靠文生图立足的 Black Forest Labs（BFL）在 2026 年 9 月 24 日（技术报告标注为 9 月 23 日）把手伸向了机械臂。
团队正式上线专为机器人控制设计的开源世界-动作模型 FLUX 3 Action。官方给出的数字极为扎眼：参数量仅 70 亿（7B），不到此前最佳开源模型 Cosmos3-Nano-Policy（16B）的一半，却在 NVIDIA RoboLab-120 模拟基准测试中刷出第一名，宣称运行速度最高提速 3.95 倍，权重已在 Hugging Face 开源。
做视觉生成的黑马跨界做硬件控制，听起来像是一次降维打击。但在具身智能领域，把视频像素生成当成物理动作预测，真能跑通吗？
拿生图模型控机械臂，BFL 赌的是什么
传统具身智能面临严苛的两难：大推理模型长于分步规划，但体积庞大、推理延迟动辄数秒，根本无法匹配毫秒级的电机控制；端侧策略网络响应极快，却缺乏泛化与物理常识。
BFL 押注的是世界-动作模型（World-Action Model）。它放弃了分步符号规划，直接借用视频生成架构，让模型在预测未来环境演化的同时，联合输出机器人该执行的物理动作。
这个 7B 模型的底层是 Diffusion Transformer，结构中嵌套了冻结的视频 VAE 以及冻结的 Qwen3-VL-4B 指令编码器。其独特之处在于动作 token 与视频 token 处于同一空间内同步联合去噪，模型单次直接吐出包含 32 个动作的 chunk，在 15Hz 的控制频率下覆盖未来 2.13 秒的推演视界。
它的预训练数据里超过 95% 是视频 token。中训阶段则塞入了对齐动作的游戏录屏、第一人称手部视频、手持夹爪数据，以及覆盖 14 种机器人实体的遥操作轨迹。除了操控机械臂，BFL 还想顺手把这套逻辑推向游戏导航和计算机操作代理。
画出未来两秒的画面，并不等于学会了现实两秒的力学。
榜首背后的偏科账单
在 NVIDIA RoboLab-120 基准测试里，FLUX 3 Action 以 515/1,200 的胜场拿下了 42.9%（官方报告为 42.92%）的胜率，力压 16B 对手 Cosmos3-Nano-Policy 的 36.8%，净胜 74 次。
表面上看这是轻量化架构的完胜，但如果把测试维度拆开，偏科迹象显而易见。
| 任务评估维度 | FLUX 3 Action (7B) | Cosmos3-Nano (16B) | 差距分析 |
|---|---|---|---|
| 整体任务胜率 | 42.9% (515/1200) | 36.8% (441/1200) | 胜率提升 6.2 个百分点 |
| 简单任务成功率 | 49.1% | 较低 | 基础动作执行稳健 |
| 复杂长程任务 | 28.2% | 偏低 | 规划能力随步数锐减 |
| 视觉感知类 | 35.6% | 26.1% | 视觉优势扩大 9.5 个百分点 |
| 空间关系推理 | 49.5% | 49.3% | 二者持平，几无代际增量 |
FLUX 最大的领先优势集中在视觉感知类任务，高出对手 9.5 个百分点。但在涉及物体相对方位、遮挡处理和空间交互的关系推理类任务上，FLUX 录得 49.5%，与对手的 49.3% 几乎完全持平。
当面对复杂任务时，其成功率直接滑落到 28.2%。这暴露出扩散视频模型跨界的先天局限：强大的视频生成先验让它极擅长辨识画面语义，但在缺乏明确三维几何标定的前提下，光靠像素自回归，并不能凭空生出高阶空间推理能力。
速度与显存的现实引力
宣传把 7B 包装成适合端侧小设备部署的典范，但工程底细经不起细抠。
官方称运行速度最高提升 3.95 倍。翻看技术报告，这一数据是在 B200、H200、RTX 6000 Pro 及 RTX 5090 等硬件上测得的峰值区间（1.52 倍至 3.95 倍）。在报告重点展示的 B200 芯片示例中，蒸馏版 FLUX 块延迟为 101.71 毫秒对 Cosmos 的 320.40 毫秒，实际加速倍率约为 3.15 倍。
更严峻的是延迟压缩所付出的精度代价。在 B200 的 FP8 格式下，标准 4 步引导推理的中位延迟为 182 毫秒；如果采用极速的 1 步无引导方案，延迟确实能压到惊人的 32.29 毫秒，但 RoboLab 基准成功率会从 42.24% 径直跌到 37.92%。
而在显存占用上，落差更加刺眼。在基准测试页面中，FLUX 评测配置标注显存占用高达 69 GB，反而远高于 16B 对手的 40 GB。
技术说明解释，这是未经深度裁切的标准状态；如果采用 BF16 DROID 策略，在 H200 上需约 32 GB；必须经过 FP8 量化并卸载文本编码器，才能勉强塞进 24 GB 消费级显卡。指望把它原汁原味丢进低成本机器人板载控制器，目前仍不现实。
- 风险.端侧控制器的算力与散热预算极其严苛，离开数据中心高端卡，模型需要承受量化、蒸馏与精度骤降的连环损耗。
从实验室演示到真实碰撞
古人讲纸上得来终觉浅，绝知此事要躬行。仿真测试与受控演示，从来抹不平物理世界的不确定性。
在物理真机验证环节，Positronic Robotics 在 Franka 机械臂上设置了 10 个单物品桌面任务，双盲测试下 FLUX 录得 28/30 次成功（Cosmos 3 Nano 为 27/30）。30 次测试看似过关，但样本量太小，且局限于单物品、受控光照的整洁桌面。
真正的麻烦在开源社区爆发。有第三方开发者尝试将模型部署到低成本开源机械臂 SO-101 上，随即遭遇坐标系与 LeRobot 校准失配。机械臂在初测时直接撞击台面停机；即便手工纠偏后，最终依然未能完成有效抓取。
多相机视角的空间几何校准向来异构而脆弱，纯视觉驱动的模型缺乏物理层面的力觉闭环与统一空间参照，遇到非标硬件便立刻现形。
此外，社区对开源成色同样存疑。FLUX 3 Action 采用限制性商业授权 FLUX Kommunity License v1.0，明文限定只有年化营收低于 500 万美元的机构可进行有限商业应用，并非纯粹的无限制开源协议。更让工业界棘手的是，官方并未公开极速版的蒸馏训练方案，外部团队即便拿到权重，也很难自主复现极致低延迟的控制策略。
- 结论.对于具身智能集成商与算法团队而言，当前该模型更适合作为多机位高视觉特征提取的研究基座，短期内切忌直接套入工业场景的物理闭环。
视频扩散模型确实为具身智能注入了强大的视觉感知能力，但工业机器人真正需要的是高达 99.9% 的确定性执行。生成漂亮的未来画面只是第一步，面对刚度、摩擦力与杂乱现实，光有像素远远不够。