Black Forest Labs宣布以Early Access方式上线推出FLUX3 多模态基础模型，采用统一架构联合学习图像、视频和音频。该模型基于Self-Flow（自监督流匹配）学习框架扩展，同步训练视频、图像和音频，在FLUX. 1 和FLUX. 2 系列基础上进一步扩展至多模态生成与理解任务。

一、性能全面碾压，原生音频同步输出

FLUX3 可在单次生成中输出最长 20 秒的视频并附带原生音频，支持文生视频、图生视频、视频生视频、输入视频与音频续写、关键帧转视频、多语言对话以及多镜头串联等多种创作模式。在带声音的 10 秒720p视频人工评测中，FLUX3 对比Grok Imagine Video胜率达69%，对比Seedance 2. 0 和Gemini Omni Flash胜率均为52%，展现出全面领先优势。

二、图像能力全面，进军机器人行为预测

在图像能力方面，官方称FLUX3 可完成图像生成与编辑，覆盖多种风格、宽高比和分辨率。更值得关注的是，Black Forest Labs正与Mimic Robotics合作，研究将FLUX3 用作机器人行为预测模型，将多模态AI能力从内容生成延伸到实体机器人领域。这一布局意味着FLUX3 不仅是一个创作工具，更有望成为连接数字世界与物理世界的通用多模态引擎。