Black Forest Labs (BFL), le laboratoire d’IA basé à Fribourg, en Allemagne, a lancé FLUX 3, un modèle frontière multimodal conçu pour comprendre et générer des images, des clips audio/vidéo combinés pouvant atteindre 20 secondes à partir d’une seule invite textuelle, ainsi que des actions physiques pour la robotique. L’entreprise décrit FLUX 3 comme entraîné conjointement sur l’ensemble de ces modalités au sein d’une architecture unique, plutôt que comme un assemblage de modèles distincts d’image, de vidéo et d’audio derrière une interface commune.

Cette distinction architecturale est au cœur du positionnement de BFL. L’entreprise veut que les entreprises considèrent la génération créative, la simulation, l’utilisation informatique et la robotique comme des applications interconnectées de ce qu’elle appelle « l’intelligence visuelle » — des modèles, selon les termes de BFL, « that can perceive, predict, and act across physical and digital environments. » Ce lancement marque également le premier modèle de génération vidéo publiquement disponible de BFL et place l’entreprise, qui compte environ 100 employés, en concurrence directe avec des plateformes américaines beaucoup plus grandes, notamment Gemini Omni de Google, ainsi qu’avec un ensemble de startups vidéo spécialisées ayant collectivement levé des centaines de millions de dollars au cours des deux dernières années.

Lignes de produits et disponibilité

FLUX 3 sera proposé à travers quatre lignes de produits :

• FLUX 3 Video — avec génération audio native optionnelle
• FLUX 3 Image — déploiement prévu dans les prochaines semaines
• FLUX 3 Action — pour l’IA physique et la robotique
• FLUX 3 Dev — une future version à poids ouverts

FLUX 3 Video et FLUX 3 Action entrent désormais dans un programme Early Access restreint auquel tout le monde peut candidater, mais chaque demande doit être approuvée par BFL. Aucun accès public à l’API n’est encore disponible via BFL ou ses partenaires. L’entreprise indique que FLUX 3 Image sera déployé dans les prochaines semaines, avant une disponibilité générale plus large.

Cette stratégie de lancement par phases rappelle les approches récemment adoptées par d’autres laboratoires frontière américains, notamment Anthropic et OpenAI, même si ces restrictions étaient attribuées à des préoccupations de sécurité et à des demandes gouvernementales. Dans le cas de BFL, la limitation semble davantage liée à la préparation de l’infrastructure et au développement en cours qu’à des classifications de sûreté.

Ce que BFL n’a pas annoncé

Plusieurs détails essentiels sont absents du lancement. BFL n’a pas communiqué ses tarifs, ses engagements de niveau de service en production, sa méthodologie d’évaluation, la taille des échantillons, le nombre d’évaluateurs ni aucun benchmark de modèle d’image. Les acheteurs entreprises ne peuvent donc pas encore calculer le coût total de possession ni reproduire de manière indépendante les comparaisons vidéo publiées par l’entreprise.

FLUX 3 n’est pas non plus lancé avec des poids téléchargeables ni avec une licence open source. BFL indique que des versions plus rapides et à poids ouverts arriveront plus tard cette année. Son blog technique présente FLUX 3 Dev comme un « open-weight access to a multimodal backbone, for content creation (video, audio and image) and action prediction » — un engagement plus large que toute version FLUX Dev précédente, qui ne couvrait que l’image. Cependant, FLUX 3 Dev arrive en dernier dans la séquence de lancement. Les développeurs habitués à recevoir une variante FLUX déployable localement en même temps, ou peu après, une annonce majeure de modèle devront attendre.

Ce délai est notable, car les versions à poids ouverts de BFL ont été un moteur d’adoption majeur. Les modèles FLUX déployables localement sont intégrés aux flux de travail ComfyUI et Hugging Face Diffusers, et l’absence d’une variante FLUX 3 téléchargeable au lancement signifie que cet écosystème de développeurs ne peut pas encore tester la nouvelle architecture sur son propre matériel.

Résultats préliminaires de benchmark

BFL a publié plusieurs comparaisons de benchmark, toutes qualifiées de préliminaires. Les résultats complets et la méthodologie sont promis pour la phase de disponibilité générale plus large.

Lors de premiers tests de préférence en face-à-face sur des clips text-to-video de 10 secondes en 720p avec audio, BFL indique que FLUX 3 a été préféré à :

• Luma Ray 3.2 dans 93% des comparaisons
• Runway Gen-4.5 dans 77%
• Grok Imagine Video dans 69%
• Kling v3 Pro dans 60%
• Happy Horse v1 dans 59%
• Happy Horse 1.1 dans 57%
• Seedance 2.0 dans 52%
• Gemini Omni Flash de Google dans 52%

Une réserve importante accompagne ces chiffres. Le graphique présentant les résultats est libellé comme une « preliminary evaluation of an early FLUX 3 candidate », ce qui signifie que les chiffres décrivent un point de contrôle avant lancement plutôt que le modèle qui entre maintenant en accès anticipé. Le modèle livré pourrait faire mieux ou moins bien ; rien de ce qui a été publié aujourd’hui ne mesure ce que les clients utiliseront réellement.

