Black Forest Labs (BFL) は、単一のアーキテクチャ内で画像、動画、音声から学習するよう設計されたマルチモーダル基盤モデル FLUX 3 を発表した。同社はこれを、1つの共有された重みセットから動画、音声、動作予測を提供する初の FLUX モデルだと説明している。

BFL の研究チームは、このモデルが「単一のモダリティだけでは世界を完全に記述できない」という見方に基づいているとしている。画像はある一瞬の空間構造を捉え、動画は時間と物理的ダイナミクスを加え、音声は機械的な出来事と音の因果関係を明らかにし得る。BFL の枠組みでは、各モダリティは同じ基礎的現実の損失を伴う投影と位置付けられている。

これらのモダリティを同時に横断して学習することで、BFL はデータソースが相互に制約し合うとしている。つまり、音は衝突に対応していなければならず、動きは質量と整合していなければならない。研究チームは FLUX 3 を、この原則を全面的に中心に据えて構築した初のモデルと呼んでおり、共有重み設計により、BFL が同じバックボーンをロボット動作予測に適用していることから、メディア生成を超えた関連性も持つとしている。

基盤となる手法としての Self-Flow

FLUX 3 は、1つのアーキテクチャ内でマルチモーダル生成と理解を整合させる BFL の手法である Self-Flow を基盤としている。Self-Flow は、フローマッチング目的と自己教師あり特徴再構成目的を組み合わせる。

GitHub 上のリファレンス実装 は Apache-2.0 の下で公開されており、トークンごとのタイムステップ条件付けを備えた SiT-XL/2 を使用している。学習ではトークンごとのマスク比率 25% を用い、layer 20 の EMA teacher から layer 8 の student への自己蒸留を使用する。

公開済みのそのチェックポイントは ImageNet 256×256 の研究モデルであり、FLUX 3 ではない。BFL は、同じアプローチを用いて動画、画像、音声を同時に対象とする FLUX 3 を学習するために「計算資源とデータリソースを大幅にスケールアップした」と述べている。Self-Flow は 2026年3月に導入されたため、この手法自体は今回のリリースで新しく登場したものではない。BFL は新しい要素をスケールだと位置付けている。

FLUX 3 Video の機能

FLUX 3 Video は、1回の生成で最大20秒のクリップを生成でき、ネイティブ音声を含む。サポートされるモードには、テキストから動画、画像から動画、参照クリップからの動画から動画、制御された遷移のためのキーフレームから動画、入力動画と音声からの生成的な動画・音声継続が含まれる。

BFL はまた、システムの機能として、多言語対話、クリップをマルチショットシーケンスへつなぐエージェント的チェイニング、アニメーションデザインを伴う高度なタイポグラフィ生成を挙げている。同チームは、人間の表情生成と、音を物理的事象に関連付ける点で特に強みがあると報告している。これらは、時間的一貫性と音声・動画の整合性が、生成クリップに対するユーザーの知覚において中心的な役割を果たす領域だ。

BFL によると、動画予測は学習計算量の 95% 超を占める一方、音声はトークンの 0.5% 未満にとどまる。同社はまた、同じバックボーンが、1台の RTX 5090 上で 80 ms 未満で動作するロボットポリシー FLUX-mimic を支えているとしている。

予備的な性能結果

BFL は、音声付き 720p の10秒テキスト動画クリップを用いた予備的な人間の選好結果を公表した。これらの比較では、FLUX 3 は Luma Ray 3.2 に対して 93% のケースで、Runway Gen-4.5 に対して 77% のケースで好まれた。

Grok Imagine Video に対して、BFL は最大 69% の選好率を報告した。報告された数値は、Kling v3 Pro に対して 60%、Happy Horse v1 に対して 59%、Happy Horse 1.1 に対して 57% だった。Seedance 2.0 と Gemini Omni Flash に対する報告結果は 52% で、情報源はこれをコイントスに近い結果と説明している。

アクセスは引き続き制限されている。BFL によると、Video と Action は早期アクセス段階にあり、Image アクセスが続き、オープンウェイトは最後に提供される。この段階的な展開により、外部評価は、より広範なアクセス、モデルの詳細、重みがいつ利用可能になるかに左右されることになる。

BFL は追加資料として、FLUX 3 の発表、FLUX 3 x mimic の技術投稿、および Self-Flow 論文 を公開している。