FLUX 3: Мультимодальная потоковая модель для прогнозирования видео, изображений, аудио и действий

FLUX 3

МультимодальнаяГенерация видеоГенерация аудиоТекст-в-изображениеПрогнозирование действий

Первая мультимодальная базовая модель Black Forest Labs, которая совместно обучается на изображениях, видео, аудио и прогнозировании действий в единой архитектуре. Построена на подходе Self-Flow для эффективного мультимодального выравнивания. Поддерживает генерацию видео по тексту с нативным аудио, изображение-в-видео, видео-в-видео, генеративное продолжение аудио и высококачественную генерацию изображений по тексту.

Блог Веб-сайт Организация Hugging Face GitHub Ранний доступ

Разработчик	Black Forest Labs
Анонсирован	2026-07-23
Архитектура	Мультимодальное потоковое соответствие (Self-Flow)
Статус	Ранний доступ (Видео), Скоро будет (Изображение, Dev)
Возможности	Видео + Аудио, Генерация изображений, Прогнозирование действий
Ключевое исследование	Self-Flow

Что такое FLUX 3?

FLUX 3 — это мультимодальная модель следующего поколения от Black Forest Labs, которая совместно обучается на изображениях, видео и аудио в рамках единой архитектуры. В отличие от предыдущих моделей FLUX, которые фокусировались исключительно на генерации изображений, FLUX 3 формирует общее представление о физическом мире: как объекты держатся вместе, как они движутся и как звучат события.

Ни одна модальность не даёт полного описания реальности. Изображения фиксируют пространственные структуры в определённый момент времени, видео восстанавливает временную динамику, аудио раскрывает причинно-следственные акустические связи, а язык связывает восприятие с инструкциями. FLUX 3 обучается на всех них одновременно, используя взаимные ограничения между модальностями для получения более согласованных и физически обоснованных результатов.

Построенный на подходе Self-Flow для эффективного выравнивания мультимодальной генерации и понимания, FLUX 3 значительно масштабирует вычислительные и данные ресурсы для одновременного обучения на видео, изображениях и аудио.

Что умеет FLUX 3?

Видео + Аудио (FLUX 3 Video: Ранний доступ уже сейчас)

FLUX 3 Video генерирует высокоразнообразные видеоклипы с нативным аудио длиной до 20 секунд в разрешении 720p за одну генерацию:

Генерация видео по тексту с синхронизированным аудио
Изображение-в-видео (анимация из начального кадра или визуальных референсов)
Видео-в-видео с переносом центральных элементов (например, одного и того же персонажа) в новые сцены
Генеративное продолжение видео-аудио из входного видео и аудио
Ключевой кадр-в-видео для контролируемых переходов между заданными моментами
Генерация многоязычного диалога
Агентная связь отдельных клипов в более длинные многосценные последовательности
Широкий спектр визуальных стилей и соотношений сторон за пределами обычного кинематографического вывода
Выразительная мимика, физически обоснованная связь звука и событий, а также многоязычные возможности

Изображение (FLUX 3 Image: Ранний доступ Скоро будет)

FLUX 3 Image предложит синтез текст-в-изображение и редактирование изображений в широком разнообразии стилей, соотношений сторон и разрешений. Предварительные оценки показывают значительные улучшения по сравнению с предыдущими версиями FLUX в обработке сложных промптов и точности генерации текста, включая высокоточное отображение текста на нескольких языках.

Прогнозирование действий (FLUX 3 Action / FLUX-mimic: Доступ для партнёров)

Понимание мира FLUX 3 распространяется на прогнозирование действий через нативную интеграцию (на основе Self-Flow) и путём дообучения предобученного видеобэкбона как динамически-ориентированной основы. В партнёрстве с mimic robotics модель FLUX-mimic видео-действие тестируется на реальных производственных задачах на Audi для ловкого манипулирования и развёртывания в производстве.

План запуска

Возможность	Доступ	Статус
FLUX 3 Video	API + частный доступ к весам	Ранний доступ уже сейчас
FLUX 3 Image	API + частный доступ к весам	Ранний доступ в ближайшие недели
FLUX 3 Action	Исследовательские и коммерческие партнёры (mimic)	Для партнёров сейчас
FLUX 3 Dev	Мультимодальный бэкбон с открытыми весами	Будет позже

Предварительные оценки

В предварительных оценках предпочтений пользователей для 10-секундных видеоклипов по тексту в 720p с аудио:

Сравнение	Предпочтение
против Runway Gen-4.5	77% предпочли FLUX 3
против Grok Imagine Video	69% предпочли FLUX 3
против Kling v3 Pro	60% предпочли FLUX 3
против Happy Horse v1	59% предпочли FLUX 3
против Happy Horse 1.1	57% предпочли FLUX 3
против Seedance 2.0	52% предпочли FLUX 3
против Luma Ray 3.2	93% предпочли FLUX 3

|> Эти результаты предварительны, и команда ожидает дальнейших улучшений в ходе фазы раннего доступа. Источник: Black Forest Labs — публикация о FLUX 3.