Flux 3 增加原生音频——它能否在视频大战中击败 Kling？
黑森林实验室发布了 flux 3，一种可生成长达 20 秒带原生音频视频的多模态模型，在内测中击败了 luma 和 runway。这加速了向统一世界模型的竞赛，可同时处理机器人技术和电影级生成。
Black Forest Labs 发布了 Flux 3，一种多模态基础模型，可以同时对图像、视频和音频进行训练，以生成带有原生声音的 20 秒剪辑。使用 10 秒 720p 剪辑进行的内部评估表明，该模型的表现明显优于 Luma Ray 3.2（赢得 93% 的比较）和 Runway Gen-4.5（赢得 77%），而与 Kling V3 Pro 相比则优势较小（60%）。除了内容生成之外，BFL 还推出了 Flux-Mimic，这是一种目前在奥迪（Audi）进行生产测试的动作模型扩展，基于视频理解预测机器人运动。该架构利用专用的编码器和解码器来创建对现实的共享表示，使 BFL 能够通过在单个系统中统一感知、预测和动作，与 DeepMind 和其他顶级实验室的“世界模型”努力竞争。