FLUX 3：统一多模态的视觉智能新基石

FLUX 3 现已开启 Early Access，这是一款全新的多模态基础模型。它不再孤立地学习图像、视频或音频，而是在统一架构下联合训练，旨在理解世界的本质：物体如何结合、事物如何运动以及事件如何发声。FLUX 3 基于 Self-Flow 技术，能够生成带有原生音频的视频，并具备强大的图像合成与编辑能力。在早期评估中，它在捕捉人类面部表情、关联声音与物理事件以及多语言支持方面表现突出，甚至在部分对比中优于 Grok Imagine Video 和 Kling v3 Pro。此外，FLUX 3 还延伸至动作预测领域，与 mimic robotics 合作开发了 FLUX-mimic，为物理 AI 和机器人操作提供了新的动力。