FLUX 3 把图像、视频、音频和动作预测合到一个模型里
GabGarrett · x · 2026-07-24
Black Forest Labs 发布 FLUX 3，把图像、视频、音频和动作预测放进同一个多模态模型里。帖子称 FLUX 3 Video 已进入早期访问阶段，且整套能力是用统一架构联合训练出来的。
更值得注意的是它的外延方向：团队明确提到模型可以继续扩展到动作预测，并在线程里提到与 Mimic、Audi 的合作，暗示这套多模态骨干也可走向机器人场景。
所属事件:Black Forest Labs 发布 FLUX 3：迈向全模态与具身智能底座(28 条相关)→
「具身」频道最新
- 亚马逊谷歌卖出6亿台音箱,AGI 时代为何无人再造智能音箱 — julianlehr · 2026-09-11
- ECCV26 口头论文：流匹配实现多视角点云配准 — ducha_aiki · 2026-09-11
- 波兰开发者做 iPhone 应用 可探测附近的 Meta 智能眼镜 — Low-Honeydew6483 · 2026-09-11
- 蚂蚁阿福用户达 1.5 亿，外滩大会展示 AI+硬件健康管理联盟 — APPSO · 2026-09-11
- JHU 开设全栈机器人学习课:组装机械臂、采数训练部署一条龙 — _krishna_murthy · 2026-09-11
- SyncWorld:少量视觉校准即可零样本模拟机器人跨视角交互 — ChongZzZhang · 2026-09-11