Black Forest Labs发布Flux 3：首支持原生音频的视频生成模型
结论前置 / TL;DR
Black Forest Labs正式推出多模态基础模型Flux 3，首次实现视频与原生音频同步生成，最长支持20秒。据其内部测试，性能略超当前市场领先者Seedance 2.0，但尚无第三方独立评测结果。该公司表示，Flux 3是迈向通用世界模型的关键一步，并已启动在机器人任务中的初步验证。
首款支持原生音频的视频生成模型
Black Forest Labs发布了全新多模态基础模型Flux 3，该模型联合学习图像、视频与音频数据，首次实现视频内容与其原生音频的端到端同步生成，最长可达20秒。
性能对标与长期目标
公司内部基准测试显示，Flux 3在多项视频生成指标上小幅领先当前市场头部模型Seedance 2.0；不过，目前尚无独立第三方评测报告发布。Black Forest Labs强调，Flux 3并非终点，而是构建通用世界模型（world model）的重要中间阶段，目前已在机器人相关任务中开展早期实验性部署。
战略定位明确
此次发布标志着BFL从纯视觉生成向具身智能底层能力延伸，凸显其技术路线向感知-动作闭环演进的意图。
本文为企业智脑(优秘智能)编译整理自公开资讯,信息与观点以原文为准,仅供参考。阅读原文(The Decoder) →