Black Forest Labs zeigt Flux 3: ein Modell für Bild, Video, Audio und Robotik

Black Forest Labs hat am 23. Juli Flux 3 vorgestellt, ein Modell, das aus Bildern, Videos und Ton gleichzeitig lernt und daraus auch Handlungen vorhersagen soll. Die Firma nennt das Ziel „Real-World Visual Intelligence“: wahrnehmen, vorhersagen, handeln, in der digitalen wie in der physischen Welt.

Verfügbar ist bisher der Videoteil. Er erzeugt Clips bis 20 Sekunden mit passendem Ton, der im selben Durchlauf entsteht. Flux 3 Image soll in den kommenden Wochen folgen, die Handlungsvorhersage bleibt zunächst ausgewählten Partnern vorbehalten.

Die Vergleichszahlen kommen aus Nutzerbefragungen zu 10-Sekunden-Clips in 720p. Gegen Luma Ray 3.2 lag Flux 3 in 93 Prozent der Fälle vorne, gegen Runway Gen-4.5 in 77 Prozent, gegen Grok Imagine Video in 69 Prozent. Selbst durchgeführt, nicht unabhängig nachgeprüft.

Eine offene Variante ist angekündigt: Flux 3 Dev soll den multimodalen Kern mit offenen Gewichten zugänglich machen. Einen Termin dafür gibt es nicht.

Die Firma sitzt im Schwarzwald und gehörte schon mit den früheren Flux-Bildmodellen zu den wenigen europäischen Häusern, deren Modelle international ernst genommen werden. Zusammen mit dem Infrastruktur-Deal von Microsoft und Mistral ergibt das innerhalb von zwei Tagen zwei europäische Meldungen, die nicht von Förderprogrammen handeln, sondern von Produkten.

Die interessante Frage ist, ob Flux 3 Dev wirklich kommt. Wer sich für Robotik-Partner öffnet, hat plötzlich Kunden, denen offene Gewichte im Weg stehen.