FLUX 3 殺到：Black Forest Labs 多模態 AI 生成影片音效之餘，仲可以預測機械人動作

核心功能一覽

• 影片生成：最長 20 秒，同步生成原生音頻，支援文字轉影片、圖片轉影片、影片轉影片、關鍵影格轉影片，仲可以串連多段影片 。輸出解像度去到 1080p、24fps，有多鏡頭一致性同鏡頭控制功能 。
• 音頻生成：同影片一齊原生生成，包括多語言對話同音效，全部都同畫面上的事件同步 。輸出係 48kHz 立體聲 。
• 圖像生成同編輯：支援多種風格、比例同解像度，處理複雜提示嘅能力有改進，文字渲染都更靚 。圖像生成嘅早期存取要等多幾個禮拜先有 。
• 動作預測：FLUX 3 嘅世界理解可以延伸去預測機械人動作，可以原生做或者透過一個微調嘅動作解碼器嚟做 。呢個功能等佢變成一個共用骨幹，同時做創意內容生成同機械人控制 。
• 統一架構：建基於 BFL 嘅 Self-Flow 方法，將多模態生成同表徵學習對齊喺同一個框架入面 。有個有趣嘅副作用：加入動作預測功能之後，影片質素會暫時跌最多 10%，但大約 3,500 步訓練之後就會回復，同時保留動作預測能力 。

FLUX-mimic：Audi 工廠嘅實際應用

BFL 同瑞士初創公司 mimic robotics 合作，開發咗 FLUX-mimic，呢個係一個建基於 FLUX 3 骨幹嘅影片-動作模型 。系統會從 FLUX 3 影片預測路徑嘅中間特徵，訓練一個輕量嘅動作解碼器，從模型學到嘅世界表徵入面解碼出實際動作 。

FLUX-mimic 已經喺 Audi 嘅真實生產任務上測試同部署 。合作夥伴話，Audi 用呢啲機械人解決咗「傳統程式根本冇可能做到嘅複雜軟性物料操作工作」。同現有方法相比，呢個系統學新任務需要嘅示範數據量大減 。呢次合作結合咗 BFL 嘅視覺基礎模型專長同 mimic 嘅機械人學習、靈巧操作同生產部署能力 。

效能表現：官方冇講嘅嘢，唔好亂信

網上討論區有時會講到一啲好誇張嘅數字，例如 單張 RTX 5090 GPU 上推理少過 80 毫秒、系統反應時間 101 毫秒。但係，呢啲數字喺 BFL 嘅官方博客、Bloomberg 報道、或者正式新聞稿入面係完全睇唔到嘅 。

重要提醒：呢啲效能數字可能係嚟自未公開嘅技術報告、第三方分析或者後續測試，但係根據現有資料，根本冇足夠證據去確認或者引用佢哋。成個 FLUX 3 系統係為咗接近實時嘅機械人控制而設計，但官方到目前為止都未公佈過任何關於消費級 GPU 嘅延遲規格。

作為參考，前代模型 FLUX.1 喺 RTX 5090 上生成一張 1024×1024 圖片大約需要 5 至 12 秒（視乎優化程度），而 FLUX.2-dev 嘅社區基準測試結果都係喺秒級範圍 。FLUX 3 嘅影片同動作預測工作量當然好唔同，但係官方未確認之前，坊間嗰啲少過 100 毫秒嘅延遲聲稱都係得個講字。

模型做得到同做唔到嘅嘢

已確認嘅功能

• 從文字、圖片或參考影片生成最多 20 秒、帶原生音頻嘅影片
• 同步多語言對話同音效到視覺事件
• 預測機械人動作，控制靈巧操作任務
• 可以用單一張消費級 GPU 嚟做機械人控制

官方冇講嘅嘢

• BFL 冇公佈過任何具體嘅延遲基準測試（例如 RTX 5090 上嘅推理時間）
• 未有完整架構細節或參數數量嘅技術報告
• 圖像生成功能喺推出時未有，話「幾個禮拜內」先有早期存取
• 開放權重版本（「FLUX 3 Dev」）話會之後先出，未有確實日期

早期存取詳情

• FLUX 3 影片生成（連音頻）——2026 年 7 月 23 日起已經可以經 BFL 模型頁面同候補名單申請早期存取 。
• FLUX 3 圖像生成——話「幾個禮拜內」會有早期存取 。
• 動作預測（FLUX-mimic）——只限指定嘅研究同商業合作夥伴使用，由 mimic robotics 開始 。
• 開放權重版本（「FLUX 3 Dev」）——計劃之後推出，會同時支援內容創作同動作預測嘅多模態骨幹 。
• 可以喺 bfl.ai/models/flux-3 度填表申請早期存取 。