Black Forest Labs (BFL), das in Freiburg ansässige KI-Labor, hat FLUX 3 vorgestellt, ein multimodales Frontier-Modell, das darauf ausgelegt ist, Bilder, kombinierte Audio-/Videoclips von bis zu 20 Sekunden aus einem einzigen Text-Prompt sowie physische Aktionen für die Robotik zu verstehen und zu erzeugen. Das Unternehmen beschreibt FLUX 3 als über all diese Modalitäten hinweg gemeinsam innerhalb einer einzigen Architektur trainiert, statt getrennte Bild-, Video- und Audiomodelle hinter einer gemeinsamen Oberfläche zusammenzuführen.

Diese architektonische Unterscheidung ist zentral für die Positionierung von BFL. Das Unternehmen will, dass Firmen kreative Generierung, Simulation, Computernutzung und Robotik als miteinander verbundene Anwendungen dessen betrachten, was es als "visuelle Intelligenz" bezeichnet — Modelle, in den Worten von BFL, "that can perceive, predict, and act across physical and digital environments." Der Start markiert außerdem das erste öffentlich verfügbare Videogenerierungsmodell von BFL und positioniert das Unternehmen mit rund 100 Beschäftigten direkt gegen deutlich größere US-Plattformen, darunter Googles Gemini Omni, sowie gegen ein Feld spezialisierter Video-Start-ups, die in den vergangenen zwei Jahren zusammen Hunderte Millionen Dollar eingesammelt haben.

Produktlinien und Verfügbarkeit

FLUX 3 wird über vier Produktlinien bereitgestellt:

• FLUX 3 Video — mit optionaler nativer Audiogenerierung
• FLUX 3 Image — Einführung in den kommenden Wochen
• FLUX 3 Action — für physische KI und Robotik
• FLUX 3 Dev — eine kommende Open-Weight-Veröffentlichung

FLUX 3 Video und FLUX 3 Action gehen nun in ein zugangsbeschränktes Early-Access-Programm, für das sich jede Person bewerben kann; BFL muss jedoch jeden Antrag genehmigen. Einen öffentlichen API-Zugang über BFL oder seine Partner gibt es bislang nicht. Das Unternehmen sagt, FLUX 3 Image werde in den kommenden Wochen eingeführt, gefolgt von einer breiteren allgemeinen Verfügbarkeit.

Die gestaffelte Veröffentlichungsstrategie ähnelt jüngsten Ansätzen anderer US-Frontier-Labore, darunter Anthropic und OpenAI, wobei deren Einschränkungen mit Sicherheitsbedenken und Regierungsanfragen begründet wurden. Bei BFL scheint die Zugangsbeschränkung eher durch Infrastrukturreife und laufende Entwicklung als durch Sicherheitsklassifizierungen motiviert zu sein.

Was BFL nicht angekündigt hat

Mehrere kritische Details fehlen beim Start. BFL hat keine Preise, produktive Service-Level-Verpflichtungen, Evaluierungsmethodik, Stichprobengrößen, Anzahl der Bewerter oder Benchmarks für Bildmodelle offengelegt. Unternehmenskunden können daher weder die Gesamtbetriebskosten berechnen noch die vom Unternehmen veröffentlichten Videovergleiche unabhängig reproduzieren.

FLUX 3 startet zudem nicht mit herunterladbaren Gewichten oder einer Open-Source-Lizenz. BFL sagt, schnellere Versionen und Open-Weight-Versionen würden später in diesem Jahr folgen. Der technische Blog des Unternehmens bezeichnet FLUX 3 Dev als "open-weight access to a multimodal backbone, for content creation (video, audio and image) and action prediction" — ein weitergehendes Versprechen als bei allen bisherigen FLUX-Dev-Veröffentlichungen, die ausschließlich Bilder abdeckten. Allerdings kommt FLUX 3 Dev als Letztes in der Veröffentlichungsreihenfolge. Entwickler, die gewohnt sind, eine lokal einsetzbare FLUX-Variante parallel zu oder kurz nach einer größeren Modellankündigung zu erhalten, müssen warten.

Die Verzögerung ist bemerkenswert, weil BFLs Open-Weight-Veröffentlichungen ein zentraler Treiber der Verbreitung waren. Lokal einsetzbare FLUX-Modelle sind in Workflows von ComfyUI und Hugging Face Diffusers integriert, und das Fehlen einer herunterladbaren FLUX-3-Variante zum Start bedeutet, dass dieses Entwickler-Ökosystem die neue Architektur noch nicht auf eigener Hardware testen kann.

