FLUX 3发布：BFL从图像生成走向世界模型

2026年7月23日，Black Forest Labs正式发布FLUX 3。

如果只看一句话介绍，它像是又一个视频生成模型：最长20秒，原生音频，支持文生视频、图生视频、视频生视频、关键帧转视频。放在Runway、Luma、Kling、Seedance这些名字旁边，FLUX 3当然会被拿来比较画质、运动、人物一致性和提示词遵循。

但这次发布更有意思的地方，不在“BFL也做视频了”。

FLUX 3是BFL第三代多模态基础模型，也是它第一个公开的视频生成模型。更关键的是，BFL没有把它包装成单一的视频工具，而是把图像、视频、音频和机器人动作预测放进同一套路线里。当天一起亮相的FLUX-mimic，已经把FLUX 3的视频预测能力接到机器人动作控制上，并在奥迪产线做测试部署。

这意味着，FLUX 3要争的不是一次视频生成榜单的胜负。它要验证的是：一个会生成视频的模型，能不能同时学到足够可迁移的世界表征，进而帮助机器人理解物体、动作、声音、时序和物理约束。

这件事如果成立，AIGC的边界会从内容生产继续往工业现场移动。

先开放视频和动作，开源权重排在后面

FLUX 3目前还不是一个所有人都能直接调用的公共产品。发布后，它处于Early Access限量开放阶段，用户需要到BFL官网申请体验资格。申请流程也比较简单：填写用户名和邮箱，等待官方验证码或后续通知。

这和FLUX早期靠开源权重快速积累开发者声量的节奏不太一样。FLUX 3先把商业化访问和合作场景推到前台，开源权重放在后面。

目前产品线可以拆成四类：

还有不少关键信息没有公布：参数量、完整API、定价、许可协议、权重开放方式、不同版本的硬件需求，都还要等官方进一步说明。

这会影响短期判断。对创作者来说，20秒原生音视频很诱人，但真正能不能进入生产流程，要看生成速度、失败率、价格和可控性。对开发者来说，FLUX 3 Dev是否兑现开源权重承诺，会决定它能否像FLUX.1那样进入大量二次开发项目。对企业来说，Early Access里的演示能力不等于稳定服务能力，采购前还要看SLA、数据安全、私有化部署和成本。

BFL的策略变化也很明显。过去，它通过开源模型在社区里迅速建立影响力；到了FLUX 3，它先展示视频、动作和工业合作。这背后不难理解：训练多模态基础模型成本更高，视频生成的推理成本也更高，单靠社区声量很难覆盖长期研发支出。商业访问被提前放在更重要的位置。

Self-Flow：把声画、时序和物理放到同一个训练框架里

FLUX 3基于BFL在2026年3月公开的Self-Flow架构。这个名字听上去有点抽象，但它要解决的问题很具体：多模态模型不能只是把几个能力模块拼在一起。

传统做法里，系统可能用一个模型生成画面，用另一个模型补音频，再用额外模块处理口型或后期剪辑。这样的组合能跑起来，但容易露馅。

比如：

• 杯子落地了，画面里碎了，声音却慢半拍；
• 人物在说话，嘴型和对白对不上；
• 一个角色前一秒穿黑色外套，切到下一个镜头变成灰色夹克；
• 手拿起金属工具时，工具像泡沫一样轻，运动轨迹不符合直觉；
• 视频延长后，镜头里的物体位置和前面几秒对不上。

这些问题不是简单的“画质不够好”。它们来自跨模态和跨时间的不一致。

Self-Flow想做的是，让图像、视频、音频在同一底层框架中联合学习。文本、图像、视频、音频分别经过编码器处理后，进入统一Transformer，再由不同解码器输出对应模态。系统中还预留了Action编码器和解码器扩展位，用来接入机器人动作预测。

可以把它想成一个片场里的总调度。画面、声音、动作、物体状态不再各管各的，而是互相约束：声音要跟冲击匹配，运动要符合质量和重力，未来画面要接上过去几秒发生的事，角色外观要在镜头切换中保持稳定。

官方称，Self-Flow在训练效率和任务表现上有明显提升。由于公开材料中对具体倍数的说法口径不完全一致，现阶段更稳妥的表述是：BFL认为这套架构能用更统一的方式处理生成、理解和预测，而不是把多种模型能力事后拼接。

