FLUX 3 发布了！

Black Forest Labs 对它的定位，不再是又一个「文生视频模型」或「文生图模型」，是「真实世界模型」！

团队把 图像 / 视频 / 音频 放进同一套 multimodal flow 架构里，试图学「世界如何运作」，再把同一底座同时接到 内容生成 和 具身/动作预测。

为什么要「多模态一起学」？
· 图像：提供某一时刻的空间结构与关系
· 视频：提供时间、动力学、物理规律
· 音频：提供机械现象与声学之间的因果线索
· 语言：提供目标、抽象、指令

各模态都是同一现实的「投影」，单独训只能拟合投影；一起训时，模态之间的互约束（声音必须对得上撞击、运动必须符合质量、未来必须接续过去）才更接近「世界表征」。

能力拆解：同一模型，三条产品线
1. Video（已 Early Access）：最长约 20 秒、原生音频；文/图/视频参考、续写、关键帧、多语言对白；可链式拼更长片。
2. Image（随后数周）：合成 + 编辑；复杂 prompt、多语文字、风格与分辨率更强（仍在 midtraining 迭代）。
3. Action（伙伴通道）：原生动作预测，或把视频骨干当动力学底座微调；已有 FLUX-mimic（mimic robotics / Audi 场景）。