Vorläufige Benchmark-Ergebnisse

BFL hat mehrere Benchmark-Vergleiche veröffentlicht, die sämtlich als vorläufig gekennzeichnet sind. Vollständige Ergebnisse und Methodik werden für die Phase breiterer allgemeiner Verfügbarkeit in Aussicht gestellt.

In frühen direkten Präferenztests mit 10-sekündigen 720p-Text-zu-Video-Clips mit Audio berichtet BFL, dass FLUX 3 bevorzugt wurde gegenüber:

• Luma Ray 3.2 in 93% der Vergleiche
• Runway Gen-4.5 in 77%
• Grok Imagine Video in 69%
• Kling v3 Pro in 60%
• Happy Horse v1 in 59%
• Happy Horse 1.1 in 57%
• Seedance 2.0 in 52%
• Google's Gemini Omni Flash in 52%

Zu diesen Zahlen gehört ein wichtiger Vorbehalt. Die Grafik mit den Ergebnissen ist als "preliminary evaluation of an early FLUX 3 candidate" gekennzeichnet, was bedeutet, dass die Zahlen einen Vorab-Checkpoint beschreiben und nicht das Modell, das nun in den Early Access geht. Das ausgelieferte Modell könnte besser oder schlechter abschneiden; nichts, was heute veröffentlicht wurde, misst das, was Kunden tatsächlich nutzen werden.

Luma Ray 3.2 und Runway Gen-4.5, gegen die FLUX 3 seine stärksten Ergebnisse erzielte, sind etablierte Produkte, aber nicht die Modelle, die derzeit unabhängige Video-Rankings anführen. Seedance 2.0, mit 52% gleichauf, ist ein Produkt, das die meisten westlichen Unternehmen derzeit nicht beschaffen können — ByteDance hat den internationalen Rollout auf unbestimmte Zeit verschoben, nachdem Netflix, Warner Bros., Disney, Paramount und Sony rechtliche Schritte wegen mutmaßlicher systematischer Urheberrechtsverletzungen angedroht hatten; diese Aussetzung bleibt bestehen.

Gemini Omni Flash, ebenfalls bei 52%, ist der bedeutendere Vergleich. Omni ist das nächste große Plattform-Analogon zu FLUX 3s multimodalem Ansatz, und nach BFLs eigener Messung sind die beiden bei der Qualität von 10-sekündigem Text-zu-Video nicht unterscheidbar. Googles Vorteil ist die Verfügbarkeit: Omni ist über die Gemini API zu $0.10 pro Sekunde generierten 720p-Videos zugänglich, also rund $1.00 für einen 10-sekündigen Clip. Allerdings steht Nutzern von Omni Flash im Europäischen Wirtschaftsraum, in der Schweiz und im Vereinigten Königreich die Bearbeitung hochgeladener Videos nicht zur Verfügung — die Bearbeitung von Videos, die das Modell selbst erzeugt hat, ist hingegen erlaubt. Ein europäisches Unternehmen, das vorhandenes Filmmaterial durch einen generativen Bearbeitungsschritt verarbeiten möchte, kann dies derzeit mit Omni Flash nicht tun. Diese geografische Lücke ist eine Möglichkeit, die BFL mit Hauptsitz in Deutschland nutzen könnte, falls FLUX 3 ohne vergleichbare regionale Einschränkungen ausgeliefert wird.

Vergleich von Enterprise-Videomodellen

Einheitliche Architektur: Self-Flow

FLUX 3 baut auf Self-Flow auf, BFLs Methode zur Ausrichtung von multimodalem Verständnis und multimodaler Generierung innerhalb einer einzigen Architektur, die erstmals im März 2026 öffentlich vorgestellt wurde. Das Unternehmen sagt, es habe Rechenleistung und Daten erheblich skaliert, um gleichzeitig über Video, Bilder und Audio hinweg zu trainieren; Tests hätten gezeigt, dass Videogenerierung und Aktionsvorhersage keine getrennten Grundlagen erfordern — dieselbe Architektur könne auf Aktionsvorhersage erweitert werden, ohne das aus Video Gelernte zu opfern.

"We place vision at the center of our approach because it is the most signal-rich medium of the physical world. Images convey structure, images and video teach spatial relationships, video teaches dynamics, and actions reveal causal relationships. But vision alone is not the complete picture," sagte Robin Rombach, Mitgründer und CEO von BFL, in einer VentureBeat vorab bereitgestellten Erklärung. "True intelligence means perceiving the world: predicting how it will change, taking action, and learning from the results. Joint training within one unified architecture is what will get us there, because each training modality strengthens the others. Audio conveys timing, prosody, and physical events that elude vision. Language conveys goals, abstractions, and instructions that pixels cannot easily express."

