Black Forest Labs发布FLUX 3多模态流模型，实现图像视频音频统一生成

关键发布

2026 年 7 月，Black Forest Labs（黑森林实验室）正式推出多模态基础模型 FLUX 3。该模型在同一套权重下同时支持图像、视频、音频以及机器人动作预测，是首个实现全模态统一生成的 FLUX 系列产品。

技术核心——Self‑Flow

FLUX 3 基于 BFL 早期提出的 Self‑Flow 框架。Self‑Flow 将流匹配目标与自监督特征重建相结合，使用 SiT‑XL/2 结构并在每个 token 上加入时间步条件。训练时采用 25% 的 token 隐蔽率，并通过第 20 层的 EMA 教师模型向第 8 层学生模型进行自蒸馏。相较于前代模型，FLUX 3 在计算规模和数据量上实现了数倍提升。

生成能力

• 文本‑至‑视频：单次生成最长 20 秒，内置同步音频。
• 图像‑至‑视频、视频‑至‑视频：支持参考帧或关键帧引导，保证运动连贯性。
• 音频‑生成：可从文本或视频中生成匹配音效。
• 机器人动作预测（FLUX‑mimic）：在 RTX 5090 上推理时延低于 80 ms，适用于实时控制。

BFL 称模型在人脸表情细腻度和声音‑动作对应上表现尤为突出。

人类偏好评测

在 720 p、10 秒文本‑至‑视频任务上，FLUX 3 的偏好率分别为：

• 超过 Luma Ray 3.2 的 93%
• 超过 Runway Gen‑4.5 的 77%
• 超过 Grok Imagine Video 的 69%
• 与 Gemini Omni Flash 持平（52%），接近随机。

生态与开放计划

当前视频与动作功能处于早期访问阶段，图像模型随后开放，完整权重计划在后期逐步公开。BFL 同时提供了 GitHub 上的 Apache‑2.0 参考实现，方便社区复现 Self‑Flow 训练流程。

FLUX 3 的发布标志着多模态生成进入“单流统一”时代，为生成式 AI 在创作、仿真乃至机器人控制等场景提供了更具一致性的技术基石。