FLUX 3 多模態 AI 模型登場：支持單次生成 20 秒多樣化視頻

Black Forest Labs 於 7 月 23 日透過官方部落格宣布，正式以 Early Access 方式推出最新一代多模態基礎模型 Flux 3。這款模型採用統一架構，能夠同時學習與生成圖像、影片及音訊，標誌著該公司在生成式 AI 領域的重要進展。Flux 3 的發布時間點緊接在 Flux 2 系列之後，模型規模與能力均獲得顯著提升。在訓練方法上，Flux 3 基於 Self-Flow（自監督流匹配）學習框架進行擴展，這種框架讓模型能夠同步處理影片、圖像與音訊的訓練任務，有別於過去多數模型分別訓練不同模態的作法。

Black Forest Labs 表示，統一的訓練方式有助於模型在不同模態之間建立更緊密的關聯，從而提升生成內容的連貫性與真實感。Flux 3 最引人注目的功能之一，是能夠在單次生成過程中輸出最長 20 秒的影片，並且影片會附帶原生音訊，不需要另外後製配樂或音效。這項能力讓 Flux 3 在影片生成領域具備明顯優勢，尤其適合需要快速產出短影音內容的創作者與企業用戶。除了基本的文生影片功能，Flux 3 還支援多種生成模式，包括圖生影片、影片生影片、輸入影片與音訊續寫、關鍵幀轉影片，以及多語言對話。此外，模型也具備多鏡頭串聯能力，可以在同一段生成內容中呈現不同視角切換，進一步提升敘事靈活性。

這些功能讓 Flux 3 不僅是單純的生成工具，更接近於一個整合型多媒體創作平台。在效能評測方面，Black Forest Labs 公布了針對 10 秒、720p 解析度且附帶音訊的影片進行的人工評測結果。數據顯示，Flux 3 在與 Grok Imagine Video 的對比中獲得 69% 的勝率，對比 Seedance 2.0 與 Gemini Omni Flash 則各獲得 52% 的勝率。這些結果顯示 Flux 3 在主流影片生成模型中具有一定競爭力，尤其在與 Grok 產品相比時表現突出。除了影片生成，Flux 3 的圖像能力同樣不容忽視。

官方說明指出，該模型能夠完成圖像生成與編輯任務，並支援多種風格、寬高比與分辨率。這意味著使用者可以在同一模型框架下處理從靜態圖像到動態影片的完整創作流程，無需切換不同工具，大幅提升工作效率。值得注意的是，Black Forest Labs 正與機器人公司 Mimic Robotics 展開合作，探索將 Flux 3 應用於機器人行為預測模型。這項合作顯示出多模態模型在機器人領域的潛力——透過學習大量的影片、圖像與音訊資料，模型可以幫助機器人更準確地理解環境並預測下一步動作，從而提升自主決策能力。

Flux 3 目前以 Early Access 形式提供，意味著開發者與創作者可以搶先體驗這款模型的各項功能。Black Forest Labs 表示，在正式版本推出前，團隊會根據早期用戶的回饋持續調整模型表現，並逐步擴展支援的語言與應用場景。業界普遍認為，統一多模態架構將會是未來生成式 AI 的重要趨勢，而 Flux 3 的推出無疑加速了這股潮流。從技術架構來看，Flux 3 的統一學習方式不僅簡化了模型的管理與部署，也有助於降低運算成本。

傳統上，開發者需要分別訓練圖像、影片與音訊模型，再透過後製工具將結果整合；而 Flux 3 的單一模型即可同時處理三種模態，對於需要大量多媒體內容的企業而言，將能顯著減少開發時間與資源投入。此外，Flux 3 的多語言對話能力也為全球化應用鋪平了道路。無論是行銷影片、教育內容還是娛樂創作，模型都能夠根據使用者輸入的語言自動生成對應內容，並配合適當的語調與情緒，進一步縮小語言隔閡。這項特性對於跨國團隊與國際品牌尤其具有吸引力。整體而言，Flux 3 的登場不僅強化了 Black Forest Labs 在生成式 AI 領域的技術地位，也為多模態模型的實用化樹立了新標竿。

隨著 Early Access 階段的展開，業界將密切關注這款模型在真實場景中的表現，以及它如何改變影片、圖像與音訊的創作方式。未來，統一多模態架構很可能成為主流，而 Flux 3 正是這條道路上的重要里程碑。