FLUX 3 โมเดล AI มัลติโมดัลที่เชื่อมภาพ วิดีโอ เสียง และการควบคุมหุ่นยนต์ไว้ในระบบเดียว

FLUX 3 ทำอะไรได้บ้าง

สร้างวิดีโอพร้อมเสียงในครั้งเดียว

FLUX 3 สามารถสร้างวิดีโอความยาวสูงสุด 20 วินาที พร้อมเสียงที่สร้างและซิงก์กับภาพโดยตรงภายในการสร้างครั้งเดียว ระบบรองรับทั้งการสร้างวิดีโอจากข้อความ ภาพ วิดีโออ้างอิง และคีย์เฟรม รวมถึงการนำคลิปหลายชิ้นมาต่อกันผ่านเวิร์กโฟลว์แบบเอเจนต์

เอาต์พุตที่มีการรายงานไว้รองรับความละเอียดสูงสุด 1080p ที่ 24 เฟรมต่อวินาที พร้อมความต่อเนื่องของตัวละครและฉากแบบหลายช็อต รวมถึงการควบคุมกล้อง

สร้างเสียงที่สัมพันธ์กับเหตุการณ์ในภาพ

เสียงไม่ได้ถูกเติมเข้ามาทีหลังแบบแยกส่วน แต่สร้างขึ้นพร้อมกับวิดีโอ โดยครอบคลุมบทสนทนาหลายภาษาและเอฟเฟกต์เสียงที่เชื่อมโยงกับเหตุการณ์ที่เกิดขึ้นในภาพ เช่น การเคลื่อนไหวหรือการเปลี่ยนแปลงของฉาก รูปแบบเอาต์พุตเสียงที่ระบุไว้คือสเตอริโอ 48 kHz

สร้างและแก้ไขภาพนิ่ง

นอกจากวิดีโอแล้ว FLUX 3 ยังรองรับการสร้างและแก้ไขภาพในหลากหลายสไตล์ สัดส่วน และความละเอียด โดย BFL ระบุว่าปรับปรุงการแสดงผลตัวอักษรและการทำความเข้าใจพรอมต์ที่ซับซ้อนขึ้น

อย่างไรก็ตาม ฟีเจอร์สร้างภาพยังไม่ได้เปิดให้ใช้งานตั้งแต่วันเปิดตัว โดยบริษัทระบุว่าจะเปิดให้เข้าถึงล่วงหน้าในช่วง “สัปดาห์ต่อ ๆ ไป”

คาดการณ์การกระทำของหุ่นยนต์

จุดที่ทำให้ FLUX 3 แตกต่างจากโมเดลสร้างภาพหรือวิดีโอทั่วไป คือความเข้าใจโลกของโมเดลสามารถนำไปใช้คาดการณ์การกระทำของหุ่นยนต์ได้ ทั้งในรูปแบบที่รองรับโดยตรงหรือผ่านตัวถอดรหัสการกระทำที่ปรับแต่งเพิ่มเติม

แนวทางนี้ทำให้ FLUX 3 ทำหน้าที่เป็นแกนกลางร่วมกันได้สองทาง คือการสร้างสรรค์คอนเทนต์ดิจิทัล และการควบคุมหุ่นยนต์ในโลกจริง

สถาปัตยกรรมเดียวสำหรับหลายโมดัลลิตี

FLUX 3 พัฒนาบนแนวทาง Self-Flow ของ BFL ซึ่งออกแบบมาเพื่อจัดแนวการสร้างและการเรียนรู้ความเข้าใจข้อมูลหลายประเภทไว้ในกรอบการทำงานเดียว

BFL ยังรายงานข้อสังเกตจากการฝึกโมเดลว่า เมื่อเพิ่มความสามารถด้านการคาดการณ์การกระทำ คุณภาพวิดีโออาจลดลงชั่วคราวสูงสุดประมาณ 10% แต่คุณภาพจะกลับคืนมาเต็มระดับหลังผ่านการฝึกประมาณ 3,500 สเต็ป โดยยังคงความสามารถในการคาดการณ์การกระทำไว้ได้

FLUX-mimic: เมื่อ FLUX 3 ถูกนำไปใช้กับหุ่นยนต์ในโรงงาน Audi

Black Forest Labs ร่วมมือกับสตาร์ตอัปสัญชาติสวิตเซอร์แลนด์ mimic robotics พัฒนา FLUX-mimic ซึ่งเป็นโมเดลวิดีโอ-การกระทำที่สร้างบนแกนหลักของ FLUX 3

ระบบนี้ฝึกตัวถอดรหัสการกระทำขนาดเล็กจากฟีเจอร์ระดับกลางในเส้นทางการคาดการณ์วิดีโอของ FLUX 3 เพื่อแปลงความเข้าใจโลกที่โมเดลเรียนรู้ไว้ให้เป็นคำสั่งการเคลื่อนไหวทางกายภาพ

FLUX-mimic ถูก ทดสอบและนำไปใช้งานกับภารกิจการผลิตจริงที่ Audi แล้ว ตามข้อมูลจากพันธมิตร Audi ใช้หุ่นยนต์ดังกล่าวกับงานจัดการวัสดุอ่อนที่มีความซับซ้อน ซึ่งทั้งสองฝ่ายระบุว่าเดิมเป็นงานที่ “แทบเป็นไปไม่ได้” หากใช้การเขียนโปรแกรมแบบดั้งเดิม

