Black Forest Labs zaprezentowało 23 lipca 2026 roku FLUX 3 – nowy multimodalny model foundation, który wspólnie uczy się obrazu, wideo i audio. To duża zmiana względem wcześniejszych generacji FLUX kojarzonych przede wszystkim z generowaniem obrazów. FLUX 3 Video potrafi tworzyć materiały audiowizualne o długości do około 20 sekund z natywnie generowanym dźwiękiem, a ta sama architektura ma być rozwijana również pod computer use i robotykę.
Jeśli śledzisz generatory obrazu i wideo, zwróć uwagę na jedno: 23 lipca FLUX 3 wszedł do ograniczonego Early Access, a nie do pełnej publicznej dostępności. Black Forest Labs pokazuje jednak kierunek, w którym osobny model do grafiki, osobny do filmu i osobny do audio zaczynają być zastępowane jednym systemem uczącym się relacji pomiędzy tymi modalnościami. Dla porównania możesz zajrzeć do naszego przewodnika po Runway Gen-4, gdzie generowanie wideo jest nadal przedstawione jako osobna klasa narzędzi.
- FLUX 3 – co dokładnie zmienia nowa generacja?
- Obraz, ruch i dźwięk w jednym modelu
- Od generowania filmów do Physical AI
FLUX 3 – co dokładnie zmienia nowa generacja?
Black Forest Labs opisuje FLUX 3 jako „real world model”, czyli system, który ma uczyć się wspólnej reprezentacji świata zamiast traktować obraz, film i dźwięk jak trzy niezależne zadania. Obraz pozwala zrozumieć strukturę sceny, wideo dodaje ruch i relacje czasowe, a audio wnosi informacje o zdarzeniach i ich skutkach. W praktyce model ma lepiej rozumieć, że ruch konkretnego obiektu powinien wywoływać określony dźwięk i że oba elementy muszą pozostać zsynchronizowane.
| Element FLUX 3 | Co ma oferować |
|---|---|
| FLUX 3 Video | Generowanie klipów do ok. 20 sekund razem z natywnym audio. |
| FLUX 3 Image | Nowa generacja obrazu oparta na wspólnej architekturze multimodalnej. |
| FLUX 3 Dev | Zapowiedziany wariant open-weight przeznaczony dla developerów. |
| FLUX-mimic | Rozwinięcie architektury w stronę modeli video-action do robotyki. |
W dniu ogłoszenia najbardziej zaawansowane funkcje nie były jeszcze szeroko dostępne. BFL uruchomiło Early Access, zapowiadając stopniowe rozszerzanie dostępu do poszczególnych wariantów. To istotne przy opisywaniu premiery: FLUX 3 jest już realnym modelem i działa w ograniczonym dostępie, ale część ekosystemu nadal znajduje się na etapie wdrożenia.
Obraz, ruch i dźwięk w jednym modelu
Najbardziej praktyczna zmiana dotyczy generowania wideo z dźwiękiem. Dotychczas często trzeba było wygenerować film, a następnie osobno przygotować muzykę, efekty lub dialogi. Model uczony wspólnie na obrazie, wideo i audio ma szansę lepiej synchronizować zdarzenia wizualne z warstwą dźwiękową. To nie oznacza jeszcze automatycznie jakości produkcyjnej w każdym przypadku, ale kierunek jest wyraźny.
- AI do generowania filmów z dźwiękiem – jeden model odpowiada za obraz, ruch i audio.
- AI do reklam wideo – krótkie materiały promocyjne generowane z promptu.
- Model AI do wizualizacji – sceny, koncepty i symulacje zachowania obiektów.
- AI do generowania obrazu – rozwinięcie dotychczasowej rodziny FLUX.
- Multimodalny model świata – wspólne uczenie relacji między różnymi typami danych.
Jeżeli interesuje Cię sam segment text-to-video, dobrym uzupełnieniem będzie również artykuł co to jest Sora i jak działa generowanie filmów AI. FLUX 3 pokazuje kolejny etap: model nie ma już tworzyć wyłącznie sekwencji klatek, ale bardziej kompletną scenę audiowizualną.
Od generowania filmów do Physical AI
Najbardziej zaskakujący element premiery dotyczy robotyki. Black Forest Labs razem z mimic robotics wykorzystuje wczesną wersję FLUX 3 do budowy FLUX-mimic, modelu video-action testowanego na robotach wdrażanych m.in. w środowisku Audi. Założenie jest logiczne: model, który dobrze rozumie ruch obiektów i skutki działań w świecie, może być użyteczny nie tylko do generowania filmu, ale również do przewidywania tego, co robot powinien zrobić dalej.
To sprawia, że FLUX 3 warto obserwować nie tylko jako model AI do generowania wideo. Naturalne rozwinięcia tego tematu to AI do filmów z dźwiękiem, multimodalny model AI, model świata AI, AI do robotyki oraz pytanie jaki model AI wybrać do generowania wideo. Właśnie na styku generative media i Physical AI ta premiera wygląda najciekawiej.
Źródła
News powstał w oparciu o oficjalne materiały Black Forest Labs, komunikat prasowy producenta oraz niezależne doniesienia branżowe opisujące zakres Early Access i możliwości FLUX 3.
