Model Releases
Black Forest Labs lanza FLUX 3, un modelo fundacional multimodal de inteligencia visual
Black Forest Labs presenta FLUX 3, un modelo de mundo que integra imagen, vídeo, audio y acción en una arquitectura unificada para la inteligencia visual.
23 de julio de 2026
Model ReleaseFLUX 3
Introducción: El nacimiento de un modelo de mundo
El 23 de julio de 2026 marca un punto de inflexión en la evolución de la inteligencia artificial generativa. Black Forest Labs (BFL) ha anunciado oficialmente FLUX 3, un modelo fundacional multimodal que trasciende la simple generación de contenido para posicionarse como un auténtico 'modelo de mundo'. A diferencia de los modelos anteriores que añadían capacidades de vídeo o audio como módulos externos, FLUX 3 ha sido diseñado desde cero para comprender la realidad de forma holística.
Este lanzamiento no es solo una iteración de las exitosas líneas FLUX.1 (2024) y FLUX.2 (2025), sino un cambio de paradigma. Al aprender de forma conjunta a partir de imágenes, vídeos, audio y secuencias de acción, FLUX 3 establece la base para lo que BFL denomina 'Real World Models': modelos de flujo multimodal que actúan como el núcleo de la inteligencia visual y física.
- Fecha de lanzamiento: 23 de julio de 2026
- Arquitectura: Modelo de flujo multimodal unificado
- Modalidades: Imagen, vídeo, audio y predicción de acción
- Estado actual: Early Access disponible vía API
Arquitectura y Capacidades Multimodales
La arquitectura de FLUX 3 rompe con el enfoque tradicional de 'bolting-on' (añadir módulos por separado). En lugar de utilizar un modelo de lenguaje que describe imágenes para un generador de vídeo, FLUX 3 utiliza una arquitectura unificada donde las representaciones de audio, visión y movimiento coexisten en un mismo espacio latente. Esto permite una coherencia temporal y semántica sin precedentes.
BFL ha implementado un enfoque de entrenamiento conjunto que permite al modelo entender la causalidad. Por ejemplo, el modelo no solo sabe cómo se ve una pelota cayendo (imagen/vídeo), sino cómo suena al impactar (audio) y qué fuerzas físicas intervienen en el movimiento (acción). Esta integración es lo que permite que la familia FLUX 3 sea la columna vertebral de la próxima generación de agentes robóticos y sistemas de IA física.
- Aprendizaje conjunto (Joint Learning) de múltiples modalidades
- Arquitectura de flujo multimodal (Multimodal Flow Models)
- Capacidad de predicción de acción para robótica
- Comprensión coherente de la física y el sonido
Rendimiento y Benchmarks
Aunque los detalles técnicos completos se reservan para el despliegue del backbone 'Dev', los resultados preliminares de la fase de Early Access muestran una superioridad técnica significativa respecto a los modelos de 2025. FLUX 3 ha demostrado una capacidad de razonamiento espacial y temporal que supera a sus predecesores en tareas de comprensión de vídeo complejo y sincronización audio-visual.