Black Forest Labs(BFL)在 AI 开源界一直是一个特殊的存在。从 Stable Diffusion 核心团队离散重组到 FLUX 系列模型的迅速崛起,这家公司从未停止对视觉模型边界的试探。近日,创始人 Andreas Blattmann 与 Dustin Podell 在播客中披露了公司的下一站:不再仅仅满足于高质量图像生成,而是通过构建视觉智能,将模型推向物理世界的理解者。

FLUX 3 的发布标志着这一路径的明确化。它不再是单一维度的图像生成器,而是一个统一的多模态流匹配架构。BFL 试图通过像素、运动和音频的三位一体训练,让模型在捕捉物体运动轨迹的同时,建立起一种超越像素层面的物理感知。

FLUX 3 多模态训练算力分配 视频生成 (95%+ 算力) 音频 (<0.5%)

算力重心的非对称押注

BFL 在训练策略上的选择极为激进。在 FLUX 3 的 2 亿张图像、600 万个视频与 200 万个音视频对的庞大训练集里,视频预测占据了超过 95% 的训练算力。这种投入产出比的不平衡,反映了 BFL 对视觉智能的定义:如果你想让 AI 理解球是如何被抛出并接住的,仅靠一张定格的静态图片是远远不够的。

这种方法论被内部称为 Self-Flow。通过观察视频中物体的连续运动,模型能够提取出比单纯图像分布更深层的物理演化逻辑。音频数据虽然占比不足 0.5%,却扮演了碰撞校准器的角色——即使摄像头错过了关键帧,音频反馈也能告知模型冲击发生的准确时机。

  • 风险.目前的视频生成仍是概率统计的集大成者。学术界已有研究指出,即使模型在训练分布内表现堪称完美,一旦进入分布外的物理场景,其泛化能力往往会迅速崩溃。仅凭像素生成的逼真程度来断言其具备物理推断能力,仍处于泡沫与现实的灰色地带。

机器人控制的转码野心

相比于在创意圈内卷,BFL 对 FLUX-mimic 架构的期待更为务实:将其作为机器人控制的感知中枢。通过一个轻量级的动作解码器,FLUX-mimic 能够直接将视觉主干网络生成的物理推断结果转化为控制策略。

这在某种程度上是在挑战 OpenAI Sora 等曾试图占据的通用物理模拟器生态。尽管 Sora API 已于 2026 年 9 月永久下线,留下的市场空缺正被 FLUX 3 与 Google Veo 3.1 迅速填补。在 Artificial Analysis 的视频生成榜单中,FLUX 3 Max 已挤入前五,优于 Veo 3.1。但对于机器人行业而言,真正关心的是:在模拟器中跑通的动作指令,进入真实物理环境后,是否会因环境噪声而直接失效?

FLUX 视觉模型演进链路 静态图生成 Diffusion 范式 动态视频模型 多模态流匹配 物理实体化 动作解码接口

泡沫下的真实门槛

社区对 FLUX 的分歧始终存在。一方面是其在图像生成领域的惊艳表现,另一方面,用户对人像解剖结构不稳定的吐槽从未间断。部分开发者倾向于认为这可以通过提示词工程优化,但也有人指出,这或许是模型在安全对齐过程中遭受性能牺牲的必然结果。

对于开发者与研究员而言,关注点应从谁生成的视频更长转向底层权重与迁移效率。FLUX-mimic 是否真能像 BFL 承诺的那样,成为一个低成本的通用控制策略,将决定它能否在 2027 年的机器人自动化浪潮中拥有一席之地,而非仅仅留存在实验室的 demo 文件夹里。

  • 提醒.不要被世界模型的宏大叙事遮蔽双眼。在这一阶段,视觉智能的每一次微小进步,都极度依赖于数据标注的质量与多模态对齐的精度,而非单纯的参数堆砌。

锐评:视觉生成不仅是像素的排列组合,更是对物理世界的低保真临摹。当算力极度向视频倾斜,我们要警惕的不仅是性能的上限,更是统计学拟合取代物理规律认知的幻觉。