Rombach ergänzte an anderer Stelle der Ankündigung: "You can't cheat reality. A model that only learns images can only generate images. But the world is not made of still frames. It moves, sounds, changes, and responds."

BFL sagt, FLUX 3 ziele auf Kreativwerkzeuge, Medien, Design, E-Commerce und physische KI und unterstütze Videogenerierung mit synchronisiertem Audio, präzise Bildbearbeitung, Produkt- und Materialkonsistenz über Bewegung hinweg, mehrsprachige Generierung und Aktionsvorhersage für Robotik. Das Modell wird bereits von Canva, Burda, Magnific (formerly Freepik), Krea und Picsart getestet.

Für Anbieter kreativer Software liegt der Reiz in der Konsolidierung — ein einzelnes Foundation-Modell, das Storyboarding, Bildbearbeitung, Produkt-Rendering, Videovariationen und Lokalisierung unterstützen könnte, ohne Assets und Anweisungen wiederholt zwischen voneinander getrennten Modellen übersetzen zu müssen. Für Robotikteams liegt der potenzielle Wert in der Dateneffizienz: Modelle, die Bewegung, Objektverhalten und physische Veränderung bereits kodieren, könnten weniger aufgabenspezifisches Robotertraining benötigen als Systeme, die mit Rohdemonstrationen beginnen. Diese Konvergenz von generativen Medien und Foundation-Modellen für Robotik spiegelt einen breiteren Branchentrend wider, da Unternehmen wie Google DeepMind und mehrere Robotik-Start-ups begonnen haben, große vortrainierte Modelle auf Manipulations- und Fortbewegungsaufgaben anzuwenden.

Fähigkeiten von FLUX 3 Video

Die Videoebene ist der am konkretesten spezifizierte Teil der Einführung. FLUX 3 erzeugt aus einem einzigen Prompt Clips von bis zu 20 Sekunden mit nativem Audio. Jede Videoausgabe enthält synchronisiertes Audio. Zum Vergleich: HappyHorse 1.0 endet bei 15 Sekunden in 1080p mit synchronisiertem Audio. BFL hat nicht angegeben, mit welcher Auflösung seine 20-sekündigen Clips laufen, und die veröffentlichten Evaluierungen wurden bei 720p durchgeführt. Eine 20-sekündige Generierung aus einem einzigen Prompt gehört zu den bislang längsten erreichten Ergebnissen und entspricht OpenAIs eingestelltem Sora-Modell.

Die veröffentlichte Funktionsliste umfasst:

• Text-zu-Video-Generierung
• Bild-zu-Video-Generierung, entweder durch Animation ab einem Startbild oder unter Nutzung von Bildern als visuelle Referenzen
• Video-zu-Video-Generierung aus einem Referenzclip, wobei Elemente wie eine bestimmte Figur in eine neue Szene oder einen neuen Kontext übertragen werden
• Generative Video-Audio-Fortsetzung aus bestehender Video- und Audioeingabe
• Keyframe-zu-Video-Generierung für kontrollierte Übergänge zwischen definierten Momenten
• Mehrsprachiger Dialog
• Eine breite Palette visueller Stile und Seitenverhältnisse, von spontanen Camcorder-Aufnahmen bis zu Animation und filmischen Darstellungen
• Typografie-Generierung und animiertes Design
• Agentisches Verketten einzelner Clips zu längeren Sequenzen mit mehreren Einstellungen

Der letzte Punkt — agentisches Verketten — ist die Fähigkeit, die Enterprise-Videoteams am genauesten prüfen sollten. BFL behauptet, die kombinierten Funktionen könnten Sequenzen von mehreren Minuten Länge erzeugen, wobei visuelle Referenzen die Figuren über Szenen hinweg konsistent halten. Sollte sich dies unter Produktionsbedingungen bestätigen, würde es die Einschränkung adressieren, die generative Videos bislang aus den meisten kommerziellen Pipelines herausgehalten hat: nicht die Clipqualität, sondern die Kontinuität über Einstellungen hinweg.

Der Wettbewerb bei Figurenkonsistenz ist intensiv. Das zentrale Upgrade von HappyHorse 1.1 ist R2V, also Reference-to-Video, das mehrere Referenzbilder einer Figur akzeptiert, um Identitätsstabilität über generiertes Material hinweg zu bewahren. Alibaba beansprucht zudem lippensynchrone Ausgabe ohne Drift und hat gezielt Artefakte adressiert, die kommerzielle KI-Videos als synthetisch erkennbar machen, darunter ölig wirkende Gesichter und Überschärfung.

