Black Forest Labs 发布 FLUX 3：原生多模态模型，联合学习图像、视频与音频

Black Forest Labs 正式发布了其最新的多模态基础模型 FLUX 3，并已开启 Early Access（早期访问）。FLUX 3 采用了全新的统一架构，能够在单一模型中联合学习图像、视频和音频数据，旨在构建对物理世界的深度理解。该模型的设计理念在于，单一模态无法提供对现实的完整描述，每种传感器在捕捉信息时都会丢失部分数据。因此，FLUX 3 致力于通过整合不同维度的信息来还原世界的真实面貌：图像帮助模型捕捉特定时刻下的空间结构与物体关系；视频引入了时间维度，揭示了物体运动的动态规律及物理法则；音频则揭示了机械现象与声学之间的因果关系，这是仅凭视觉无法察觉的；而自然语言则将这些感知与人类的意图、目标及抽象指令关联起来。通过这种跨模态的联合训练，FLUX 3 不仅学习各个模态，更是在学习“世界的表征”——即物体如何组合、事物如何运动以及事件如何发声，从而在生成任务中实现更高的逻辑一致性和真实感。

事件分析

💡 核心观点：FLUX 3 通过统一架构实现视听联合学习，标志着生成式 AI 从追求单一模态画质向构建物理世界模型的跨越。