Black Forest Lab的FLUX3：一个模型，20秒音频和视频，超越Grok和Seedance

Black Forest Labs刚刚发布了FLUX3，一个正在引起轰动的新多模态基础模型。该模型已提供早期访问，可以一次性生成长达20秒的视频以及同步音频。这很了不起——大多数模型甚至难以生成几秒连贯的视频，更不用说匹配声音了。

秘诀是什么？一个统一架构，同时从图像、视频和音频中学习。基于名为Self-Flow的自监督流匹配框架，FLUX3将公司早期的FLUX.1和FLUX.2系列扩展到了完整的多模态领域。可以把它看作一个不仅能看或能听的模型——它能同时做到两者，而且效果出奇地好。

在正面测试中，FLUX3以69%的胜率击败了Grok Imagine Video（10秒720p带声音片段）。它还以52%的胜率险胜Seedance 2.0和Gemini Omni Flash。这些数字表明FLUX3不仅跟上了步伐，而且为质量设立了新标杆。

但不仅仅是视频。FLUX3支持多种创作模式：文本到视频、图像到视频、视频到视频，甚至关键帧到视频。你还可以扩展现有视频或音频，创建多语言对话，以及拼接多个镜头。该模型原生处理所有这些，无需单独工具或后期处理。

还有一个转折：FLUX3还被用于机器人行为预测。没错——同一个生成逼真视频的模型可以帮助机器人理解和预测动作。这是一个令人惊讶的跨界，但展示了底层技术的多功能性。

当然，早期访问意味着我们仍处于测试阶段。但如果基准测试保持，FLUX3可能会改变我们对AI生成媒体的看法。不再有尴尬的无声片段或不匹配的音频——只需一个模型，一次生成，潜力无限。