BFL sagt, FLUX 3 Video sei bereits besonders stark bei menschlichen Gesichtsausdrücken, der Zuordnung von Geräuschen zu physischen Ereignissen und mehrsprachiger Ausgabe. Auf der Bildseite zeigen vorläufige Evaluierungen aus der Mitte des Trainings deutliche Verbesserungen gegenüber früheren FLUX-Versionen beim Umgang mit komplexen Prompts und bei der Texterzeugung, einschließlich Text mit hoher Genauigkeit in mehreren Sprachen. Bild-Benchmarks oder Gewinnraten wurden nicht veröffentlicht.

FLUX-mimic: Von Videomodellen zu Robotermodellen

BFL wendet seine These einer einheitlichen Architektur über FLUX-mimic an, ein auf FLUX 3 aufgebautes Video-Aktions-Modell, das gemeinsam mit dem Schweizer Unternehmen Mimic Robotics entwickelt wurde, einem der ersten Partner mit Early-Access-Zugang.

Der technische Blog beschreibt zwei Wege zur Aktionsvorhersage: die direkte Integration nativer Aktionsvorhersage in FLUX 3 durch Skalierung der ursprünglichen Self-Flow-Arbeit und die Nutzung des vortrainierten Video-Backbones als dynamikbewusste Grundlage, von der aus spezialisierte Aktionsmodelle mit begrenzten aufgabenspezifischen Daten feinabgestimmt werden können. FLUX-mimic folgt dem zweiten Weg und kombiniert den FLUX-3-Backbone mit der Expertise von Mimic Robotics in Roboterlernen und produktivem Einsatz für geschickte Manipulation.

FLUX-mimic ist für allgemeine robotische Manipulation ausgelegt und soll Robotern helfen, eine visuelle Szene zu verstehen, die Folgen einer Aktion vorherzusagen und sich mit minimalen aufgabenspezifischen Daten an neue Aufgaben anzupassen. BFL und Mimic Robotics sagen, das Modell könne für eine bestimmte Manipulationsaufgabe mit nur 30 Minuten Roboterdaten feinabgestimmt werden, während frühere Ansätze 30 oder mehr Stunden erfordert hätten.

"The hardest part of robotics is data," sagte Elvis Nava, CTO von Mimic Robotics, in einer VentureBeat bereitgestellten Erklärung. "Every new task normally means hours of a robot repeating itself. Because FLUX-mimic is built on top of frontier video models that already understand how the physical world behaves, it picks up a new task in minutes, not days. This way, we can leapfrog the current state of the art in robot learning."

Die 60-fache Reduktion der benötigten Demonstrationsdaten — von 30 Stunden auf 30 Minuten — zielt auf einen der hartnäckigsten Engpässe in der angewandten Robotik, wo jede neue Manipulationsaufgabe typischerweise umfangreiche physische Datenerhebung verlangt, die sich nicht ohne Weiteres zwischen Aufgaben oder Umgebungen übertragen lässt.

Der Anspruch eines Weltmodells

BFL argumentiert, dass ein nur auf Bildern trainiertes Modell keine Welt verstehen könne, die "moves, sounds, changes, and responds", und dass physisches Verständnis überzeugendes generiertes Filmmaterial hervorbringe. Google macht für Gemini Omni eine nahezu identische Aussage. Die Entwicklerdokumentation verweist auf "world knowledge", das "an understanding of physics" mit Geminis Verständnis von Geschichte, Wissenschaft und kulturellem Kontext verbindet. Googles Marketing formuliert: "Most AI models just predict the next pixel to build a narrative or an image. Gemini Omni is different," und schreibt dem Modell "an intuitive understanding of forces like gravity, kinetic energy, and fluid dynamics for more realistic movements that follow real-world logic" zu.

Die praktische Folge für Unternehmenskunden ist, dass Weltmodell-Sprache kein Differenzierungsmerkmal ist. Zwei der drei führenden Videosysteme vermarkten physisches Verständnis inzwischen als ihren zentralen Vorteil, und keines hat einen Benchmark veröffentlicht, der dies misst. Es gibt keinen Standardtest dafür, ob generiertes Wasser sich wie Wasser verhält, ob ein fallengelassenes Objekt mit plausibler Geschwindigkeit fällt oder ob ein Geräusch im Moment des Aufpralls einsetzt. Menschliche Präferenzbewertungen erfassen einen Teil davon indirekt; nichts anderes im Angebot erfasst es überhaupt.

