IT之家 7 月 24 日消息,Black Forest Labs 昨日(7 月 23 日)发布博文,宣布以 Early Access 方式,上线推出 Flux 3 多模态基础模型,采用统一架构联合学习图像、视频和音频。
在训练方面,IT之家援引博文介绍,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,扩大至多模态生成与理解任务。
FLUX 3 可在单次生成中输出最长 20 秒的视频,并附带原生音频。官方表示该模型支持文生视频、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。
性能方面,在带声音的 10 秒、720p 视频人工评测方面,结果显示,FLUX 3 对比 Grok Imagine Video 的胜率为 69%,对比 Seedance 2.0 的胜率为 52%,对比 Gemini Omni Flash 的胜率也为 52%。
在机器人方向,Black Forest Labs 正与 Mimic Robotics 合作,研究将 FLUX 3 用作机器人行为预测模型。
图像能力方面,官方称 FLUX 3 可完成图像生成与编辑,覆盖多种风格、宽高比和分辨率。