Black Forest Labs (BFL) は2026年11月16日(現地時間)、ピクセル、動き、音響信号から人工汎用知能 (AGI) を学習させるという自社の取り組みを詳述した。同社は、最新モデル「FLUX 3」がこれら3つの信号を統合して学習することで、より高度な「視覚的知能」を構築すると主張している。共同発明者であるアンドレアス・ブラットマン氏は具体的な例を挙げ、動画と音響が静止画だけでは捉えられない奥行きをもたらすことを示唆した。

アンドレアス・ブラットマン (Andreas Blattmann) 氏とダスティン・ポデル (Dustin Podell) 氏が率いるBlack Forest Labs (BFL) は、人工汎用知能 (AGI) の構築において、視覚情報に加えて動きと音響情報の統合学習を重視している。これは同社が開発した画像生成モデル「FLUXシリーズ」の最新版である「FLUX 3」に適用されている。ブラットマン氏は、ボールを投げられた際に手が動き出す予測行動を例に挙げ、静止画では位置しか示せないが、動画はそこに至るまでの過程を、音は接触の瞬間を伝えうると説明した。

動画におけるカメラの動きも重要な学習源となる。カメラがある人物の周りをパンする際、モデルは最終的にその人物の後頭部を予測する必要がある。ブラットマン氏は、通常の2次元動画が、物体が異なる角度からどのように見えるかに関する豊富な証拠を含んでいると考えている。このアプローチは、フレーム単位での見栄えだけでなく、動画全体の時間的整合性 (temporal consistency) を向上させる上で重要となる。BFLの動画アップスケーラーは「FLUX 3」のバックボーンから派生している。

トレーニング計算資源の投資先について、ダスティン・ポデル氏は初期の「FLUX Kontext」実験を例に挙げた。帽子をかぶった犬を描ける画像モデルは、帽子の配置に関する知識を持っているはずだと同氏は推測した。関係性を示すラベル付けされた少量の写真データセットで数時間のトレーニングを行った結果、モデルはシャツにロゴを配置できるようになった。この実験から得られた知見は、後の数カ月にわたるデータとモデル開発に繋がった。ポデル氏はまた、FLUXを利用して古い家族写真を修復し、家族に見せるというユーザー事例を挙げ、編集やフレーム間で個人のアイデンティティを維持することの重要性を強調した。


参考: Latent Space (アーカイブ) — 2026年11月17日 06:38 (JST)

原文ハイライト

"BFL’s argument for training FLUX 3 on the three signals together."

この記事をシェア
X はてブ LinkedIn