Black Forest Labs (BFL) hat FLUX 3 veröffentlicht, ein multimodales Foundation-Modell, das darauf ausgelegt ist, innerhalb einer einzigen Architektur aus Bildern, Video und Audio zu lernen. Das Unternehmen beschreibt es als erstes FLUX-Modell, das Video-, Audio- und Aktionsvorhersage aus einem gemeinsamen Satz von Gewichten bereitstellt.

Das Forschungsteam von BFL erklärt, das Modell basiere auf der Auffassung, dass keine einzelne Modalität eine vollständige Beschreibung der Welt liefert. Bilder erfassen räumliche Strukturen zu einem einzelnen Zeitpunkt, Video ergänzt Zeit und physikalische Dynamik, und Audio kann kausale Beziehungen zwischen mechanischen Ereignissen und Klang sichtbar machen. In der Darstellung von BFL ist jede Modalität eine verlustbehaftete Projektion derselben zugrunde liegenden Realität.

Durch das gleichzeitige Training über diese Modalitäten hinweg, so BFL, beschränken sich die Datenquellen gegenseitig: Klang muss zu einem Aufprall passen, und Bewegung muss mit Masse konsistent sein. Das Forschungsteam bezeichnet FLUX 3 als sein erstes Modell, das vollständig um dieses Prinzip herum entwickelt wurde. Das Design mit gemeinsamen Gewichten macht die Veröffentlichung zudem über die Mediengenerierung hinaus relevant, da BFL dasselbe Backbone für die Vorhersage von Roboteraktionen einsetzt.

Self-Flow als zugrunde liegende Methode

FLUX 3 baut auf Self-Flow auf, BFLs Methode zur Ausrichtung multimodaler Generierung und multimodalen Verständnisses in einer Architektur. Self-Flow kombiniert ein Flow-Matching-Ziel mit einem selbstüberwachten Ziel zur Rekonstruktion von Merkmalen.

Die Referenzimplementierung auf GitHub wurde unter Apache-2.0 veröffentlicht und verwendet SiT-XL/2 mit Zeitschrittkonditionierung pro Token. Sie trainiert mit einer Maskierungsrate von 25% pro Token und nutzt Selbst-Destillation von einem EMA-Lehrermodell auf Ebene 20 zu einem Schülermodell auf Ebene 8.

Der veröffentlichte Checkpoint ist ein ImageNet-256×256-Forschungsmodell, nicht FLUX 3. BFL gibt an, mit demselben Ansatz „Rechen- und Datenressourcen erheblich skaliert“ zu haben, um FLUX 3 gleichzeitig über Video, Bilder und Audio hinweg zu trainieren. Self-Flow wurde im März 2026 vorgestellt; die Methode selbst ist für diese Veröffentlichung daher nicht neu. Als neues Element nennt BFL die Skalierung.

Fähigkeiten von FLUX 3 Video

FLUX 3 Video kann in einer einzigen Generierung Clips von bis zu 20 Sekunden Länge erzeugen und umfasst natives Audio. Zu den unterstützten Modi gehören Text-zu-Video, Bild-zu-Video, Video-zu-Video aus einem Referenzclip, Keyframe-zu-Video für kontrollierte Übergänge sowie generative Video-Audio-Fortsetzung auf Basis von Eingabevideo und -audio.

BFL nennt außerdem mehrsprachigen Dialog, agentisches Verketten von Clips zu Sequenzen mit mehreren Einstellungen sowie starke Typografie-Generierung mit animierten Designs als Fähigkeiten des Systems. Das Team berichtet von besonderer Stärke bei der Generierung menschlicher Gesichtsausdrücke und bei der Zuordnung von Klängen zu physikalischen Ereignissen — zwei Bereichen, in denen zeitliche Konsistenz und Audio-Video-Ausrichtung für die Wahrnehmung generierter Clips durch Nutzer zentral sind.

Laut BFL entfallen mehr als 95% des Trainingsaufwands auf die Videovorhersage, während Audio weniger als 0.5% der Tokens ausmacht. Das Unternehmen erklärt außerdem, dass dasselbe Backbone FLUX-mimic antreibt, eine Roboter-Policy, die auf einer RTX 5090 in unter 80 ms läuft.

Vorläufige Leistungsergebnisse

BFL veröffentlichte vorläufige Ergebnisse menschlicher Präferenztests mit 10-sekündigen Text-zu-Video-Clips in 720p mit Audio. In diesen Vergleichen wurde FLUX 3 in 93% der Fälle gegenüber Luma Ray 3.2 und in 77% gegenüber Runway Gen-4.5 bevorzugt.

Gegenüber Grok Imagine Video meldete BFL eine Präferenzrate von bis zu 69%. Die gemeldeten Werte lagen bei 60% gegenüber Kling v3 Pro, 59% gegenüber Happy Horse v1 und 57% gegenüber Happy Horse 1.1. Gegenüber Seedance 2.0 und Gemini Omni Flash lag das gemeldete Ergebnis bei 52%, was die Quelle als nahezu einem Münzwurf entsprechend beschrieb.

Der Zugang bleibt beschränkt. BFL gibt an, dass Video und Action im Early Access sind, Image-Zugang folgen wird und offene Gewichte zuletzt bereitgestellt werden. Diese gestaffelte Einführung bedeutet, dass externe Bewertungen davon abhängen werden, wann breiterer Zugang, Modelldetails und Gewichte verfügbar werden.

BFL veröffentlichte zusätzliche Materialien über die FLUX 3-Ankündigung, den technischen Beitrag zu FLUX 3 x mimic und das Self-Flow-Paper.