Black Forest Labs выпускает FLUX 3 Action: open-weights модель управления роботами (7B)

Введение: Новая эра физического ИИ

22 сентября 2026 года компания Black Forest Labs (BFL) сделала решительный шаг из области генерации медиаконтента в сферу физического ИИ. Выпуск FLUX 3 Action знаменует собой появление первой open-weights модели в семействе FLUX 3, специально оптимизированной для задач робототехники.

В отличие от предыдущих итераций, ориентированных на генерацию изображений и видео, FLUX 3 Action — это полноценная 'World Action Model' (WAM). Она призвана преодолеть разрыв между визуальным восприятием и физическим действием, позволяя машинам понимать контекст окружающего мира и реагировать на него в реальном времени.

• Дата релиза: 22 сентября 2026 г.
• Тип модели: Multimodal World Action Model (WAM)
• Доступность: Open-weights (не ограниченный доступ)
• Разработчик: Black Forest Labs

Архитектура и ключевые возможности

FLUX 3 Action базируется на архитектуре с 7 миллиардами параметров, что делает её чрезвычайно эффективной по сравнению с более тяжеловесными конкурентами в области робототехнического управления. Модель работает по принципу мультимодального предсказания: на вход подается текущий кадр с камеры робота и текстовая инструкция на естественном языке.

Ключевой инновацией является способность модели предсказывать траекторию действий на следующие 2 секунды. Для реализации этого процесса BFL использует комбинацию видео-генеративной модели, предсказывающей изменения в мире, и модели обратной динамики (Inverse Dynamics Model, IDM), которая преобразует эти изменения в конкретные команды управления манипулятором или мобильной платформой.

• Параметры: 7B
• Входные данные: Видеокадры (camera frames) + Текстовые инструкции
• Горизонт планирования: 2 секунды предсказанного действия
• Метод: Сочетание World Model и Inverse Dynamics Model (IDM)

Производительность и бенчмарки

Согласно официальным данным, опубликованным совместно на bfl.ai и Hugging Face, FLUX 3 Action демонстрирует превосходство над существующими решениями, занимая верхние строчки лидербордов при вдвое меньшем размере параметров. Это достигается за счет более глубокого понимания физики взаимодействия объектов, заложенного в процессе обучения на мультимодальных данных.

Оценка проводилась в симулированных средах и на реальных аппаратных платформах. Модель тестировалась на точность выполнения сложных манипуляций (precision grasping), устойчивость к изменениям освещения и способность следовать многоступенчатым инструкциям в динамически меняющейся среде.