Black Forest Labs 发布 FLUX 3：统一图像、视频、音频与机器人动作预测的多模态流模型

一句话看懂

Black Forest Labs 发布 FLUX 3，一个能同时生成图像、视频、音频并预测机器人动作的多模态模型，视频最长 20 秒且自带音效，在多项对比中胜出。

详细发生了什么

Black Forest Labs（BFL）于 2026 年 7 月 26 日发布 FLUX 3，这是其首个多模态基础模型，在单一架构内同时学习图像、视频和音频。FLUX 3 也是首个从同一套权重输出视频、音频和动作预测的 FLUX 模型。BFL 团队认为，单一模态无法完整描述世界：图像捕捉瞬间空间结构，视频恢复时间与物理动态，音频揭示机械事件与声音的因果关系。每种模态都是对同一底层现实的有损投影，同时训练它们可以相互约束——声音必须匹配撞击，运动必须遵循质量。

FLUX 3 基于 BFL 此前提出的 Self-Flow 方法，该方法将 flow matching 目标与自监督特征重建目标结合，实现多模态生成与理解的对齐。参考实现（Apache-2.0）使用 SiT-XL/2 架构，每 token 时间步条件，25% 掩码率，从 EMA 教师（第 20 层）自蒸馏到学生（第 8 层）。BFL 表示，FLUX 3 在相同方法上大幅扩展了计算和数据资源，同时训练视频、图像和音频。

FLUX 3 Video 支持文本到视频、图像到视频、参考片段到视频、关键帧到视频以及生成式视频音频延续。单次生成最长 20 秒，自带原生音频。BFL 还提到多语言对话、片段智能链式拼接、强排版生成和动画设计。团队特别指出在人类面部表情和物理事件声音关联方面的优势。

在 10 秒 720p 文本到视频（含音频）的人类偏好测试中，FLUX 3 以 93% 胜率击败 Luma Ray 3.2，77% 击败 Runway Gen-4.5，69% 击败 Grok Imagine Video，60% 击败 Kling v3 Pro，59% 击败 Happy Horse v1，57% 击败 Happy Horse 1.1，与 Seedance 2.0 和 Gemini Omni Flash 持平（52%）。

中文圈视角

FLUX 3 对中文用户意味着几个关键点：

视频生成能力大幅领先国内竞品：对比数据中，Kling v3 Pro（可灵）仅获 60% 偏好率，而 FLUX 3 达到 93% 对 Luma。国内视频生成模型（如可灵、Vidu、PixVerse）在时长、音频同步和物理合理性上仍有差距。FLUX 3 的 20 秒单次生成+原生音频是当前国产模型难以企及的。
平替与使用门槛：FLUX 3 目前通过 BFL 官网（bfl.ai）提供早期访问，国内用户可能需要网络工具。但 BFL 一贯开源部分模型（如 FLUX.1），未来可能开放权重或 API。中文社区可关注 Hugging Face 和 ModelScope 上的社区复现。
机器人动作预测的潜在影响：FLUX 3 首次将动作预测纳入多模态框架，这对国内具身智能（如宇树、星动纪元）是重要信号。统一视觉-语言-动作模型可能降低机器人训练成本，但国内企业多走专用路线，通用模型适配需时间。
中文生成质量待验证：BFL 提到多语言对话和排版生成，但中文文本生成效果未知。此前 FLUX 模型在中文场景表现一般，FLUX 3 是否改进需实测。

几条值得记住的细节

FLUX 3 视频单次生成最长 20 秒，支持原生音频同步，无需后期配音。
人类偏好测试中，FLUX 3 以 93% 胜率击败 Luma Ray 3.2，77% 击败 Runway Gen-4.5。
模型基于 Self-Flow 架构，结合 flow matching 与自监督特征重建，参考实现已开源（Apache-2.0）。
支持文本到视频、图像到视频、关键帧到视频、视频到视频及生成式视频音频延续。
BFL 强调在人类面部表情和物理事件声音关联方面表现突出。

一句话总结

FLUX 3 将视频生成质量拉到新高度，中文用户可关注其开源进展，但当前需网络工具访问。