Luma Ray 3.2 et Runway Gen-4.5, face auxquels FLUX 3 a obtenu ses meilleurs résultats, sont des produits établis, mais pas les modèles qui dominent actuellement les classements vidéo indépendants. Seedance 2.0, à égalité à 52%, est un produit que la plupart des entreprises occidentales ne peuvent pas actuellement se procurer — ByteDance a reporté indéfiniment son déploiement international après que Netflix, Warner Bros., Disney, Paramount et Sony ont envoyé des menaces juridiques pour violation systématique présumée du droit d’auteur, et cette suspension reste en vigueur.

Gemini Omni Flash, également à 52%, constitue la comparaison la plus significative. Omni représente l’analogue de grande plateforme le plus proche de l’approche multimodale de FLUX 3 et, selon la propre mesure de BFL, les deux modèles sont indiscernables sur la qualité text-to-video de clips de 10 secondes. L’avantage de Google est la disponibilité : Omni est accessible via l’API Gemini à $0.10 par seconde de vidéo 720p générée, soit environ $1.00 pour un clip de 10 secondes. Toutefois, le montage de vidéos importées n’est pas disponible pour les utilisateurs d’Omni Flash dans l’Espace économique européen, en Suisse et au Royaume-Uni — même si le montage de vidéos générées par le modèle lui-même est autorisé. Une entreprise européenne souhaitant traiter des images existantes au moyen d’une passe de montage génératif ne peut actuellement pas le faire avec Omni Flash. Cette lacune géographique représente une ouverture que BFL, dont le siège est en Allemagne, est bien placée pour exploiter si FLUX 3 est livré sans restrictions régionales similaires.

Comparaison des modèles vidéo pour les entreprises

Architecture unifiée : Self-Flow

FLUX 3 s’appuie sur Self-Flow, la méthode de BFL pour aligner compréhension et génération multimodales au sein d’une architecture unique, rendue publique pour la première fois en mars 2026. L’entreprise affirme avoir considérablement augmenté le calcul et les données afin d’entraîner simultanément le modèle sur la vidéo, les images et l’audio, et que les tests ont démontré que la génération vidéo et la prédiction d’actions ne nécessitent pas de fondations séparées — la même architecture pouvant être étendue à la prédiction d’actions sans sacrifier ce qu’elle a appris de la vidéo.

« 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, » a déclaré Robin Rombach, cofondateur et CEO de BFL, dans une déclaration préalable au lancement fournie à VentureBeat. « 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 a ajouté ailleurs dans l’annonce : « 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 indique que FLUX 3 vise les outils créatifs, les médias, le design, l’e-commerce et l’IA physique, avec prise en charge de la génération vidéo avec audio synchronisé, du montage précis d’images, de la cohérence des produits et matériaux en mouvement, de la génération multilingue et de la prédiction d’actions robotiques. Il est déjà testé par Canva, Burda, Magnific (anciennement Freepik), Krea et Picsart.

Pour les éditeurs de logiciels créatifs, l’intérêt réside dans la consolidation — un modèle de fondation unique susceptible de prendre en charge le storyboard, le montage d’images, le rendu produit, les variations vidéo et la localisation sans devoir traduire à répétition les ressources entre modèles déconnectés. Pour les équipes de robotique, la valeur potentielle réside dans l’efficacité des données : des modèles qui encodent déjà le mouvement, le comportement des objets et les changements physiques pourraient nécessiter moins d’entraînement robotique spécifique à une tâche que des systèmes partant de démonstrations brutes. Cette convergence entre médias génératifs et modèles de fondation pour la robotique reflète une évolution plus large de l’industrie, alors que des entreprises comme Google DeepMind et plusieurs startups de robotique commencent à appliquer de grands modèles préentraînés à des tâches de manipulation et de locomotion.

Capacités de FLUX 3 Video

La composante vidéo est la partie la plus précisément définie du lancement. FLUX 3 génère des clips pouvant atteindre 20 secondes avec audio natif à partir d’une seule invite. Chaque sortie vidéo inclut un audio synchronisé. À titre de comparaison, HappyHorse 1.0 plafonne à 15 secondes en 1080p avec audio synchronisé. BFL n’a pas indiqué à quelle résolution fonctionnent ses clips de 20 secondes, et les évaluations publiées ont été réalisées en 720p. Une génération de 20 secondes à partir d’une seule invite figure parmi les plus longues obtenues à ce jour, égalant le modèle Sora abandonné d’OpenAI.

