近日，FLUX团队正式推出新一代多模态基础模型FLUX 3并开启早期访问。该模型突破传统单一模态局限，基于自研架构在统一网络内同步学习图像、视频与音频数据，旨在构建能够准确表征物理现实的现实世界模型。通过多模态信息的相互约束，系统可精准还原物体空间结构、时间动态规律及声物因果关系。FLUX 3具备三大核心能力：视频生成支持最长20秒的高多样性输出并内置原生音频，在人脸表情捕捉、声画同步及多语言理解方面表现突出；图像合成涵盖多元风格与分辨率，复杂提示词遵循度与高精度文字渲染能力显著升级；物理AI方向已实现动作预测，并联合Mimic Robotics推出定制化机器人灵巧操控模型。早期盲测显示，FLUX 3在多项生成质量与任务完成度指标上显著优于Runway、Luma及Kling等主流竞品。团队表示，该模型目前仍处于早期迭代阶段，未来数周将按步骤开放各模块能力，期间将持续收集反馈并完成安全评测。FLUX团队正致力于将感知、动作与语言预测深度融合，下一步将发布底层技术细节，并同步推进下一代统一架构模型的研发。目前，团队已在德国与美国启动技术人才招聘。