อีกประเด็นสำคัญคือระบบต้องการข้อมูลสาธิตสำหรับเรียนรู้งานใหม่ในปริมาณน้อยกว่าแนวทางที่มีอยู่บางประเภท ความร่วมมือนี้จึงผสานความเชี่ยวชาญของ BFL ด้านโมเดลภาพพื้นฐานเข้ากับความสามารถของ mimic robotics ในการเรียนรู้ของหุ่นยนต์ การหยิบจับอย่างละเอียด และการนำระบบไปใช้ในสายการผลิต

แล้วตัวเลขความเร็วต่ำกว่า 80 มิลลิวินาทีจริงหรือไม่

ตัวเลขที่ถูกพูดถึงในบางชุมชนออนไลน์ เช่น การประมวลผลต่ำกว่า 80 มิลลิวินาทีบน GPU RTX 5090 เพียงใบเดียว และ เวลาตอบสนองของระบบ 101 มิลลิวินาที ยังไม่ปรากฏในแหล่งข้อมูลทางการที่มีอยู่จาก BFL, Bloomberg หรือประกาศประชาสัมพันธ์ที่เกี่ยวข้อง

บทความบล็อกทางการของ BFL และรายงานข่าวในวันเปิดตัว 23 กรกฎาคม 2026 ก็ไม่ได้ระบุตัวเลขประสิทธิภาพเฉพาะฮาร์ดแวร์เหล่านี้

ตัวเลขดังกล่าวอาจมาจากรายงานทางเทคนิคที่ยังไม่เผยแพร่ การวิเคราะห์โดยบุคคลที่สาม หรือการทดสอบในภายหลัง แต่จากหลักฐานชุดปัจจุบันยังไม่เพียงพอที่จะตรวจสอบหรืออ้างอิงได้อย่างยืนยัน ดังนั้นจึงควรมองว่า FLUX 3 ถูกออกแบบมาเพื่อการควบคุมหุ่นยนต์แบบใกล้เรียลไทม์ แต่ยังไม่มีข้อกำหนดเวลาแฝงอย่างเป็นทางการสำหรับการทำงานบน GPU ระดับผู้บริโภค

เพื่อให้เห็นภาพ การทดสอบจากชุมชนกับรุ่นก่อนหน้าอย่าง FLUX.1 บน RTX 5090 ใช้เวลาสร้างภาพขนาด 1024×1024 ราว 5–12 วินาที ขึ้นอยู่กับการปรับแต่ง ขณะที่การทดสอบ FLUX.2-dev บางชุดก็ยังอยู่ในระดับวินาทีต่อภาพ อย่างไรก็ตาม งานสร้างวิดีโอและการคาดการณ์การกระทำมีภาระการประมวลผลแตกต่างจากการสร้างภาพอย่างมาก จึงไม่สามารถนำตัวเลขเหล่านี้ไปยืนยันเวลาแฝงของ FLUX 3 ได้

สรุปความสามารถที่ยืนยันได้และสิ่งที่ยังไม่เปิดเผย

ความสามารถที่มีแหล่งข้อมูลรองรับ

• สร้างวิดีโอพร้อมเสียงที่สร้างขึ้นในระบบเดียว ความยาวสูงสุด 20 วินาที จากข้อความ ภาพ หรือวิดีโออ้างอิง
• ซิงก์บทสนทนาหลายภาษาและเอฟเฟกต์เสียงให้สัมพันธ์กับเหตุการณ์ในภาพ
• คาดการณ์การกระทำของหุ่นยนต์และรองรับงานหยิบจับที่ต้องใช้ความละเอียดสูง
• รองรับการทำงานบน GPU สำหรับผู้บริโภคหนึ่งใบในแอปพลิเคชันควบคุมหุ่นยนต์

สิ่งที่ยังไม่มีข้อมูลทางการยืนยัน

• BFL ยังไม่เผยแพร่ตัวเลขเวลาแฝงเฉพาะ เช่น เวลาประมวลผลบน RTX 5090
• ยังไม่มีรายงานทางเทคนิคฉบับเต็มที่เปิดเผยรายละเอียดสถาปัตยกรรมหรือจำนวนพารามิเตอร์
• ฟีเจอร์สร้างภาพยังไม่เปิดให้ใช้งานตั้งแต่วันเปิดตัว โดยระบุเพียงว่าจะเปิดในช่วงสัปดาห์ต่อ ๆ ไป
• แผนเปิดตัวน้ำหนักโมเดลแบบเปิดในชื่อ “FLUX 3 Dev” ยังไม่มีวันที่แน่นอน

สถานะการเปิดให้ใช้งาน

• FLUX 3 Video พร้อมเสียง: เปิดให้เข้าถึงล่วงหน้าแล้วตั้งแต่วันที่ 23 กรกฎาคม 2026 ผ่านหน้าโมเดลของ BFL และระบบลงทะเบียนรอ
• FLUX 3 Image: มีกำหนดเปิดให้เข้าถึงล่วงหน้าในช่วงสัปดาห์ต่อ ๆ ไปหลังเปิดตัว
• การคาดการณ์การกระทำหรือ FLUX-mimic: เปิดให้ใช้งานผ่านพันธมิตรด้านการวิจัยและธุรกิจที่ได้รับคัดเลือก โดย mimic robotics เป็นหนึ่งในพันธมิตรกลุ่มแรก
• โมเดลแบบเปิดน้ำหนัก “FLUX 3 Dev”: มีแผนเปิดตัวในภายหลัง เพื่อทำหน้าที่เป็นแกนกลางมัลติโมดัลสำหรับทั้งการสร้างคอนเทนต์และการคาดการณ์การกระทำ

ผู้สนใจสามารถยื่นคำขอเข้าถึง FLUX 3 ผ่านแบบฟอร์ม Early Access ของ BFL ที่ bfl.ai/models/flux-3