Flux 3: Niemiecki startup Black Forest Labs rzuca wyzwanie gigantom wideo AI

Wielozadaniowa moc z Niemiec

Niemiecki startup Black Forest Labs (BFL) zaprezentował Flux 3 – multimodalny model bazowy, który stanowi istotny krok w ewolucji generatywnej sztucznej inteligencji. W przeciwieństwie do dotychczasowych rozwiązań, które traktowały obraz, dźwięk i wideo jako odrębne silosy danych, Flux 3 uczy się ich jednocześnie. Efektem jest zdolność do generowania 20-sekundowych materiałów wideo z natywną ścieżką dźwiękową, co stawia projekt BFL w ścisłej czołówce rynkowej obok takich graczy jak Luma czy Runway.

To ważny moment, ponieważ Black Forest Labs wprowadza ujednoliconą architekturę, która łączy obraz, wideo i audio w ramach jednego systemu. Pozwala to na uniknięcie efektu – jak to określają eksperci – nakładania dźwięku w postprodukcji. Zamiast tego, jak podaje firma, „FLUX 3 wspólnie uczy się z obrazów, wideo i dźwięku w ramach zintegrowanej architektury”, co jest fundamentem budowy modeli rozumiejących fizykę świata.

Kluczem do sukcesu okazała się autorska architektura Self-Flow. Wykorzystuje ona multimodalne transformery z dedykowanymi koderami i dekoderami, które sprowadzają różne typy danych do wspólnej reprezentacji wewnętrznej. Twórcy argumentują, że dźwięk pozwala modelowi lepiej zrozumieć powiązania między zdarzeniami. Dzięki temu Flux 3 wykazuje wyjątkową sprawność w synchronizacji odgłosów z ruchem oraz w oddawaniu mimiki ludzkiej twarzy w rozdzielczościach 480p i 720p.

Od wirtualnych pikseli do hal fabrycznych

Ambicje Black Forest Labs wykraczają poza branżę kreatywną. Startup definiuje Flux 3 jako krok w stronę „wizualnej inteligencji świata rzeczywistego”. Model nie tylko generuje treści, ale potrafi przewidywać akcje w przestrzeni fizycznej. Ta funkcjonalność legła u podstaw Flux-mimic – wariantu opracowanego z Mimic Robotics. Rozwiązanie to przechodzi testy w zakładach Audi, gdzie wspiera procesy produkcyjne, udowadniając, że te same fundamenty matematyczne mogą sterować zarówno wideo, jak i ramieniem robota.

Wyniki i model dystrybucji

Wewnętrzne testy sugerują, że Flux 3 radzi sobie dobrze na tle konkurencji. W ślepych testach algorytm był preferowany nad Luma Ray 3.2 w aż 93 proc. przypadków, a w starciu z Runway Gen-4.5 wygrywał w 77 proc. Choć wyniki te pochodzą bezpośrednio od producenta, fakt nawiązania walki z narzędziami z Hollywood świadczy o potencjale technologii. Wideo z natywnym dźwiękiem to detal, nad którym warto się pochylić – to dźwięk generowany wraz z obrazem, a nie dodawany później.

Spółka wdraża funkcje etapami. Moduł wideo jest już dostępny w early access, a w najbliższych tygodniach zadebiutuje Flux 3 Image. Zgodnie z tradycją firmy, można spodziewać się udostępnienia otwartych wag w ramach edycji Flux 3 Dev, co pozwoli społeczności na własną optymalizację narzędzia.