Black Forest Labs（BFL）はマルチモーダル基盤モデル「FLUX 3」を公開しました。
FLUX 3は画像、動画、音声を1つのアーキテクチャで学習し、同一の重みで動画生成、音声生成、さらにアクション予測まで行える点が特徴です。
同社は、画像は空間構造、動画は時間と物理的ダイナミクス、音声は機械的出来事と音の因果関係をそれぞれ補完すると説明しています。
そのため各モダリティを「同じ現実の損失的な投影」として扱い、相互に整合するよう学習させたとしています。
FLUX 3の基盤には、マルチモーダルの生成と理解を単一構成で整列させる「Self-Flow」を採用しています。
Self-Flowはフローマッチングと自己教師ありの特徴再構成を組み合わせ、GitHub上の参照実装ではApache-2.0で公開されています。
BFLは、動画は最大20秒のクリップを音声付きで生成できるとし、テキストからの動画生成や画像からの動画生成、参照クリップからの動画生成、キーフレームからの制御生成、入力動画と音声の継続生成に対応するとしています。
また、人の表情や音と物理イベントの結び付けが強みだと報告しました。
予備的な人間の嗜好評価では、10秒のテキスト対動画（720p、音声）でFLUX 3がLuma Ray 3.2に93%、Runway Gen-4.5に77%で選ばれたとしています。
一方で他モデルとの比較では52%前後まで下がるケースもありました。
同社は実験用のチェックポイントとしてImageNet 256×256の研究モデルを示し、FLUX 3では同アプローチで計算資源とデータ量を大幅に拡大したと述べています。
参照元：2026/07/27 「Black Forest Labs Releases FLUX 3: A Multimodal Flow Model for Image, Video, Audio and Robot Action Prediction」 https://www.marktechpost.com/2026/07/26/black-forest-labs-releases-flux-3-a-multimodal-flow-model-for-image-video-audio-and-robot-action-prediction/
この記事へのリアクション
このニュースをどう受け止めましたか？
コメント