Black Forest Labs که بیشتر با خانوادهٔ مدل‌های تصویرساز FLUX شناخته می‌شود، در ۲۳ ژوئیه ۲۰۲۶ FLUX 3 را معرفی کرد. تفاوت این نسخه با نسل‌های قبل فقط بهتر شدن کیفیت نیست؛ این شرکت می‌گوید یک مدل واحد را همزمان روی تصویر، ویدیو، صدا و پیشبینی عمل آموزش داده است. FLUX 3 همچنین نخستین مدل ویدیوی عمومی این شرکت به‌شمار می‌آید.
معماری یکپارچه یعنی چه؟#
در بیشتر خط‌لوله‌های تولید رسانه، تصویر، ویدیو و صدا مدل‌های جدا دارند و خروجی‌ها بعداً به هم دوخته می‌شوند. در رویکرد FLUX 3، همهٔ این حالت‌ها در یک معماری آموزش دیده‌اند. نتیجهٔ عملی که شرکت وعده می‌دهد این است که صدا همراه ویدیو و هماهنگ با رویدادهای روی صحنه ساخته شود: گفتگو، جلوههای صوتی و صدای محیط.
چه چیزی عرضه شد؟#
بر پایهٔ گزارش‌های منتشرشده:
- FLUX 3 Video: کلیپهایی تا ۲۰ ثانیه، با امکان صدای بومی اختیاری
- FLUX 3 Action: نسخه‌ای برای پیشبینی عمل که به رباتیک ربط دارد
- دسترسی زودهنگام: توسعه‌دهندگان و تیم‌ها می‌توانند درخواست بدهند و پس از تأیید شرکت وارد برنامه شوند
عرضهٔ عمومی هنوز زمان‌بندی روشنی نداشت. در گزارشها آمده بود نسخهٔ FLUX 3 Image طی هفته‌های آینده و نسخههای سریعتر با وزن باز در ادامهٔ سال ۲۰۲۶ می‌آیند. وزن باز مهم است چون اجرای محلی با تأخیر کم و آموزش دوباره روی دادهٔ خصوصی را ممکن می‌کند. مدل FLUX 3 Dev هم در فهرست نسخه‌ها آمده، اما جزئیات دسترسی آن در منابع من ذکر نشده بود.
