FLUX 3 menyatukan gambar, video, audio, dan aksi robot dalam satu model
Black Forest Labs merilis FLUX 3 pada 23 Juli, dan peningkatannya jauh lebih besar daripada yang tersirat dari nomor versinya. Laboratorium asal Freiburg ini membangun reputasinya melalui FLUX, model gambar yang menghasilkan karya seni di dalam Photoshop, Canva, Picsart, dan, yang lebih dekat dengan kita, di dalam Cinevva bagi siapa pun yang memilih penyedia Flux. FLUX 3 menjadi kali pertama perusahaan tersebut merilis kemampuan video, dan mereka tidak merilis model video terpisah. Mereka melatih satu set bobot sekaligus pada gambar, video, dan audio, lalu memperluas backbone yang sama untuk memprediksi aksi robot. Satu model, empat jenis keluaran.
Tinjauan awal terhadap hasil yang dibuat FLUX 3 Video
Satu backbone, bukan empat produk yang disatukan secara paksa
Gagasan utamanya bertumpu pada konsep riset yang disebut BFL sebagai Self-Flow: alih-alih mempelajari pembuatan gambar, pembuatan video, dan pembuatan audio sebagai masalah terpisah, model mempelajari satu representasi terpadu tentang cara dunia bekerja. Gambar adalah cuplikan ruang pada satu momen. Video menambahkan waktu dan gerakan. Audio membawa hubungan sebab-akibat antara suatu benturan dan suara yang dihasilkannya. Latih semuanya secara bersamaan dan batasan-batasannya akan saling memperkuat, sehingga suara harus sesuai dengan gerakan dan gerakan harus mematuhi hukum fisika. Hal yang mengejutkan dalam peluncuran ini adalah bahwa kemampuan prediksi aksi muncul dari backbone yang sama tanpa merusak kualitas video. Itulah sebabnya FLUX 3 dapat mengendalikan lengan robot dan menghasilkan video musik dengan bobot yang sama.
Kemampuan videonya secara konkret
FLUX 3 Video membuat klip berdurasi hingga 20 detik dalam satu kali proses, dengan audio bawaan yang dihasilkan bersamaan dengan gambar, termasuk dialog, efek suara, dan suara latar. Durasi tersebut menyamai Sora milik OpenAI yang kini telah ditutup dan melampaui sebagian besar model yang tersedia saat ini. Model ini mendukung teks-ke-video, gambar-ke-video, video-ke-video, transisi bingkai kunci, dialog multibahasa, dan perangkaian klip secara agentik menjadi rangkaian dengan beberapa adegan. Dalam pengujian awal BFL sendiri terhadap klip 720p berdurasi 10 detik, penilai lebih menyukainya daripada Luma Ray 3.2 dalam 93% perbandingan dan Runway Gen-4.5 dalam 77% perbandingan. Dibandingkan para pesaing terkuat, selisihnya menyusut hingga nyaris seimbang: unggul 52% atas Seedance 2.0 dari ByteDance dan Gemini Omni Flash dari Google. Angka-angka ini merupakan hasil awal dari laboratorium tersebut sendiri, jadi anggaplah sebagai klaim, bukan kesimpulan akhir.
Kendalanya adalah akses. FLUX 3 Video tersedia dalam akses awal terbatas melalui API dan bobot privat, dan Anda harus mendaftar serta mendapatkan persetujuan. FLUX 3 Action hanya tersedia bagi mitra dan sudah diuji pada lini produksi Audi yang sesungguhnya melalui perusahaan rintisan robotika mimic. FLUX 3 Image, varian yang paling dinantikan sebagian besar desainer, akan hadir dalam beberapa minggu mendatang. Backbone FLUX 3 Dev dengan bobot terbuka, komponen yang paling diperhatikan komunitas inferensi lokal, baru akan tersedia pada akhir 2026.
Mengapa langkah laboratorium gambar menuju multimodal penting bagi kita
Kami mengikuti BFL dengan saksama karena Cinevva sudah menggunakan karya mereka. Ketika salah satu dari dua laboratorium yang model gambarnya digunakan dalam perangkat kreatif terbesar di dunia memutuskan bahwa masa depannya adalah model video-audio-aksi terpadu, itu menjadi pertanda arah seluruh rangkaian teknologi kreasi, bukan sekadar mainan baru. Batas antara "menghasilkan gambar", "menghasilkan klip", dan "menyimulasikan dunia tempat Anda dapat bertindak" sedang melebur menjadi satu model. Ini adalah konvergensi yang sama seperti yang kami soroti pada model dunia MIRA, tetapi dari arah yang berbeda.
Bagi kreator, kesimpulan praktisnya tetap sama. Model video yang lebih baik, lebih panjang, dan memiliki audio bawaan kembali menurunkan biaya pembuatan draf pertama, seperti yang sebelumnya dilakukan Seedance, Kling, dan Gemini. Namun, model ini tidak menyentuh bagian yang sejak awal memang sulit: mengetahui apa yang layak dibuat, lalu menyempurnakan klip hasil generasi menjadi sesuatu yang benar-benar ingin ditonton atau dimainkan orang. Di sekitar siklus itulah kami terus membangun, mulai dari prompt hingga berbagi, membuat remix, dan menerbitkan di web terbuka. FLUX 3 membuat bahan mentah menjadi lebih murah dan lebih baik. Mengubah bahan tersebut menjadi game atau cerita yang berarti bagi orang-orang tetap membutuhkan kerja nyata.