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。
单独学习一种模态只能得到该投影的良好模型，而同时学习所有模态，它们之间的相互约束会告诉你更多：声音必须匹配撞击，运动必须服从质量，未来必须源于过去。
HN 评论区
133- user43928
希望开源权重版本能达到 SOTA 水平。
> 在接下来的几周和几个月里，我们将提供以下功能：
> 开放多模态主干模型的权重，用于内容创作（视频、音频和图像）及动作预测。（
- thisisauserid
- 几乎没展示任何包含人物的示例。
- 轻率地使用“世界模型”这一术语。
- 声称能生成 20 秒视频，展示的却全是跳剪片段。
敬请期待！
- jdthedisciple
这里的评论如此消极和 dismissive，简直令人难以置信，而我却觉得这个模型看起来确实能力惊人。
不过话说回来，我听说那些唱衰的人总是第一个在这里留下恶评的，咱们走着瞧……
- forgotusername6
有没有人给模型喂过触觉数据？机器人主要需要做的似乎是去触碰物体，但我们喂给它们的只有音频、视频和图像。模型必须在从未触碰过任何东西的情况下学会如何触碰。也许这就是为什么它们触碰物体时看起来总是那么犹豫不决？
- AmbroseBierce
太惊人了。这将是未来的基石，让机器人能够分辨穷人靠近贝索斯/马斯克/扎克伯格地下掩体时的声音，并迅速适应大众发起的任何新型攻击。机器人将快速学习适应攻击者的行为，迅速推断出他们的聚集位置、人数等等。
当然，不同家族派系的机器人之间会有摩擦，但这些摩擦将微乎其微，因为它们彼此学习得太快，很快就会演变成伤亡惨重的对称性机器人冲突，这类冲突很可能被避免。毕竟，在任何资源争夺中，对付人类要容易得多。
这确实是技术的巅峰，尽管对人类而言未必如此。
- Gecko4072
我还以为这些片段是真实拍摄的呢，直到看到他们在积水的房间里跳舞。
- make_it_sure
来自欧洲的第一个让人充满希望的 AI 成果。
- tormeh
这些人是在……弗莱堡招聘吗？好奇他们在那里的招聘情况如何。