AI最前沿 88Z.ai 7 月 24 日消息，Black Forest Labs发布多模态基础模型FLUX 3，首次在统一架构下联合学习图像、视频与音频。该模型基于Self-Flow技术，支持文生视频和图生视频，可单次生成最长20秒带原生音频的视频，并在机器人操控任务中表现优异。
消息要点
- FLUX 3在统一架构下联合学习图像、视频与音频，支持单次生成20秒带原生音频视频。
- 模型基于Self-Flow技术，通过物理约束学习世界表征，在机器人操控任务中表现优异。
要点
Black Forest Labs正式推出多模态基础模型FLUX 3。这是业界首次在统一架构下实现图像、视频与音频的联合学习。该模型核心采用Self-Flow技术，能够高效处理多种生成任务，包括文本生成视频以及图像生成视频等模式。 在生成能力方面，FLUX 3支持单次推理生成最长20秒的视频片段，并同步输出原生音频，无需后期配音。此外，模型通过模态间的物理约束学习世界表征，使其在理解物理规律方面更具优势，因此在机器人操控等需要精确物理交互的任务中表现出色。
资料来源与整理说明
本文由 AI最前沿通过 AI 辅助整理公开资料。产品能力与开放范围按发布方说明转述，未将其视为本站实测或独家采访结论。
以上日期为原始资料发布日期；标题下方日期为本文在 AI最前沿的发布时间。