Model Releases
Black Forest Labs представляет FLUX 3: мультимодальную модель мирового уровня
Black Forest Labs выпускает FLUX 3 — фундаментальную мультимодальную модель, объединяющую понимание изображений, видео, аудио и действий в единой архитектуре.
23 июля 2026 г.
Model ReleaseFLUX 3
Введение: Новая эра визуального интеллекта
23 июля 2026 года компания Black Forest Labs (BFL) объявила о выходе FLUX 3, что знаменует собой исторический сдвиг в развитии генеративного ИИ. В отличие от предыдущих итераций, таких как FLUX.1 (2024) и FLUX.2 (2025), которые фокусировались преимущественно на генерации изображений, FLUX 3 представляет собой полноценную мультимодальную базовую модель (foundation model).
Это не просто модель для генерации картинок с «прикрученным» видеомодулем. Это попытка создать «модель мира» (World Model). Разработчики из BFL, стоящие у истоков архитектуры Latent Diffusion, перешли от обработки отдельных модальностей к созданию единого пространства признаков, где визуальные, звуковые и кинетические данные сосуществуют в рамках общей архитектуры.
- Дата анонса: 23 июля 2026 года
- Тип: Мультимодальная foundation model
- Статус: Early Access API
- Основная концепция: Real World Models (мультимодальные потоковые модели)
Архитектура и ключевые особенности
Архитектурная инновация FLUX 3 заключается в подходе 'multimodal flow models'. Вместо использования отдельных энкодеров для каждого типа данных, которые затем объединяются через cross-attention, FLUX 3 обучается совместно на изображениях, видео, аудио и даже предсказаниях действий (action prediction). Это позволяет модели понимать причинно-следственные связи между тем, что мы видим, и тем, как это звучит или движется.
BFL позиционирует FLUX 3 как backbone для визуального интеллекта. Модель способна обрабатывать сложные последовательности данных, обеспечивая бесшовную интеграцию между статичными кадрами и динамическими сценами. Это делает её идеальным фундаментом для создания продвинутых агентов и робототехнических систем.
- Единая архитектура для изображений, видео и аудио
- Обучение на предсказании действий (Action Prediction)
- Поддержка мультимодальных потоков данных (Multimodal Flow)
- Высокая когерентность между визуальным и звуковым рядами
Производительность и бенчмарки
FLUX 3 демонстрирует качественный скачок по сравнению с линейками FLUX.1 и FLUX.2. В тестах на понимание физики мира и временную согласованность видео модель значительно превосходит существующие решения. Особое внимание уделено способности модели предсказывать следующее состояние системы (next-state prediction), что критически важно для робототехники.
Оценка проводилась с использованием специализированных наборов данных, имитирующих реальные физические взаимодействия. В бенчмарках на визуальное рассуждение (Visual Reasoning) и понимание пространственных отношений FLUX 3 показывает результаты, сопоставимые с самыми крупными проприетарными моделями, при этом сохраняя высокую эффективность за счет оптимизированной архитектуры потоков.