Black Forest Labs 发布了 FLUX 3，这是一个用于视频生成的多模态流模型，支持文本到视频、图像到视频和视频到视频的生成，并原生支持音频输出。该模型在性能上超越了 Seedance 2.0、Gemini Omni 和 Grok Imagine，标志着 AI 视频生成领域的重大进步。
SynthePulse Insight · AI 深度解读
版本 2 · 4 个来源
Black Forest Labs 发布 Flux 3，首次实现视频与原生音频联合生成，但内部测试显示其性能优势有限，开源计划成为最大亮点。
Black Forest Labs 于 2026 年 7 月 23 日发布 Flux 3，定位不再是单纯的文生视频或文生图模型，而是“真实世界模型”。团队将图像、视频、音频放入同一套多模态流架构中，试图学习“世界如何运作”。
据 BFL 介绍，各模态被视为同一现实的“投影”：图像提供空间结构，视频提供时间与动力学，音频提供因果线索，语言提供抽象指令。联合训练时，模态间的互约束（如声音必须对得上撞击）更接近“世界表征”。
这一架构基于 Self-Flow 方法，使用多模态 Transformer。BFL 表示，同一底座可同时用于内容生成和具身/动作预测。
Flux 3 首次支持生成带有原生音频的视频，最长 20 秒。在 BFL 内部测试中，针对 10 秒 720p 视频的偏好率，Flux 3 领先多数竞品，但优势有限。
具体而言，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%，相对于 Kling v3 Pro 为 60%，相对于 Seedance 2.0 为 52%，相对于 Gemini Omni Flash 为 52%。
需要注意的是，这些性能数据为 BFL 内部测试，未经独立验证。独立测试尚未进行，因此实际表现可能存在不确定性。
BFL 计划发布开源权重版本 Flux 3 Dev，当前仅可通过申请早期访问。据称，未来几周将开放 API 访问，之后会开放开源版本。
开源时间表可能变化，但这一计划已引起社区广泛关注。
BFL 与 mimic robotics 合作开发了 Flux-mimic，一个基于 Flux 3 骨干的视频动作模型，用于通用灵巧操作。该模型已在 Audi 生产任务中测试，可部署在单块本地 GPU 上。
这体现了 Flux 3 从内容生成向具身智能扩展的潜力。
本文主要依赖 BFL 官方发布信息及媒体报道，性能数据为 BFL 内部测试结果，未经独立验证。开源计划时间表可能变化。
Flux 3 在多模态统一学习和原生音频视频生成方面取得突破，但性能优势有限，开源计划是最大亮点。