ブラックフォレスト・ラボ (Black Forest Labs) は2026年7月23日(現地時間)、画像、動画、音声、およびアクション予測モダリティを統一アーキテクチャで統合学習するマルチモーダル基盤モデル「FLUX 3」を発表した。FLUX 3は、生成メディアからロボティクスまで、あらゆる視覚的創作に現実世界の一貫した理解をもたらす。同モデルは、視覚AIモデル「FLUX」ファミリーの最新版として、一部機能の早期アクセス提供を開始した。
FLUX 3は、ブラックフォレスト・ラボの「Self-Flow」アプローチに基づいて構築されており、マルチモーダルな生成と理解を同一の基盤アーキテクチャ内で効率的に整合させる。同社のテストでは、ジェネレーティブ動画生成とアクション予測が個別の基盤を必要とせず、動画から学習した機能を犠牲にすることなく、同一の基盤アーキテクチャをアクション予測に拡張できることが示された。
ブラックフォレスト・ラボの共同創設者兼CEOであるロビン・ロンバッハ (Robin Rombach) 氏は、画像のみを学習するモデルは画像を生成できるだけだが、世界は静止画で構成されているわけではないと述べ、FLUX 3が複数の信号から同時に学習することで、世界の仕組みを深く理解できるとの見解を示した。FLUX 3は、同期音声付き動画生成、精確な画像編集、動作を通じた製品・素材の一貫性維持、ロボティクス向けアクション予測など、クリエイティブツール、メディア、デザイン、e-コマース、フィジカルAIを含む幅広いアプリケーションをサポートする。
FLUX 3は現在、Canva、Burda、Magnific、Krea、Picsartなどの企業でテストが進められている。特にFLUX 3 Videoは、フロンティア動画モデルとの早期評価で優位性を示しており、人間の顔の表情の捉え方、物理イベントと音の関連付け、多言語機能に強みを持つ。さらにブラックフォレスト・ラボはミミック・ロボティクス (mimic robotics) と共同で、FLUX 3を基盤とする動画アクションモデル「FLUX-mimic」を発表した。FLUX-mimicは現在、Audiなどの大手製造会社でテストおよび導入が進められており、ロボットが視覚シーンを理解し、アクションの結果を予測し、少ないタスク固有データで新しいタスクに適応できるよう設計されている。mimic roboticsのCTOであるエルビス・ナバ (Elvis Nava) 氏は、FLUX-mimicが新しいタスクを数分で習得できると述べている。
FLUX 3 Video（オプションのネイティブ音声生成付き）とFLUX 3 Actionは現在早期アクセスで提供されており、FLUX 3 Imageは数週間以内に展開される予定である。開発者やチームはアクセスを申請でき、その後一般公開される。ブラックフォレスト・ラボは、今年後半にFLUX 3のより高速なオープンウェイト版をリリースする予定であり、これは同社が長年掲げるテクノロジーをオープンに構築・共有する信念に基づくものである。
参考: globenewswire.com (アーカイブ) — 2026年7月24日 00:00 (JST)
原文ハイライト"Jointly trained across image, video, audio, and action prediction modalities within a unified architecture"