这也是FLUX 3被称为“多模态世界模型”的原因。它不是只学像素长什么样，还要学习一个物体为什么会这样动、一个动作之后会发生什么、声音和画面之间有什么关系。

20秒原生音视频，重点不只是“会动”

FLUX 3 Video的直接卖点很清楚：一次可生成最长20秒、带原生音频的视频。

这一步对BFL很重要。FLUX.1和FLUX.2主要围绕静态图像生成与编辑展开，FLUX 3则正式进入视频创作流程。视频不是把图片连起来那么简单。它要处理时间、运动、镜头、声音、角色连续性，还要让观众在几秒钟内不出戏。

FLUX 3支持的输入方式比较完整：

这些能力对专业流程很重要。一个广告团队可能先用图像确定主视觉，再用关键帧做分镜，随后生成多镜头短片。一个影视预演团队关心的不是某一帧有多漂亮，而是角色走位、镜头运动、光线变化能否连贯。社交媒体创作者则更在意速度和可复用模板：同一个人物、同一套风格，能不能快速生成多条不同内容。

原生音频是这次需要单独拎出来看的能力。

过去很多视频生成工具先生成画面，再让用户去配音效、音乐或对白。流程能用，但后期成本高，声画同步也容易崩。FLUX 3把环境音、动作音效、人物对白等内容纳入生成目标，理论上能减少后期拼接。

想象一个10秒产品短片：咖啡机开始萃取，蒸汽冒出，杯子被推到镜头前，背景里有轻微店内环境声。如果声音是后贴的，蒸汽声、水流声、杯子触碰桌面的声音都要逐一对齐。原生音频生成如果能稳定工作，创作者改提示词时，画面和声音可以一起变化。这会让早期创意测试快很多。

FLUX 3还提到多种宽高比、分辨率和视觉风格，覆盖手持实录、动画、电影感画面、动态设计和文字排版。这里仍要谨慎：官方展示通常选择效果较好的样例。真正进入生产后，用户会考验更难的东西，比如长文本排版、密集人群、复杂手部动作、快速镜头切换、品牌Logo一致性，以及20秒接20秒之后的连续叙事。

视频生成模型最怕“前几秒惊艳，后几秒散架”。FLUX 3能否稳定处理更长序列，还需要开放后看实测。

官方评测很强，但现在还不能当行业结论

BFL公布了FLUX 3早期候选模型的初步人工评测。任务是10秒、720p文生视频。结果看起来很强，尤其是相对Luma Ray 3.2、Runway Gen-4.5和Grok Imagine Video。

这张表能说明BFL的定位：FLUX 3不是试水产品，它上来就要进入第一梯队竞争。

但这些数字不能直接写成“全面领先”。原因有三个。

第一，评测由官方组织，第三方还没有复现。模型评测里，提示词集合、样本挑选、裁判标准、失败样本处理方式都会影响结果。

第二，任务限定在10秒720p文生视频。实际创作会遇到更多输入类型，比如图生视频、参考视频迁移、关键帧控制、多镜头续写、长时间角色保持。720p表现强，不代表1080p或更高分辨率同样稳定。

第三，对Seedance 2.0和Gemini Omni Flash的结果约为52%，更接近持平。这说明FLUX 3在某些对手面前并没有拉开决定性距离。

更合理的判断是：FLUX 3在官方早期评测中表现强势，尤其在声画同步、物理运动逻辑、人物一致性等方向给出了明确进攻姿态；真实竞争力要等API、价格、第三方benchmark和大规模用户反馈出来后再看。

和Runway、Luma、Kling相比，FLUX 3的差异点不只在视频生成本身。很多竞品主要围绕创意视频、短片、广告和社交内容生产竞争。FLUX 3额外把Action路线摆出来，试图把视频世界模型迁移到机器人动作控制。这是它这次发布最不像“普通视频模型”的地方。

FLUX-mimic：视频预测能力进入机器人控制

FLUX-mimic是这次发布里最值得细看的一块。

它不是重新训练一个独立的机器人基础模型，而是在FLUX 3视频预测通路的中间特征上训练轻量动作解码器。换句话说，BFL想利用视频模型已经学到的物理世界表征，再把这些表征转成机器人动作。