La liste des capacités publiées comprend :

• Génération text-to-video
• Génération image-to-video, en animant à partir d’une image de départ ou en utilisant des images comme références visuelles
• Génération video-to-video à partir d’un clip de référence, en transférant des éléments tels qu’un personnage spécifique dans une nouvelle scène ou un nouveau contexte
• Prolongation générative vidéo-audio à partir d’entrées vidéo et audio existantes
• Génération keyframe-to-video pour des transitions contrôlées entre des moments définis
• Dialogue multilingue
• Un large éventail de styles visuels et de formats d’image, des séquences de caméscope spontanées à l’animation et au cinéma
• Génération typographique et design animé
• Chaînage agentique de clips individuels en séquences plus longues à plans multiples

Ce dernier point — le chaînage agentique — est la capacité que les équipes vidéo d’entreprise devraient examiner le plus attentivement. BFL affirme que ces fonctionnalités combinées peuvent produire des séquences durant plusieurs minutes, avec des références visuelles maintenant la cohérence des personnages d’une scène à l’autre. Si cela se confirme en conditions de production, cela répondrait à la contrainte qui a tenu la vidéo générative à l’écart de la plupart des pipelines commerciaux : non pas la qualité des clips, mais la continuité entre les plans.

La concurrence autour de la cohérence des personnages est intense. La principale évolution de HappyHorse 1.1 est R2V, ou Reference-to-Video, qui accepte plusieurs images de référence d’un personnage afin de maintenir son identité stable dans les séquences générées. Alibaba revendique une synchronisation labiale sans dérive et a spécifiquement ciblé les artefacts qui signalent la vidéo IA commerciale comme synthétique, notamment l’aspect huileux des visages et la suraccentuation des détails.

BFL indique que FLUX 3 Video est déjà particulièrement performant sur les expressions faciales humaines, l’association des sons aux événements physiques et la sortie multilingue. Côté image, les évaluations préliminaires menées en cours de préentraînement montrent une amélioration significative par rapport aux versions FLUX précédentes dans le traitement des invites complexes et la génération de texte, y compris du texte de haute précision en plusieurs langues. Aucun benchmark d’image ni taux de victoire n’a été publié.

FLUX-mimic : des modèles vidéo aux modèles robotiques

BFL applique sa thèse d’architecture unifiée via FLUX-mimic, un modèle vidéo-action construit sur FLUX 3 et développé avec l’entreprise suisse Mimic Robotics, l’un des premiers partenaires à bénéficier de l’accès anticipé.

Le blog technique décrit deux voies vers la prédiction d’actions : intégrer directement la prédiction d’actions native dans FLUX 3 en amplifiant les travaux initiaux de Self-Flow, et utiliser le backbone vidéo préentraîné comme une fondation consciente de la dynamique à partir de laquelle des modèles d’action spécialisés peuvent être affinés avec des données limitées spécifiques à une tâche. FLUX-mimic emprunte la deuxième voie, en combinant le backbone FLUX 3 avec l’expertise de Mimic Robotics en apprentissage robotique et en déploiement de production pour la manipulation dextre.

FLUX-mimic est conçu pour la manipulation robotique polyvalente, en aidant les robots à comprendre une scène visuelle, à prédire les conséquences d’une action et à s’adapter à de nouvelles tâches avec un minimum de données spécifiques. BFL et Mimic Robotics indiquent que le modèle peut être affiné pour une tâche de manipulation spécifique avec seulement 30 minutes de données robotisées, là où les approches précédentes nécessitaient 30 heures ou plus.

« The hardest part of robotics is data, » a déclaré Elvis Nava, CTO de Mimic Robotics, dans une déclaration fournie à VentureBeat. « 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. »

La réduction de 60x des données de démonstration nécessaires — de 30 heures à 30 minutes — vise l’un des goulets d’étranglement les plus persistants de la robotique appliquée, où chaque nouvelle tâche de manipulation exige généralement une collecte étendue de données physiques qui ne se transfèrent pas entre tâches ou environnements.