Offene Gewichte und Unternehmenshintergrund

BFL wurde im Sommer 2024 offiziell gegründet und baute seinen Ruf darauf auf, hochwertige KI-Bildmodelle als Open Source bereitzustellen, die von Entwicklern, Kreativen und Unternehmen breit angenommen wurden. Die Gründer des Unternehmens — Rombach, Andreas Blattmann und Patrick Esser — halfen zuvor bei der Entwicklung von VQGAN, latenter Diffusion und Stable Diffusion, jener Open-Source-Technologie, die breite KI-Generierungsfähigkeiten für Verbraucher anstieß und derzeit von vielen KI-Bildgeneratoren und Unternehmen genutzt wird.

Diese Reichweite übersetzte sich in kommerzielle Distribution. FLUX-Modelle treiben heute generative Funktionen in Adobe Photoshop, Picsart und Nous Researchs Hermes Agent sowie weiteren Plattformen an. Das Unternehmen nennt den Filmregisseur Martin Scorsese als professionellen Nutzer. Das Wired magazine beschrieb Black Forest Labs als ein relativ kleines Unternehmen, das zu einem führenden Wettbewerber der größten KI-Labore des Silicon Valley wurde; FLUX-Modelle rangieren nahe der Spitze von Bild-Benchmarks und gehören zu den am häufigsten heruntergeladenen Text-zu-Bild-Modellen auf Hugging Face. BFL sagt, es beschäftige inzwischen ein 100-köpfiges Team in Freiburg und San Francisco.

FLUX.1 Dev, FLUX.1 Kontext Dev, FLUX.1 Fill Dev und verwandte Kontrollmodelle — kurz nach dem Start des Unternehmens veröffentlicht — gaben Forschern und Entwicklern von Kreativwerkzeugen Zugriff auf herunterladbare Checkpoints, lokale Inferenz und Integrationen mit Frameworks wie Hugging Face Diffusers und ComfyUI. FLUX.1 Kontext Dev wurde beispielsweise als Open-Weight-Modell für Forschung und nichtkommerzielle Nutzung veröffentlicht, wobei generierte Ausgaben unter der geltenden Lizenz für kommerzielle Zwecke erlaubt waren.

Das Unternehmen setzte dieses Muster Ende 2025 mit FLUX.2 Dev fort, einem Open-Weight-Modell mit 32 Milliarden Parametern, das Generierung und Multi-Referenz-Bearbeitung kombiniert. BFL bezeichnete es zum Start als das stärkste verfügbare Open-Weight-Modell für Bildgenerierung und -bearbeitung und veröffentlichte Gewichte, Referenz-Inferenzcode und optimierte Implementierungen für Verbraucher-GPUs von Nvidia.

FLUX 3 Dev erhöht den Einsatz. Frühere Dev-Veröffentlichungen waren Bildmodelle. FLUX 3 Dev wird als multimodaler Backbone beschrieben, der Video, Audio, Bild und Aktionsvorhersage umfasst — was bedeutet, dass eine einzige Lizenz regeln wird, ob ein Unternehmen ein Modell lokal einsetzen kann, das sowohl Content-Produktion als auch physische Maschinen berührt. BFL hat noch keine Informationen zu Lizenz, Parameterzahl, Quantisierungen oder Hardwareanforderungen geteilt. Das Unternehmen stellt offene Gewichte eher als Enterprise-Funktion denn als Geste an die Community dar und argumentiert, sie ermöglichten sichere lokale Bereitstellung mit niedriger Latenz für Anwendungen wie Robotersteuerungssysteme und erlaubten Teams, FLUX 3 an eigene Daten, Produkte und Workflows anzupassen. Ob die Open-Weight-Lizenz kommerzielle Robotiknutzung erlauben wird — bei der sich Fragen physischer Sicherheit und Haftung von der Bildgenerierung unterscheiden — bleibt eine offene Frage, die das Unternehmen noch nicht beantwortet hat.

Finanzielle Unterstützung

Black Forest Labs wird mit $3.25 billion bewertet und hat mehr als $450 million von Investoren eingesammelt, darunter a16z, AMP, Salesforce Ventures, Nvidia, General Catalyst, Adobe Ventures, Figma Ventures, Canva und Deutsche Telekom's T.Capital. Die Investorenliste umfasst sowohl Kapitalgeber als auch kommerzielle Partner — Adobe, Figma und Canva sind ebenfalls Integrationspartner —, was BFLs Finanzierung mit Vertriebskanälen für die Kreativ- und Medienfähigkeiten von FLUX 3 verbindet.