XNews

黑森林实验室发布FLUX 3:作为涵盖图像、视频、音频与动作的“现实世界模型”

黑森林实验室发布FLUX 3:作为涵盖图像、视频、音频与动作的“现实世界模型”

FLUX 3并非定位为文本转视频或文本转图像模型,而是作为在单一多模态流架构中基于图像、视频和音频训练的“现实世界模型”。其核心理念在于:每种模态都提供了对同一现实的不同投影——图像捕捉空间结构,视频增添时间与物理规律,音频贡献因果声学信号,而语言则提供目标与抽象概念。联合训练迫使各模态间形成相互约束,从而更接近世界表征。由此衍生出三条产品线:视频(最长约20秒、原生音频、多参考输入、可串联)、图像(合成与编辑、多语言文本、通过中期训练持续优化)以及动作(原生动作预测,或基于视频主干网络进行动力学微调;已在机器人领域的FLUX-mimic及奥迪场景中得到应用)。

Source posts