近日，德国人工智能初创企业黑森林实验室（Black Forest Labs）推出重磅新品——正式发布多模态基础模型 Flux3。该模型采用 Self-Flow 架构，集成了专用图像、视频、音频及动作编解码器，将物理世界与数字环境的统一理解与生成能力融为一体，实现全面整合。

最令人瞩目的亮点在于音视频同步功能。Flux3 是首个支持原生音频生成的多模态模型，一次可输出长达20秒的音视频同步片段，能力涵盖文本、图像、视频转视频、基于关键帧的转场，甚至支持多角色对话。对于大模型而言，将“听得见”与“看得见”整合到同一基础底座，意味着它不再只是图像或视频领域的单一专长——这才是真正的全能型模型。

早期测试结果同样令人信服。在720p分辨率、10秒片段的设定下，Flux3 以93%的胜率大幅领先 Luma Ray3.2，对 Runway Gen-4.5 也保持了77%的胜率优势；即便面对 Seedance2.0 与 Gemini Omni Flash 等顶尖模型，它依然稳占微弱上风。数据不会说谎，这一表现足够硬核。

更值得关注的是，动作能力已延伸至现实世界。黑森林实验室与 Mimic Robotics 合作，开发了面向机器人领域的动作模型 Flux-mimic，目前已在奥迪工厂开展生产任务测试——多模态能力从屏幕走向了生产线。在发布节奏上，BFL 选择分阶段推进：Flux3 Video 已率先上线，Flux3 Image 与附带开源权重的“Flux3 Dev”也将在近期陆续推出。可以说，每一步都精准踩在关键节点上。