Black Forest Labs (BFL) a lancé FLUX 3, un modèle de fondation multimodal conçu pour apprendre à partir d’images, de vidéo et d’audio au sein d’une architecture unique. L’entreprise le présente comme le premier modèle FLUX capable de fournir de la vidéo, de l’audio et de la prédiction d’actions à partir d’un même ensemble partagé de poids.

L’équipe de recherche de BFL indique que le modèle repose sur l’idée qu’aucune modalité unique ne fournit une description complète du monde. Les images capturent la structure spatiale à un instant donné, la vidéo ajoute le temps et la dynamique physique, et l’audio peut révéler des relations causales entre des événements mécaniques et le son. Dans la formulation de BFL, chaque modalité est une projection avec pertes d’une même réalité sous-jacente.

En entraînant le modèle simultanément sur ces modalités, BFL affirme que les sources de données se contraignent mutuellement : le son doit correspondre à l’impact, et le mouvement doit être cohérent avec la masse. L’équipe de recherche présente FLUX 3 comme son premier modèle construit entièrement autour de ce principe, tandis que la conception à poids partagés rend également cette sortie pertinente au-delà de la génération de médias, car BFL applique le même socle à la prédiction d’actions robotiques.

Self-Flow comme méthode sous-jacente

FLUX 3 s’appuie sur Self-Flow, la méthode de BFL visant à aligner la génération et la compréhension multimodales dans une seule architecture. Self-Flow combine un objectif de flow matching avec un objectif de reconstruction de caractéristiques auto-supervisée.

L’implémentation de référence sur GitHub est publiée sous licence Apache-2.0 et utilise SiT-XL/2 avec un conditionnement temporel par jeton. Elle est entraînée avec un ratio de masquage de 25% par jeton et utilise une auto-distillation depuis un enseignant EMA à la couche 20 vers un étudiant à la couche 8.

Le checkpoint publié est un modèle de recherche ImageNet 256×256, et non FLUX 3. BFL indique avoir « significativement augmenté les ressources de calcul et de données » en utilisant la même approche pour entraîner FLUX 3 simultanément sur la vidéo, les images et l’audio. Self-Flow a été présenté en March 2026, la méthode elle-même n’est donc pas nouvelle dans cette sortie ; BFL identifie l’échelle comme le nouvel élément.

Capacités de FLUX 3 Video

FLUX 3 Video peut générer des clips d’une durée allant jusqu’à 20 secondes en une seule génération et inclut un audio natif. Les modes pris en charge comprennent le texte-vers-vidéo, l’image-vers-vidéo, la vidéo-vers-vidéo à partir d’un clip de référence, l’image clé-vers-vidéo pour des transitions contrôlées, ainsi que la continuation générative vidéo-audio à partir d’une vidéo et d’un audio d’entrée.

BFL cite également parmi les capacités du système le dialogue multilingue, le chaînage agentique de clips en séquences multi-plans et une forte génération typographique avec des conceptions animées. L’équipe fait état d’une force particulière dans la génération d’expressions faciales humaines et dans l’association de sons à des événements physiques, deux domaines où la cohérence temporelle et l’alignement audio-vidéo sont essentiels à la perception des clips générés par les utilisateurs.

Selon BFL, la prédiction vidéo représente plus de 95% du calcul d’entraînement, tandis que l’audio représente moins de 0.5% des jetons. L’entreprise affirme également que le même socle alimente FLUX-mimic, une politique robotique qui s’exécute en moins de 80 ms sur une RTX 5090.

Résultats préliminaires de performance

BFL a publié des résultats préliminaires de préférence humaine utilisant des clips texte-vers-vidéo de 10 secondes en 720p avec audio. Dans ces comparaisons, FLUX 3 a été préféré à Luma Ray 3.2 dans 93% des cas et à Runway Gen-4.5 dans 77% des cas.

Face à Grok Imagine Video, BFL a fait état d’un taux de préférence allant jusqu’à 69%. Les chiffres communiqués étaient de 60% face à Kling v3 Pro, 59% face à Happy Horse v1 et 57% face à Happy Horse 1.1. Face à Seedance 2.0 et Gemini Omni Flash, le résultat annoncé était de 52%, ce que la source a décrit comme proche d’un tirage à pile ou face.

L’accès reste limité. BFL indique que Video et Action sont en accès anticipé, que l’accès à Image suivra, et que les poids ouverts arriveront en dernier. Ce déploiement par étapes signifie que l’évaluation externe dépendra du calendrier de mise à disposition d’un accès plus large, des détails du modèle et des poids.

BFL a publié des documents supplémentaires via l’annonce de FLUX 3, le billet technique FLUX 3 x mimic et l’article Self-Flow.