FLUX 3, Model AI Baru Black Forest Labs yang Bisa Menghasilkan Video hingga Mengarahkan Robot

Apa Saja Kemampuan FLUX 3?

Menghasilkan video hingga 20 detik dengan audio bawaan

FLUX 3 dapat menghasilkan klip video berdurasi hingga 20 detik sekaligus dengan audio yang tersinkronisasi secara native dalam satu proses generasi . Model ini mendukung beberapa alur kerja, termasuk:

• teks ke video;
• gambar ke video;
• video ke video;
• keyframe ke video; dan
• penyambungan beberapa klip melalui alur kerja agentik .

Output yang disebutkan mencapai resolusi 1080p pada 24 frame per detik, dengan konsistensi antarpengambilan gambar dan kontrol kamera .

Audio dihasilkan bersama video

Audio tidak ditambahkan sebagai tahap terpisah. FLUX 3 menghasilkan audio bersamaan dengan video, termasuk dialog multibahasa dan efek suara yang dikaitkan dengan peristiwa visual di dalam adegan . Output audionya disebut berformat stereo 48 kHz .

Menghasilkan dan mengedit gambar

Selain video, model ini dirancang untuk membuat serta menyunting gambar dalam beragam gaya, rasio aspek, dan resolusi. BFL juga menyebut peningkatan pada kemampuan merender teks dan menangani perintah yang kompleks .

Namun, fitur gambar belum tersedia penuh saat peluncuran. Akses awal untuk generasi gambar dijadwalkan menyusul dalam “beberapa minggu” setelah pengumuman .

Memprediksi tindakan robot

Kemampuan FLUX 3 tidak berhenti pada konten kreatif. Pemahaman model terhadap dunia dapat digunakan untuk memprediksi tindakan robot, baik secara langsung maupun melalui dekoder tindakan yang disesuaikan .

Dengan pendekatan ini, satu model dasar dapat menjadi fondasi untuk dua jenis penggunaan: pembuatan gambar, video, dan audio di satu sisi, serta pengendalian robot di sisi lain .

Satu arsitektur untuk banyak modalitas

FLUX 3 dibangun di atas pendekatan Self-Flow, yaitu metode BFL untuk menyelaraskan generasi dan pemahaman multimodal dalam satu kerangka kerja .

BFL dan mimic robotics melaporkan adanya kompromi sementara ketika prediksi tindakan ditambahkan: kualitas video dapat turun hingga 10%. Namun, kualitas tersebut kembali pulih setelah sekitar 3.500 langkah pelatihan, sementara kemampuan memprediksi tindakan tetap dipertahankan .

FLUX-mimic: Ketika FLUX 3 Dipakai di Pabrik Audi

BFL bekerja sama dengan startup Swiss mimic robotics untuk mengembangkan FLUX-mimic, model video-tindakan yang dibangun di atas tulang punggung FLUX 3 .

Sistem ini melatih dekoder tindakan yang relatif ringan menggunakan fitur perantara dari jalur prediksi video FLUX 3. Dekoder tersebut kemudian menerjemahkan representasi dunia yang dipelajari model menjadi tindakan fisik .

FLUX-mimic telah diuji dan digunakan pada tugas produksi nyata di Audi . Menurut pernyataan para mitra, robot tersebut menangani pekerjaan manipulasi benda lunak yang dinilai sulit, bahkan “mustahil” dilakukan dengan pemrograman tradisional .

Pendekatan ini juga disebut membutuhkan lebih sedikit data demonstrasi untuk mempelajari tugas baru dibandingkan sejumlah pendekatan yang sudah ada . Kolaborasi tersebut menggabungkan keahlian BFL dalam model visual fondasi dengan kemampuan mimic robotics dalam pembelajaran robot, manipulasi cekatan, dan penerapan di lingkungan produksi .

Bagaimana dengan Klaim Kecepatannya?

Sejumlah angka yang beredar di forum komunitas menyebut inferensi FLUX 3 di bawah 80 milidetik pada satu GPU RTX 5090 dan waktu reaksi sistem sekitar 101 milidetik. Namun, angka-angka tersebut tidak ditemukan dalam sumber resmi BFL, liputan Bloomberg, maupun siaran pers yang tersedia .

Dengan demikian, klaim tersebut belum dapat diverifikasi. Angka itu mungkin berasal dari laporan teknis yang belum dirilis, analisis pihak ketiga, atau pengujian lanjutan, tetapi bukti yang tersedia saat ini belum cukup untuk menjadikannya tolok ukur resmi.

BFL memang memosisikan sistem ini untuk kendali robot secara real-time atau mendekati real-time, tetapi belum menerbitkan spesifikasi latensi resmi untuk GPU konsumen. Sebagai pembanding, pengujian komunitas pada model FLUX sebelumnya umumnya menunjukkan waktu generasi gambar dalam hitungan detik, bukan milidetik . Beban kerja video dan prediksi tindakan FLUX 3 tentu berbeda, sehingga perbandingan tersebut tidak dapat digunakan untuk memastikan performa FLUX 3.

Fitur yang Sudah Terverifikasi dan yang Masih Menunggu

Sudah didukung atau diumumkan

• Video hingga 20 detik dengan audio native dari teks, gambar, atau video referensi .
• Dialog multibahasa dan efek suara yang diselaraskan dengan peristiwa visual .
• Prediksi tindakan robot, termasuk tugas manipulasi cekatan melalui FLUX-mimic .
• Penggunaan pada aplikasi kendali robot dengan satu GPU konsumen, sebagaimana disebut dalam materi pengenalan produk .

Belum tersedia dalam sumber resmi

• Belum ada tolok ukur latensi spesifik seperti waktu inferensi pada RTX 5090 .
• Belum tersedia laporan teknis lengkap mengenai arsitektur atau jumlah parameter model.
• Generasi gambar belum tersedia saat peluncuran; akses awalnya dijanjikan dalam “beberapa minggu” .
• Rilis bobot terbuka bernama FLUX 3 Dev direncanakan, tetapi belum memiliki tanggal peluncuran pasti .

Ketersediaan Akses Awal

• FLUX 3 Video dengan audio: tersedia melalui program akses awal terbatas dan daftar tunggu sejak 23 Juli 2026 .
• FLUX 3 Image: dijadwalkan menyusul dalam beberapa minggu setelah peluncuran .
• Prediksi tindakan melalui FLUX-mimic: tersedia melalui mitra riset dan komersial tertentu, dimulai bersama mimic robotics .
• FLUX 3 Dev: rilis bobot terbuka direncanakan pada tahap berikutnya untuk mendukung pembuatan konten dan prediksi tindakan .

Permintaan akses dapat diajukan melalui formulir akses awal BFL di bfl.ai/models/flux-3 .