ブラックフォレストラボ、マルチモーダル「現実世界モデル」としてFLUX 3を発表

ブラックフォレストラボはFLUX 3を発表し、これをテキストから動画や画像を生成するモデルではなく、「現実世界モデル」と位置づけた。単一のマルチモーダルフローアーキテクチャを用いて、画像、動画、音声、言語を共同で学習し、世界の仕組みを理解することを目指す。その根拠として、各モダリティは同一の現実の投影であり、共同学習により相互制約が生まれ、より優れた世界表現が得られるとしている。同じ基本モデルが3つの製品ラインを支える:動画(最大20秒、ネイティブ音声対応)、画像(合成・編集)、およびアクション(ロボット工学向けのネイティブ動作予測、既存のFLUX-mimicアプリケーションあり)。