开源图像模型领域的领军者 Black Forest Labs（黑森林实验室）正式发布 FLUX 3。此次升级标志着该模型从单一的图像生成工具，进化为集视频、音频、动作预测于一体的多模态统一模型。FLUX 3 以多模态流模型为基石，实现了对视觉、听觉及物理世界的综合理解。
Black Forest Labs 成立于 2024 年，由三位前 Stability AI 核心研究人员创立，他们曾共同开发了著名的 Stable Diffusion 模型。凭借开源高质量的 Flux 1 模型，该公司迅速在业界崭露头角。随后的 FLUX 2 引入“流匹配”（Flow Matching）技术与 Transformer 架构，在提升画质的同时显著降低了推理成本。而最新的 FLUX 3 则实现了多模态统一，不仅能处理图文音视频，还具备动作预测能力，为机器人等物理 AI 应用奠定基础。
公司融资进展迅猛，已晋升为独角兽企业，累计融资超 4.5 亿美元。2025 年 12 月完成的 B 轮融资达 3 亿美元，投后估值高达 32.5 亿美元，投资方涵盖 Nvidia、Salesforce Ventures、Andreessen Horowitz (a16z) 等顶级机构。
全感官统一：一个模型学习所有模态
过去几年，生成式 AI 领域往往将图像、视频、音频割裂开发。Black Forest Labs 认为这种路径存在局限。图像捕捉空间结构，视频揭示时间维度与物理规律，音频暴露因果关系，而语言则连接感知与抽象概念。单独训练单一模态仅能得到局部最优解，而联合训练所有模态，利用它们之间的相互约束（如声音需匹配撞击力度、运动需遵守质量守恒），能让模型更深刻地理解底层现实。
FLUX 3 正是基于这一原则构建的首个模型。技术上，它依托 Self-Flow（自流）方法，将多模态生成与理解高效对齐至同一底层架构，并通过扩展算力与数据，同时在视频、图像、音频上进行训练。
数据显示，相较于传统的 Flow Matching（流匹配），Self-Flow 在生成误差（Fréchet 距离）和任务操控成功率上均表现更优。
视频生成：原生音频与全能表现
FLUX 3 具备强大的视频生成能力，单次可产出分辨率达 720p、时长最长 20 秒且带有原生音频的视频。其核心功能包括：
- 文本生成视频；
- 图像生成视频（支持起始帧延续或视觉参考）；
- 基于参考片段的视频重绘，将源视频角色迁移至新场景；
- 视频 - 音频的生成式延续；
- 关键帧控制，实现特定时刻间的可控过渡；
- 多语言对话支持；
- 广泛的视觉风格与宽高比适配；
- 自主串联独立片段为多镜头长序列；
- 极高的风格多样性，涵盖手持摄像、动画及电影质感；
- 强大的字体生成与动态设计能力。
早期评估数据（10 秒、720p、带音频）显示，FLUX 3 在与主流模型的对比中占据压倒性优势：
具体偏好率如下：对阵 Gemini Omni Flash 和 Seedance 2.0 获 52% 优势；对比 Happy Horse 两版本、Kling v3 Pro 及 Grok Imagine Video，偏好率分别达 57%、59%、60% 和 69%；领先 Runway Gen-4.5 达 77%；面对 Luma Ray 3.2 更是获得了 93% 的压倒性支持。团队强调，目前模型仍在迭代优化中，未来表现将进一步提升。
FLUX 3 在人脸表情捕捉、声画物理关联及多语言能力上表现尤为突出，支持生成持续数分钟的连贯序列，并确保角色在不同场景中的一致性。
图像编辑与动作预测
在图像领域，FLUX 3 支持多种风格、宽高比及分辨率的合成与编辑。中期评估表明，其在处理复杂提示词、文字生成及多语言文字渲染精度上较早期版本有显著提升。
此外，FLUX 3 将世界理解延伸至动作预测。通过集成原生动作预测模块，模型利用预训练的视频骨干网络作为动力学基座，仅需少量任务数据微调即可胜任专门的动作控制任务。
机器人公司 mimic robotics 已成为首批合作伙伴，双方联合开发了 FLUX-mimic。该模型结合 FLUX 3 骨干网络与 mimic 在灵巧操控方面的专长，展示了从内容生成到物理控制的跨越。这证明 FLUX 3 不仅是内容创作工具，更是理解世界运作规律的通用模型。
发布节奏与未来规划
Black Forest Labs 计划在未来数月内逐步开放以下能力，各项功能均经过严格的安全测试与早期访问验证：
- FLUX 3 Video：视频与音频的生成编辑，通过 API 及私有权重访问；
- FLUX-mimic 与 FLUX 3 Action：动作预测功能，面向选定研究与商业合作伙伴开放；
- FLUX 3 Image：图像合成与编辑，通过 API 及私有权重访问；
- FLUX 3 Dev：面向内容创作与动作预测的开发版，将正式开源。
团队后续还将披露更多底层技术细节。Black Forest Labs 的终极目标是将感知、动作与语言预测统一于单一模型之中，应用场景将从交互式媒体编辑拓展至仿真、计算机操作及物理 AI 领域。目前，下一代模型的研发工作已在进行中。
参考资料：
https://bfl.ai/blog/flux-3
https://bfl.ai/models/flux-3
https://bfl.ai/blog/flux-3-mimic
END