这条路线的逻辑并不难理解。一个足够好的视频模型，需要预测“接下来会发生什么”。它要知道手靠近物体后，物体可能被拿起；柔性材料被拉伸时会变形；工具插入卡扣时需要对准角度；物体从桌边滑落时会向下掉。这些知识如果只停留在生成视频里，就是内容能力。如果能转成机器人的控制信号，就进入了具身智能。

FLUX-mimic由BFL与瑞士机器人公司mimic robotics合作开发。mimic robotics成立于2024年，总部在苏黎世，源自ETH Zurich，专注16自由度仿人灵巧手。这类灵巧手的难点很现实：它不只是夹起一个硬盒子，还要处理柔软、易变形、形状不规则的物料。

奥迪产线测试给了一个具体场景。FLUX-mimic被用于柔性物料和精密操作任务，包括：

• 车门柔性密封胶条安装；
• 仪表盘电控组件嵌入；
• 零散零部件分拣；
• 需要较高位置精度和接触反馈的装配动作。

这些任务和传统机械臂擅长的重复搬运不一样。硬质零件可以靠夹具、定位孔和固定轨迹解决。柔性胶条会弯，会扭，会因为接触角度不同产生不同形变。零散零部件也不是每次都躺在同一个位置。机器人要根据视觉和触觉状态不断调整动作。

合作方称，针对单个操作任务的微调，FLUX-mimic最少只需30分钟机器人数据；传统方法可能需要30小时以上。这个数字如果能在更多工厂和任务中复现，会很有分量。工业机器人落地难，常常不是硬件不够好，而是数据采集、动作示教、场景适配太贵。每换一个零件、每改一道工序，都要重新调试，时间和人力成本会迅速堆起来。

不过，这个30分钟数据效率目前来自官方和合作方自述，还不能当成普遍结论。奥迪案例更像一次高价值试验：场景明确，合作深，部署环境可控。它说明路线有可能跑通，但还没有证明这套方法能低成本复制到不同品牌、不同产线、不同机器人本体上。

工业侧真正关心的问题会很具体：

FLUX-mimic的意义不在于它马上替代现有工业机器人方案，而在于它把一个问题摆到台面上：视频生成模型学到的物理世界知识，能不能成为机器人学习动作的捷径？

如果答案是肯定的，内容生成模型就不再只服务屏幕里的图像和视频。它会进入制造、物流、装配和更多真实场景。

FLUX 3接下来要验证什么

FLUX 3发布后，短期有几件事比宣传片更值得看。

第一是开放节奏。Video和Action已经进入Early Access，Image预计未来几周开放，Dev版本承诺在2026年晚些时候推出。BFL过去靠开源社区建立影响力，FLUX 3 Dev能否按时交付，会影响开发者是否继续投入生态。

第二是API和价格。视频生成很吃算力，原生音频又增加了生成复杂度。如果价格过高，很多团队只会把它当成概念测试工具；如果成本和稳定性合适，它才可能进入广告、电商、短剧、游戏预演和社交媒体流水线。

第三是第三方评测。官方人评数据已经给出强信号，但还要看开放后的真实提示词、失败样本和横向比较。尤其是1080p、更长时长、多镜头连续性、角色一致性、对白口型、复杂手部动作，这些都会拉开模型之间的差距。

第四是工业复现。FLUX-mimic在奥迪产线的测试很有代表性，但工业落地不看一次演示。它要证明自己能在更多任务里减少数据需求，能处理异常，能稳定运行，能和现有产线控制系统配合。

FLUX 3现在仍处于早期开放阶段。把它写成“全面领先”太早，把它看成普通视频模型又太窄。

更准确的说法是：BFL正在把内容生成、世界理解和机器人动作预测并到同一条产品与技术路线里。视频生成是入口，原生音频让模型开始处理声画同步，Self-Flow试图统一多模态训练，FLUX-mimic则把视频预测能力推到工厂现场。

这条路还要经过API、开源、价格、第三方评测和工业复现的检验。真正有价值的地方也在这里：FLUX 3不是只问“能不能生成一段好看的视频”，它开始问“模型看懂的世界，能不能变成真实动作”。