Black Forest Labs 发布并开源 Flux 3 视频生成模型

Black Forest Labs 于 2026 年 7 月 23 日发布 Flux 3，这是一个多模态基础模型，同时学习图像、视频和音频。Flux 3 首次支持生成带有原生音频的视频，最长 20 秒。BFL 认为，单一模态无法完整捕捉现实，三者联合训练可相互填补信息空白。

Flux 3 支持文本到视频、图像到视频、视频到视频、关键帧转换、多语言对话以及智能剪辑（将片段串联为多镜头序列）。BFL 称模型擅长人类面部表情和声音与物理事件的匹配。

模型基于 Self-Flow 方法，使用多模态 Transformer，通过专用编码器和解码器将图像、视频、音频和动作转换为共享内部表示，再转换回输出。动作组件为机器人应用提供基础。

BFL 在早期评估中使用 10 秒 720p 视频进行用户偏好测试。Flux 3 相对于 Luma Ray 3.2 偏好率为 93%，相对于 Runway Gen-4.5 为 77%，相对于 Grok Imagine Video 为 69%。

面对更强竞品时优势缩小：相对于 Kling v3 Pro 为 60%，Happy Horse v1 为 59%，Happy Horse 1.1 为 57%，Seedance 2.0 和 Gemini Omni Flash 均为 52%。BFL 称结果初步，尚无独立测试。

BFL 计划分阶段发布：Flux 3 Video 已可用，Flux 3 Image 将在数周内进入早期访问，动作预测功能初期仅限合作伙伴。

BFL 将发布开源权重版本 Flux 3 Dev，但当前仅可通过申请早期访问。未来几周将开放 API，随后开放开源版本。

BFL 与 Mimic Robotics 合作开发了 Flux-mimic，一个视频动作模型，已在 Audi 生产任务中测试。这体现了 Flux 3 统一学习框架在机器人领域的扩展潜力。