FLUX 3: O Novo Modelo de IA da Black Forest Labs Que Une Geração de Conteúdo e o Mundo Físico

Capacidades Principais

• Geração de Vídeo: O FLUX 3 pode gerar clipes de vídeo de até 20 segundos com áudio nativo sincronizado em uma única passagem . Ele suporta vários modos de criação: texto-para-vídeo, imagem-para-vídeo, vídeo-para-vídeo, keyframe-para-vídeo e até mesmo o encadeamento de múltiplos clipes para criar sequências mais longas . A resolução de saída chega a 1080p a 24 fps, com consistência entre múltiplos takes e controles de câmera .
• Geração de Áudio: O áudio é produzido nativamente junto com o vídeo, gerando diálogos multilíngues (incluindo português) e efeitos sonoros que são causalmente ligados aos eventos visuais . A saída de áudio é em 48 kHz estéreo .
• Geração e Edição de Imagens: O modelo também sabe sintetizar e editar imagens em diversos estilos, proporções e resoluções, com melhorias significativas na renderização de textos e no atendimento a prompts complexos . O acesso antecipado à geração de imagens estava programado para "as próximas semanas" após o lançamento do vídeo .
• Previsão de Ações Robóticas: Esta é a grande inovação. O entendimento de mundo do FLUX 3 pode ser direcionado para prever ações de robôs, seja nativamente ou através de um decodificador de ações treinado separadamente . Isso transforma o modelo em um "backbone" (espinha dorsal) compartilhado tanto para a criação de conteúdo criativo quanto para o controle físico de robôs .
• Arquitetura Unificada: Tudo isso é construído sobre a abordagem Self-Flow da BFL, que alinha a geração multimodal e o aprendizado de representações em um único framework . Um efeito colateral interessante: adicionar a capacidade de previsão de ações reduz temporariamente a qualidade do vídeo em até 10%, mas o modelo se recupera totalmente após cerca de 3.500 passos de treinamento, mantendo a nova habilidade .

FLUX-mimic: Aplicação Real na Fábrica da Audi

A BFL fez uma parceria com a startup suíça Mimic Robotics para desenvolver o FLUX-mimic, um modelo de "vídeo-ação" construído sobre o backbone do FLUX 3 . A ideia é simplesmente brilhante: o sistema treina um decodificador de ações leve a partir das características intermediárias da via de predição de vídeo do FLUX 3, decodificando ações físicas a partir da representação de mundo que o modelo já aprendeu .

O FLUX-mimic não ficou só no papel. Ele foi testado e implantado em tarefas de produção reais na fábrica da Audi . De acordo com os parceiros, a Audi usou esses robôs para resolver "trabalhos complexos de manipulação de materiais que seriam simplesmente impossíveis" com a programação tradicional . A grande vantagem é que o sistema reduz drasticamente a quantidade de dados de demonstração necessários para o robô aprender novas tarefas .

Desempenho: O Que Sabemos e o Que Ainda Esperamos

Nas comunidades online, surgiram especulações sobre benchmarks de desempenho impressionantes, como inferência em menos de 80ms em uma única RTX 5090 e um tempo de reação do sistema de 101ms. É importante esclarecer que estes números não aparecem nas fontes oficiais disponíveis da BFL, Bloomberg ou nos comunicados de imprensa do lançamento .

Atenção: Esses valores podem vir de um relatório técnico ainda não publicado ou de análises de terceiros, mas não há evidências suficientes no conjunto de fontes atual para verificá-los ou citá-los com segurança. O sistema FLUX 3 como um todo é projetado para controle robótico em tempo real, mas nenhuma especificação oficial de latência foi publicada até o momento.

Para efeito de comparação, no modelo antecessor (FLUX.1), uma RTX 5090 gera uma imagem de 1024×1024 em cerca de 5 a 12 segundos, dependendo da otimização . O FLUX 3, com suas cargas de trabalho de vídeo e previsão de ação, certamente será diferente, mas a latência de menos de 100 milissegundos para inferência de ações ainda não foi confirmada pela BFL.

O Que o Modelo Faz e o Que Ainda Não Foi Confirmado

Capacidades Verificadas

• Geração de vídeos de até 20 segundos com áudio nativo a partir de texto, imagens ou vídeos de referência
• Sincronização de diálogos multilíngues e efeitos sonoros com eventos visuais
• Previsão de ações robóticas e controle de tarefas de manipulação
• Execução em uma única GPU de consumo para aplicações de robótica

O Que Não Está nas Fontes Oficiais

• Nenhum benchmark de latência específico (como tempo de inferência em uma RTX 5090) foi publicado pela BFL
• Nenhum relatório técnico com detalhes completos da arquitetura ou contagem de parâmetros está disponível
• A geração de imagens não estava disponível no lançamento; o acesso antecipado foi prometido para "as próximas semanas"
• O lançamento dos pesos abertos ("FLUX 3 Dev") está planejado para mais tarde, sem data firmada

Disponibilidade e Acesso Antecipado

• FLUX 3 Vídeo (com áudio): Disponível em acesso antecipado imediatamente a partir de 23 de julho de 2026, via página de modelos da BFL e uma lista de espera .
• FLUX 3 Imagem: O acesso antecipado foi anunciado para "as próximas semanas" .
• Previsão de Ações (FLUX-mimic): Disponível através de parceiros de pesquisa e comerciais selecionados, começando pela Mimic Robotics .
• Lançamento de Pesos Abertos ("FLUX 3 Dev"): Planejado para o futuro, fornecendo um backbone multimodal tanto para criação de conteúdo quanto para previsão de ações .
• O acesso pode ser solicitado através do formulário de acesso antecipado da BFL em bfl.ai/models/flux-3 .