L’argument du « modèle du monde »

BFL soutient qu’un modèle entraîné uniquement sur des images ne peut pas comprendre un monde qui « moves, sounds, changes, and responds », et que la compréhension physique est ce qui produit des séquences générées convaincantes. Google formule une revendication presque identique pour Gemini Omni. Sa documentation développeur évoque une « world knowledge » combinant « an understanding of physics » avec la compréhension par Gemini de l’histoire, de la science et du contexte culturel. Le marketing de Google affirme : « Most AI models just predict the next pixel to build a narrative or an image. Gemini Omni is different, » attribuant au modèle « an intuitive understanding of forces like gravity, kinetic energy, and fluid dynamics for more realistic movements that follow real-world logic. »

La conséquence pratique pour les acheteurs entreprises est que le vocabulaire autour des modèles du monde ne constitue pas un différenciateur. Deux des trois principaux systèmes vidéo commercialisent désormais la compréhension physique comme leur avantage central, et aucun n’a publié de benchmark qui la mesure. Il n’existe pas de test standard pour déterminer si l’eau générée se comporte comme de l’eau, si un objet lâché tombe à une vitesse plausible ou si un son arrive au moment de l’impact. Les évaluations de préférence humaine en capturent indirectement une partie ; rien d’autre parmi les offres disponibles ne la mesure réellement.

Poids ouverts et historique de l’entreprise

BFL a officiellement été lancée à l’été 2024 et a bâti sa réputation sur l’ouverture de modèles d’IA d’image de haute qualité largement adoptés par les développeurs, les créatifs et les entreprises. Les fondateurs de l’entreprise — Rombach, Andreas Blattmann et Patrick Esser — avaient auparavant contribué à créer VQGAN, la diffusion latente et Stable Diffusion, la technologie open source qui a catalysé les capacités de génération IA grand public et qui est actuellement utilisée par de nombreux générateurs d’images IA et entreprises.

Cette portée s’est traduite en distribution commerciale. Les modèles FLUX alimentent désormais des fonctionnalités génératives dans Adobe Photoshop, Picsart et Hermes Agent de Nous Research, entre autres plateformes. L’entreprise cite le réalisateur Martin Scorsese parmi ses utilisateurs professionnels. Le magazine Wired a décrit Black Forest Labs comme une entreprise relativement petite devenue néanmoins un concurrent majeur des plus grands laboratoires d’IA de la Silicon Valley, avec des modèles FLUX classés près du sommet des benchmarks d’image et parmi les modèles text-to-image les plus téléchargés sur Hugging Face. BFL indique employer désormais une équipe de 100 personnes entre Fribourg et San Francisco.

FLUX.1 Dev, FLUX.1 Kontext Dev, FLUX.1 Fill Dev et des modèles de contrôle connexes — publiés peu après le lancement de l’entreprise — ont donné aux chercheurs et aux développeurs d’outils créatifs accès à des checkpoints téléchargeables, à l’inférence locale et à des intégrations avec des frameworks tels que Hugging Face Diffusers et ComfyUI. FLUX.1 Kontext Dev, par exemple, a été publié comme modèle à poids ouverts pour la recherche et l’usage non commercial, les sorties générées étant autorisées à des fins commerciales selon la licence applicable.

L’entreprise a poursuivi ce schéma avec FLUX.2 Dev fin 2025, un modèle à poids ouverts de 32 milliards de paramètres combinant génération et édition multi-références. BFL l’a présenté comme le modèle de génération et d’édition d’images à poids ouverts le plus puissant disponible au lancement, et a publié les poids, le code d’inférence de référence et des implémentations optimisées pour les GPU Nvidia grand public.

FLUX 3 Dev rehausse les enjeux. Les précédentes versions Dev étaient des modèles d’image. FLUX 3 Dev est décrit comme un backbone multimodal couvrant vidéo, audio, image et prédiction d’actions — ce qui signifie qu’une licence unique déterminera si une entreprise peut déployer localement un modèle touchant à la fois la production de contenu et des machines physiques. BFL n’a pas encore communiqué d’informations sur sa licence, son nombre de paramètres, ses quantifications ou ses exigences matérielles. L’entreprise présente les poids ouverts comme une fonctionnalité entreprise plutôt que comme un geste communautaire, en affirmant qu’ils permettent un déploiement local sécurisé et à faible latence pour des applications telles que les systèmes de contrôle robotique, et qu’ils permettent aux équipes d’adapter FLUX 3 à leurs propres données, produits et flux de travail. La question de savoir si la licence à poids ouverts autorisera l’usage commercial en robotique — où les questions de sécurité physique et de responsabilité diffèrent de la génération d’images — reste ouverte et n’a pas encore été traitée par l’entreprise.

Soutien financier

Black Forest Labs est valorisée à $3.25 billion et a levé plus de $450 million auprès d’investisseurs comprenant a16z, AMP, Salesforce Ventures, Nvidia, General Catalyst, Adobe Ventures, Figma Ventures, Canva et T.Capital de Deutsche Telekom. La liste des investisseurs couvre à la fois des fournisseurs de capitaux et des partenaires commerciaux — Adobe, Figma et Canva étant aussi des partenaires d’intégration — ce qui aligne le financement de BFL avec les canaux de distribution des capacités créatives et médias de FLUX 3.