FLUX 3 - Black Forest Labs 多模态统一模型，图像视频音频一个架构

FLUX 1/2 团队新作：图像/视频/音频联合训练的世界模型，视频+原生音频最长 20 秒，Early Access 已开放

是什么

FLUX 3 是 Black Forest Labs（FLUX 系列原班团队，Stable Diffusion 创始人创立）的首个多模态统一基础模型，2026 年 7 月 23 日发布 Early Access。和 FLUX 1/2 只做图片不同，FLUX 3 在单一架构里联合学习图像、视频和音频——不是三套模型拼接，而是基于「世界模型」理念：图像、视频、音频是对同一现实的不同传感器投影，联合训练让模型理解物理规律、因果和运动。

核心能力

模态	能力
视频	文/图/视频→视频，最长 20 秒，原生音频同步，多语言对白，关键帧控制，多镜头串联
图像	文生图 + 编辑，复杂提示词和多语言文字渲染大幅提升（几周后开放 Early Access）
音频	视频原生音效/对白同步生成，不是后期配音
动作预测	世界理解延伸到物理 AI，已和 mimic robotics 合作开发 FLUX-mimic

视频生成细节

文生视频、图生视频（起始帧动画 / 视觉参考）、视频到视频（角色迁移到新场景）
输入视频 + 音频 → 生成性续写
关键帧到视频：控制两个时刻之间的过渡
多语言对白 + 强唇形同步
支持手持 DV 风格、动画、电影级等广泛视觉风格
强文字渲染和动画设计能力
Agent 式单镜头串联为多分钟长序列

评测表现（10 秒 720p 文生视频，Early Access 阶段）

对比模型	FLUX 3 偏好率
Runway Gen-4.5	77%
Luma Ray 3.2	93%
Grok Imagine Video	69%
Kling v3 Pro	60%
Happy Horse v1	59%
Seedance 2.0 / Gemini Omni Flash	52%

技术架构

基于 Self-Flow 方法——在同一个底层架构中对齐多模态生成与理解。相比标准 Flow Matching，生成误差更低、操控任务成功率更高。最终目标是统一感知、动作和语言预测。

发布节奏

FLUX 3 Video — Early Access 已开放（API + 私有权重申请）
FLUX 3 Action — 通过研究/商业合作伙伴（mimic robotics 已接入）
FLUX 3 Image — 几周后开放 Early Access
FLUX 3 Dev — 开源权重（时间未定）

注意

目前尚未开源，Early Access 需申请
参数量、硬件需求等细节未公布
图像能力尚未开放，仅视频先行