FLUX 3是Black Forest Labs推出的多模态基础模型，统一学习图像、视频和音频，通过多模态相互约束来理解现实世界，而非单一模态。该模型能捕捉空间结构、时间动态、物理规律及因果关联，是首个完全基于多模态证据构建的视觉智能模型。

FLUX 3是Black Forest Labs推出的新一代多模态基础模型，它在一个统一架构中同时学习图像、视频和音频，旨在理解世界的完整表征——物体如何组合、事物如何运动、事件如何发声。单一模态只能提供部分信息，而多模态联合学习能通过相互约束揭示更深层的现实规律，例如声音必须匹配撞击、运动必须符合质量、未来必须遵循过去。

该模型基于Self-Flow方法，大幅扩展了计算和数据资源，实现了视频、图像和音频的同步训练。FLUX 3具备多种能力：视频方面，可生成长达20秒的带音频视频，支持文本到视频、图像到视频、视频到视频生成，以及关键帧过渡、多语言对话和多种视觉风格；图像方面，能合成和编辑多种风格、宽高比和分辨率的图像，文本生成能力显著提升；动作预测方面，通过原生集成和微调，与mimic robotics合作开发了FLUX-mimic模型，用于灵巧操作和生产部署。

初步评估显示，FLUX 3在视频生成上优于多个竞品，尤其在捕捉人类面部表情、声音与物理事件关联及多语言能力方面表现突出。未来几周至几个月，将逐步开放视频与音频生成、动作预测、图像合成与编辑等API及私有权重访问，并计划发布开源多模态骨干模型。团队正致力于将感知、动作和语言预测统一到同一模型中。

根据评论内容，主要观点和论据如下：

正面评价（少数）： - 评论10认为模型能力令人印象深刻，批评评论区过于负面（评分None）。 - 评论15表示这是欧洲首个令人期待的AI项目（评分None）。

负面评价（多数）： - 技术缺陷：评论1指出示例中缺乏人物展示、滥用“世界模型”术语、仅展示跳切剪辑（评分None）。评论12称视频片段在特定场景下才显得真实（评分None）。评论13认为图像/视频生成模糊、缺乏细节和艺术感（评分None）。 - 逻辑矛盾：评论2质疑“视觉智能”是单模态，与多模态宣传矛盾（评分None）。评论4指出视频包含图像和音频，但架构描述令人困惑（评分None）。 - 写作质量：评论3批评前两段有LLM生成文本的“臭味”，立即失去兴趣（评分None）。 - 版权与开放权重：评论11指责训练数据侵权（评分None）。评论5和6关注开放权重计划，但评论14认为开源模型仍未超越专有模型（评分None）。 - 社会批判：评论7和8批评技术发展缺乏人文关怀，认为人类已变得机械（评分None）。评论9讽刺模型学习“声音匹配冲击”这种婴儿本能（评分None）。

关键引用： - 评论1：“Showed close to zero examples of people... Claims 20 seconds of video, shows only jumpcuts.” - 评论3：“reading already the first two paragraph there is this unmistakable stench of LLM slop writing.” - 评论10：“the model actually looks impressively capable... the downers have always been the first to leave their dung comments.” - 评论14：“open-weight models ought to be outperforming proprietary ones... Flux still isn’t crossing that quality bar.”