8月5日，以开源图像模型FLUX系列闻名业界的德国AI实验室Black Forest Labs，正式向公众开放其视频生成模型FLUX 3 Video。该模型单次可生成最长20秒、原生1080p分辨率并带有同步音频的视频，在官方公布的人工评测中，表现优于字节跳动的Seedance 2.0和MiniMax的H3等竞品。
一、统一架构：从“生成图片”到“理解世界”
FLUX 3并非一个孤立的视频模型，而是一个采用统一架构、联合学习图像、视频和音频的多模态基础模型。其核心设计理念在于：只有同时学习多种模态，模型才能建立对物理世界的深层认知，而非仅仅生成风格化的像素。
正如Black Forest Labs联合创始人兼CEO Robin Rombach所言：“一个只学习图像的模型只能生成图像”，而从视频和音频中学习能迫使模型构建关于物体如何运动、事件如何发声的工作表征。基于此理念，FLUX 3 Video在视频生成中展现出多项能力：
多语言对话与唇形同步：支持英语、中文、西班牙语、日语、印地语等十余种语言，并能生成带自然口音的对白与精准的唇形同步。
多镜头叙事：支持在同一生成请求中串联多个场景和镜头角度，实现连贯的叙事。
精准文字渲染：能将指定文字作为场景的自然组成部分生成于画面中。
二、性能领跑：人工评测胜率全面占优
在官方公布的人工评测数据中，FLUX 3 Video在多个维度上展现出对现有竞品的优势：
| 对比模型 | 文生视频胜率 | 图生视频胜率 |
|---|---|---|
| Luma Ray 3.2 | 93% | — |
| Runway Gen-4.5 | 77% | — |
| Grok Imagine Video | 69% | — |
| Kling v3 Pro | 60% | — |
| Seedance 2.0 | 52% | 52% |
| Gemini Omni Flash | 52% | — |
| MiniMax H3 | 53% | 52% |
在文本生成视频的单项评分中，FLUX 3 Video获得1,135分，超过Gemini Omni Flash和MiniMax H3；在图片生成视频方面，其1,051分的成绩同样超越了Seedance 2.0和MiniMax H3。需要注意的是，这些数据来源于开发方公布的人工评测，独立第三方的系统性基准测试尚未发布。
三、草稿模式与定价：降低创作迭代成本
FLUX 3 Video的一个独特设计是“草稿模式”（Draft Mode）。用户可以先以极低成本快速生成一个预览版本迭代创意，满意后再让模型以完整质量渲染出与预览版本保持相同构图和动作的最终视频。该模式旨在解决视频生成“高昂试错成本”的痛点，让创作者敢于探索不同方向。
模型按视频时长计费，三种模式对应不同价格梯度：
| 模式 | 分辨率 | 文生/图生视频(每秒) | 视频续写(每秒) |
|---|---|---|---|
| 草稿模式 | 720p | $0.06 | $0.12 |
| 常规生成 | 720p | $0.17 | $0.43 |
| 常规生成 | 1080p | $0.29 | $0.54 |
四、物理AI延伸：从内容创作到机器人控制
FLUX 3的战略布局不止于内容生成。Black Forest Labs正与机器人公司mimic合作，基于FLUX 3的视频骨干网络开发FLUX-mimic视频动作模型，用于预测机器人动作。
据披露，该模型已在奥迪工厂生产线上开展测试，用于柔性材料（如车门密封条）的安装等此前难以自动化的任务。系统响应速度约为101毫秒，据称接近人类反射水平，部分任务仅需约30分钟的机器人数据即可完成微调。这一布局意味着FLUX 3的潜力远不止作为创意工具，更有可能成为连接数字世界与物理世界的通用多模态引擎。
五、可用性与路线图
FLUX 3 Video现可通过BFL API及OpenRouter等合作伙伴平台使用。Black Forest Labs已公布后续路线图：未来几周内将推出FLUX 3 Image用于图像生成与编辑，并计划在今年晚些时候发布开权重版本FLUX 3 Dev。开发者已确认，后续还将为FLUX 3 Video增加2K和4K分辨率支持。
FLUX 3 Video的发布标志着视频生成赛道的竞争已从“能生成”全面转向“生成得好、生成得长、生成得可控”。其草稿模式精准击中了创作者在视频生成中的核心痛点——高昂的试错成本。而Black Forest Labs将视频生成、音频合成乃至机器人动作预测纳入同一架构的战略，则为“世界模型”的商业化落地提供了一个值得关注的范本。对于视频创作者而言，FLUX 3 Video的出现，意味着又多了一个能在真实工作流中发挥作用的生产力工具。