Black Forest Labs 近日正式发布了 FLUX3 多模态基础模型，并以 Early Access 形式率先开放体验。该模型采用统一的架构设计，将图像、视频与音频的学习任务整合于一体，基于 Self-Flow（自监督流匹配）框架进行扩展，在 FLUX.1 与 FLUX.2 系列的基础上，进一步实现了多模态生成与理解能力的全面覆盖。简而言之，一次训练即可打通三大感官模态，显著提升模型的应用效率与泛化能力。

在性能方面，FLUX3 展现出了极为突出的表现。它能够在单次生成过程中输出最长 20 秒的视频，并且原生同步输出音频——请注意，这里的音频并非后期合成，而是模型在生成视频时自动同步创建的。该模型支持文生视频、图生视频、视频生视频、输入视频与音频的续写、关键帧转视频、多语言对话，甚至多镜头串联等多种创作模式，覆盖了极为丰富的应用场景。在带音频的 10 秒 720p 视频人工评测中，FLUX3 对比 Grok Imagine Video 的胜率高达 69%，对比 Seedance 2.0 和 Gemini Omni Flash 的胜率均为 52%，领先优势十分显著。

在图像生成能力上，FLUX3 同样表现不俗。官方指出，该模型能够完成图像生成与编辑任务，覆盖多种风格、宽高比和分辨率，满足不同场景下的视觉创作需求。更值得关注的是，Black Forest Labs 正在与 Mimic Robotics 合作，探索将 FLUX3 用作机器人行为预测模型——这意味着多模态 AI 的能力正从单纯的内容生成领域向实体机器人领域延伸。这一战略布局使得 FLUX3 不仅是一个强大的创作工具，更有潜力成为连接数字世界与物理世界的通用多模态引擎。