkeiten

• Erzeugung von bis zu 20-sekündigen Videos mit nativem Audio aus Text, Bildern oder Referenzvideos
• Synchronisation mehrsprachiger Dialoge und Soundeffekte mit visuellen Ereignissen
• Vorhersage von Roboteraktionen und Steuerung von geschickten Manipulationsaufgaben
• Lauffähig auf einer einzelnen handelsüblichen GPU für Robotersteuerung

Was nicht in offiziellen Quellen steht

• Keine spezifischen Latenz-Benchmarks (z. B. Inferenzzeit auf RTX 5090) wurden von BFL veröffentlicht
• Noch kein technischer Bericht mit vollständigen Architekturdetails oder Parameteranzahlen verfügbar
• Bildgenerierung war zum Start nicht verfügbar; Early Access wurde „in den kommenden Wochen“ versprochen
• Die Veröffentlichung der offenen Gewichte („FLUX 3 Dev“) ist für später geplant, jedoch ohne festes Datum

Verfügbarkeit des Early Access

• FLUX 3 Video (mit Audio) – ab dem 23. Juli 2026 sofort im Early Access über BFLs Modellseite und eine Warteliste verfügbar .
• FLUX 3 Image – Early Access sollte „in den kommenden Wochen“ folgen .
• Aktionsvorhersage (FLUX-mimic) – verfügbar durch ausgewählte Forschungs- und Geschäftspartner, beginnend mit mimic robotics .
• Open-Weight-Released („FLUX 3 Dev“) – für später geplant, bietet ein multimodales Backbone sowohl für die Inhaltserstellung als auch für die Aktionsvorhersage .
• Der Zugang kann über das Early-Access-Formular von BFL unter bfl.ai/models/flux-3 beantragt werden .