Black Forest Labs 最新发布的 Flux 3 模型，首次将原生音频与视频生成能力整合，标志着多模态基础模型的新进展。
发生了什么
Flux 3 是一个多模态基础模型，能够从图像、视频和音频中学习，并首次实现带原生声音的视频生成，最长可达 20 秒。据 Black Forest Labs 内部测试，Flux 3 在多项指标上略领先于市场领先的 Seedance 2.0，但独立评测结果尚未公布。公司还透露，Flux 3 已在机器人任务上进行测试，目标是最终构建一个世界模型。
为什么重要
此前，AI 视频生成模型通常需要后期配音或依赖外部音频模型，而 Flux 3 的原生音频能力意味着模型在训练时同时学习了视听关联，生成的视频与声音在时间、语义上更协调。这不仅是技术上的突破，也为视频生成的实际应用（如广告、短视频、游戏资产制作）提供了更完整的解决方案。同时，Black Forest Labs 明确将 Flux 3 定位为通往世界模型的一步，暗示其不仅关注生成质量，更关注模型对物理世界因果关系的理解。机器人任务的测试表明，该模型可能具备感知和预测能力，这对具身智能领域具有潜在价值。
影响与看点
Flux 3 的发布对 AI 视频生成赛道有直接冲击：Seedance 2.0 等竞品面临压力，行业可能加速整合视听生成能力。对开发者而言，原生音频降低了视频制作流程的复杂度，但模型是否开放 API 或权重尚不明确。值得关注的是，Black Forest Labs 强调“世界模型”愿景，这与 OpenAI、Meta 等公司的长期目标一致，但 Flux 3 在机器人任务上的表现仍需第三方验证。独立评测结果和模型的开源策略将是下一阶段的关键看点。
