FLUX 3 fasst Bild, Video, Audio und Roboteraktionen in einem Modell zusammen
Black Forest Labs hat am 23. Juli FLUX 3 veröffentlicht, und es ist ein größerer Sprung, als die Versionsnummer vermuten lässt. Das Freiburger Labor hat sich seinen Namen mit FLUX gemacht, den Bildmodellen, die in Photoshop, Canva, Picsart und, näher an uns, in Cinevva für alle arbeiten, die den Flux-Anbieter wählen. Mit FLUX 3 liefert das Unternehmen erstmals überhaupt Video aus, und zwar nicht als eigenes Videomodell. Es trainiert einen einzigen Satz Gewichte gleichzeitig auf Bildern, Video und Audio und erweitert dasselbe Rückgrat dann auf die Vorhersage von Roboteraktionen. Ein Modell, vier Arten von Ausgabe.
Ein erster Blick darauf, was FLUX 3 Video erzeugt
Ein Rückgrat, nicht vier zusammengeklebte Produkte
Das Versprechen ruht auf einer Forschungsidee, die BFL Self-Flow nennt: Statt Bildgenerierung, Videogenerierung und Audiogenerierung als getrennte Probleme zu lernen, lernt das Modell eine einzige Repräsentation davon, wie die Welt funktioniert. Ein Bild ist eine Scheibe Raum in einem Moment. Video ergänzt Zeit und Bewegung. Audio trägt die kausale Verbindung zwischen einem Aufprall und dem Geräusch, das er macht. Trainiert man alles zusammen, verstärken sich die Randbedingungen gegenseitig, der Ton muss also zur Bewegung passen und die Bewegung der Physik gehorchen. Die Überraschung beim Start ist, dass Aktionsvorhersage aus demselben Rückgrat herausfiel, ohne die Videoqualität zu ruinieren. Deshalb kann FLUX 3 aus denselben Gewichten einen Roboterarm steuern und ein Musikvideo erzeugen.
Das Video, konkret
FLUX 3 Video erzeugt Clips von bis zu 20 Sekunden in einem Durchgang, mit nativem Audio parallel zum Bild, inklusive Dialog, Soundeffekten und Umgebungsgeräuschen. Diese Länge entspricht OpenAIs inzwischen abgeschaltetem Sora und schlägt bei der Dauer die meisten aktuellen Anbieter. Es beherrscht Text zu Video, Bild zu Video, Video zu Video, Keyframe-Übergänge, mehrsprachige Dialoge und agentisches Aneinanderreihen von Clips zu mehrteiligen Sequenzen. In BFLs eigenen frühen Tests mit 10-Sekunden-Clips in 720p bevorzugten Prüfer es in 93 % der Vergleiche gegenüber Luma Ray 3.2 und in 77 % gegenüber Runway Gen-4.5. Gegen die stärksten Rivalen schrumpft der Abstand auf einen Münzwurf: 52 % gegenüber ByteDances Seedance 2.0 und ebenso gegenüber Googles Gemini Omni Flash. Das sind die vorläufigen Zahlen des Labors selbst, behandle sie also als Behauptung, nicht als Urteil.
Der Haken ist der Zugang. FLUX 3 Video steckt in einem geschlossenen Early Access über die API und private Gewichte, du musst dich bewerben und freigeschaltet werden. FLUX 3 Action gibt es nur für Partner und wird über das Robotik-Startup mimic bereits an einer echten Audi-Fertigungslinie getestet. FLUX 3 Image, die Stufe, die die meisten Designer eigentlich wollen, kommt in den nächsten Wochen. Das quelloffene Rückgrat FLUX 3 Dev, der Teil, der die Local-Inference-Community interessiert, ist erst später im Jahr 2026 fällig.
Warum uns ein Bildlabor auf Multimodal-Kurs interessiert
Wir beobachten BFL genau, weil Cinevva bereits auf ihrer Arbeit läuft. Wenn eines der beiden Labore, deren Bildmodelle in den größten Kreativwerkzeugen der Welt stecken, seine Zukunft in einem vereinheitlichten Video-Audio-Aktions-Modell sieht, ist das ein Signal dafür, wohin der gesamte Creation-Stack läuft, und nicht bloß ein neues Spielzeug. Die Grenze zwischen "erzeuge ein Bild", "erzeuge einen Clip" und "simuliere eine Welt, in der du handeln kannst" löst sich in einem Modell auf, und es ist dieselbe Konvergenz, auf die wir beim Weltmodell MIRA aus der anderen Richtung hingewiesen haben.
Für Creator bleibt die praktische Lesart stabil. Ein besseres, längeres, audio-natives Videomodell senkt wieder die Kosten des ersten Entwurfs, genau wie Seedance, Kling und Gemini davor. Was es nicht anfasst, ist der Teil, der immer schwer war: zu wissen, was es wert ist, gemacht zu werden, und dann aus einem generierten Clip etwas zu machen, das Leute wirklich sehen oder spielen wollen. Um diese Schleife bauen wir weiter, vom Prompt bis zum Teilen, Remixen und Veröffentlichen im offenen Web. FLUX 3 macht das Rohmaterial billiger und besser. Aus diesem Material ein Spiel oder eine Geschichte zu machen, die Leuten etwas bedeutet, bleibt die Arbeit.