FLUX 3 - Real World Models: Towards Multimodal Flow Models as the Backbone of Visual Intelligence
Black Forest Labs は、画像・動画・音声を統合的に学習して単一のビジュアルインテリジェンスを構築するマルチモーダル基盤モデル FLUX 3 を発表した。最長20秒のネイティブ音声付き動画の生成、多様なスタイルでの画像生成と編集、ロボット操作などに向けた行動予測が可能である。同社によれば、初期評価では競合の動画生成モデルを上回ったという。各機能は動画・画像・行動予測のアーリーアクセスを通じて段階的に提供される。
Black Forest Labs 公式ニュースルームで全文を読む ↗