Black Forest Labs у четвер випустила FLUX 3, і вперше флагманська модель компанії генерує відео, а не лише статичні зображення. Німецька лабораторія штучного інтелекту, відома своєю лінійкою генераторів зображень FLUX, навчала нову систему на зображеннях, відео та аудіо одночасно, в рамках єдиної спільної системи.
Це те, що відомо як мультимодальність: одна модель вивчає кілька типів інформації разом, замість окремих інструментів, що працюють паралельно.
Відео – це головна функція. FLUX 3 створює кліпи до 20 секунд завдовжки, з аудіо, згенерованим разом із зображенням та синхронізованим з тим, що відбувається на екрані – діалогами, звуковими ефектами, навколишнім шумом. За результатами ранніх оцінок, люди-оцінювачі віддали перевагу результатам FLUX 3 над Runway Gen-4.5 у 77% прямих порівнянь та над Luma Ray 3.2 у 93%. Здається, він трохи кращий за Gemini Omni та Seedance, перевершивши ці моделі у 52% оцінок.
Звісно, це тест на перевагу, а не фіксована система оцінювання: оцінювачі просто дивляться два кліпи та обирають той, що виглядає та звучить переконливіше, а BFL підраховує, як часто FLUX 3 перемагає.
Крім того, модель виявляється дуже компетентною і в статичних зображеннях, продовжуючи свою спадщину. BFL поділилася кількома зображеннями, і FLUX 3 здається дуже універсальною та здатною генерувати широкий спектр стилів, що виходять за межі фотореалізму.
BFL розглядає це як більше, ніж просто інструмент для створення контенту. «Модель, яка вивчає лише зображення, може генерувати лише зображення», – сказав співзасновник і генеральний директор Робін Ромбах. Компанія робить ставку на те, що навчання прогнозуванню відео також означає вивчення фізики, що лежить в його основі — ваги, контакту, часу — а це саме те, що потрібно машині для руху у фізичному світі.
Ця ставка має назву: FLUX-mimic. Створена спільно з цюрихською компанією mimic robotics, вона бере двигун прогнозування відео FLUX 3 і додає легкий «декодер» — невеликий додатковий компонент, який перетворює внутрішнє відчуття моделі того, як рухаються речі, у реальні рухи робота. Автовиробник Audi вже тестує його для таких завдань, як встановлення гнучких ущільнювачів дверей, з чим традиційна автоматизація мала труднощі.
«Audi є саме тим виробничим партнером, для якого ми створили FLUX-mimic», – сказав співзасновник mimic Штефан-Даніель Граверт. Крістоф Шнайдер з Audi зазначив, що роботи тепер «вирішують складні завдання маніпуляції м'якими тілами», які були непідвладні старим машинам. BFL заявляє, що повна система реагує приблизно за 101 мілісекунду, що співрозмірно з рефлексами людського зору.
Зростання FLUX не відбулося на порожньому місці. Заснована в серпні 2024 року досвідченими дослідниками, які допомагали створювати оригінальні моделі Stable Diffusion у Stability AI, Black Forest Labs запустила моделі Flux, що перевершили MidJourney та затьмарили власну невтішну Stable Diffusion 3 від Stability.
Моделі з відкритим вихідним кодом Flux Dev та Schnell завоювали титул «найкращого генератора зображень з відкритим вихідним кодом», який художники ШІ очікували, що Stable Diffusion 3.5, переробка від Stability, зрештою поверне собі.
Цього так і не сталося. FLUX 1.1 Pro очолив арену зображень Artificial Analysis того жовтня. Однак ця версія не була з відкритим вихідним кодом.
BFL випустила FLUX.2 у листопаді 2025 року, але він не був настільки популярним. Корона відкритого вихідного коду, яку тримав оригінальний Flux, протрималася доки Z-Image Turbo від Alibaba не змістив його наприкінці 2025 року, зрівнявшись за якістю на менш потужних споживчих відеокартах. «Це те, чим мав бути SD3», – написав тоді один користувач CivitAI.
FLUX 3 – це повернення BFL, і він ще не повністю відкритий. Відео та Дії зараз доступні в ранньому доступі через API та вибраних партнерів, серед яких mimic robotics, а генерація зображень з'явиться «в найближчі тижні», за словами BFL. Версія Dev з відкритою вагою, єдиний рівень, який BFL планує випустити для локального використання, очікується не раніше кінця 2026 року.
