创作者与电影人
生成带原生音频、多语言对白与多样风格的电影级片段——从手持录像到动画。通过视觉参考在多镜头序列中保持角色一致，串联更长叙事。
Black Forest Labs
FLUX 3 — Real World Models
Black Forest Labs 全新多模态基础模型，在统一架构中联合学习图像、视频与音频——因为视觉智能需要理解物体如何保持完整、事物如何运动，以及事件如何发声。
FLUX 3 基于 Self-Flow 架构——在同一底层模型中高效对齐多模态生成与理解——并同步扩展视频、图像与音频的训练规模。
FLUX 3 为何改变多模态生成
一个模型，一个底层世界
图像、视频与音频是同一世界在不同传感器下的投影。FLUX 3 同时从三者中学习，使声音匹配撞击、运动遵循质量、未来由过去推导。
Self-Flow 架构
基于 Self-Flow，BFL 大幅扩展算力与数据，在同一底层模型中训练生成与理解能力，提升输出质量与下游任务表现。
自由混合模态
FLUX 3 可从文本联合生成图像与带音频视频，也可结合参考图像与视频片段，将角色、风格与上下文带入新场景。
迈向视觉智能
FLUX 3 是 BFL 开发真实世界视觉智能的重要里程碑：能够感知、预测并在物理与数字环境中行动。
Black Forest Labs 分阶段推出 FLUX 3 能力——均基于同一多模态流匹配模型，并通过 Early Access 收集反馈与安全测试。
FLUX 3 发布计划
通过 API 与私有权重访问提供视频与音频生成及编辑。单次生成最长 20 秒、带原生音频的多样化视频——支持文生视频、图生视频、视频参考与关键帧控制。
FLUX 3 面向创作者、营销人员、设计师、机器人团队，以及任何需要智能创意伙伴而不仅是单一模态转换器的用户。
FLUX 3 适合谁
营销与视觉团队
快速产出 campaign 概念、精修变体与 typography 设计。基于参考图迭代，在图像与视频工作流中加速创意探索。
Physical AI 与机器人
利用 FLUX 3 的世界理解进行动作预测。FLUX-mimic 在有限任务数据上微调视频骨干，用于灵巧操作——连接内容创作与 physical AI。
视觉智能的下一根骨干
从交互式图像与视频编辑，到仿真、computer use 与 physical AI——FLUX 3 开启广阔前沿。视频生成现已开放 Early Access。
统一模型驱动视频、图像与动作——各模态共享跨图像、视频与音频训练的世界理解。
FLUX 3 核心能力
带原生音频的视频（最长 20 秒）
文生视频、图生视频动画、视频参考迁移、视频音频续写与关键帧控制——均支持同步原生音频生成。
多语言对白与音效
擅长捕捉人类面部表情、将声音与物理事件关联，并生成多语言对白——可组合成持续数分钟的长序列。
风格多样性与 typography
覆盖手持录像、动画与电影感等多种风格。支持强 typography 生成与动画设计，适配多种宽高比。
Agentic 多镜头串联
将单个片段串联为更长多镜头序列。视觉参考帮助在整个叙事中保持角色一致。
图像合成与编辑
以多种风格、宽高比与分辨率合成与编辑图像。复杂提示遵循与多语言高精度文字渲染显著改进。
动作预测
原生集成动作预测，并提供 FLUX-mimic 等专用微调模型——以预训练视频骨干作为动力学感知基础。
早期评测表现
在初步 720p 文生视频评测中，FLUX 3 在多项对比中优于多款领先模型——Early Access 阶段仍有进一步优化空间。
了解更多多模态 AI
探索 Black Forest Labs 的 FLUX 3，以及我们平台上的相关创意工具。
关于 FLUX 3 的常见问题
本页汇总 Black Forest Labs 公开发布的 FLUX 3 信息，与 BFL 无官方关联。