FLUX 3 от Black Forest Labs: единая мультимодальная модель для видео, аудио, изображений и управления роботами

Ключевые возможности

Генерация видео — FLUX 3 может создавать видеоклипы длиной до 20 секунд со встроенным синхронизированным аудио за один проход . Поддерживаются форматы «текст в видео», «изображение в видео», «видео в видео», «по ключевым кадрам», а также агентная сборка нескольких клипов . Разрешение — до 1080p при 24 кадрах в секунду, с мультикадровой согласованностью и управлением камерой .

Генерация аудио — звук создаётся одновременно с видео, включая многоязычные диалоги и звуковые эффекты, привязанные к визуальным событиям . Выходной формат — 48 кГц, стерео .

Генерация и редактирование изображений — модель синтезирует и редактирует изображения в разных стилях, соотношениях сторон и разрешениях, с улучшенным рендерингом текста и обработкой сложных запросов . Ранний доступ к генерации изображений был обещан «в ближайшие недели» после запуска .

Предсказание действий — понимание мира, полученное FLUX 3, распространяется на прогнозирование движений роботов, как напрямую, так и через дообученный декодер действий . Это превращает модель в единую основу как для творческой генерации контента, так и для физического управления роботами .

Единая архитектура — построена на подходе Self-Flow от BFL, который объединяет мультимодальную генерацию и обучение представлениям в одном фреймворке . Интересный побочный эффект: добавление предсказания действий временно снижает качество видео примерно на 10%, но модель полностью восстанавливает его примерно через 3 500 шагов обучения, сохраняя при этом способность предсказывать действия .

FLUX-mimic: Реальное внедрение на Audi

BFL объединилась со швейцарским стартапом mimic robotics для разработки FLUX-mimic — модели «видео-действие», построенной на основе FLUX 3 . Система обучает лёгкий декодер действий на промежуточных признаках из тракта предсказания видео FLUX 3, декодируя физические действия из изученного моделью представления мира .

FLUX-mimic была протестирована и внедрена на реальных производственных задачах на Audi . По словам партнёров, Audi использует этих роботов для выполнения «сложных манипуляций с мягкими телами, которые были бы просто невозможны» при традиционном программировании . Система значительно сокращает объём демонстрационных данных, необходимых для обучения новым задачам, по сравнению с существующими подходами . Партнёрство объединяет экспертизу BFL в области визуальных фундаментальных моделей с опытом mimic в обучении роботов, ловких манипуляциях и производственном внедрении .

Производительность: что известно, а что — нет

Конкретные показатели задержки, которые иногда обсуждаются в сообществах — менее 80 мс на одном GPU RTX 5090 и время реакции системы 101 мс — отсутствуют в официальных источниках BFL, Bloomberg или пресс-релизах . Официальные блог-посты BFL и освещение в прессе в день запуска (23 июля 2026 года) не содержат этих аппаратных бенчмарков .

Важное примечание: эти цифры могут быть из ещё не опубликованного технического отчёта, стороннего анализа или более поздних тестов, но в текущем наборе источников недостаточно доказательств, чтобы их проверить или цитировать. Для контекста: система FLUX 3 в целом спроектирована для работы, близкой к реальному времени, но официальных спецификаций задержки на потребительских GPU пока опубликовано не было.

Для сравнения: на предшественнике FLUX.1 RTX 5090 генерирует изображение 1024×1024 примерно за 5–12 секунд (в зависимости от оптимизации), а тесты сообщества на FLUX.2-dev также сообщают о времени в диапазоне секунд на изображение . Нагрузка FLUX 3 при генерации видео и предсказании действий будет существенно отличаться, но заявленная задержка менее 100 миллисекунд для вывода действий пока не подтверждена BFL.

Что модель может и чего не может

Подтверждённые возможности

• Генерация до 20 секунд видео со встроенным аудио из текста, изображений или эталонного видео
• Синхронизация многоязычных диалогов и звуковых эффектов с визуальными событиями
• Предсказание действий роботов и управление задачами ловких манипуляций
• Работа на одном потребительском GPU для задач управления роботами

Чего нет в официальных источниках

• Никаких конкретных бенчмарков задержки (например, времени вывода на RTX 5090) не опубликовано BFL
• Пока нет технического отчёта с полной архитектурой или количеством параметров
• Генерация изображений не была доступна на старте; ранний доступ обещан «в ближайшие недели»
• Выпуск открытых весов («FLUX 3 Dev») запланирован на более поздний срок, точная дата не объявлена

Ранний доступ

• FLUX 3 Video (с аудио) — доступен в раннем доступе с 23 июля 2026 года через страницу моделей BFL и лист ожидания .
• FLUX 3 Image — ранний доступ был анонсирован «в ближайшие недели» .
• Предсказание действий (FLUX-mimic) — доступно через избранных исследовательских и коммерческих партнёров, начиная с mimic robotics .
• Открытые веса («FLUX 3 Dev») — запланированы на более поздний срок; обеспечат мультимодальную основу как для создания контента, так и для предсказания действий .
• Запрос на доступ можно оставить через форму раннего доступа BFL по адресу bfl.ai/models/flux-3 .