FLUX 3 è il foundation model multimodale di Black Forest Labs: una sola architettura, addestrata insieme su immagini, video e audio, da cui il lab ricava generazione, editing e predizione di azioni. Non è tre prodotti cuciti dietro lo stesso nome. È un checkpoint verso quella che il lab chiama visual intelligence, cioè modelli che percepiscono, predicono e agiscono.
L’annuncio è del 23 luglio 2026. Il rollout è a fasi. Il video è in API dal 4 agosto, l’immagine dal 1 ottobre, la variante robotica open-weight dal 23 settembre. Il backbone aperto FLUX 3 Dev è ancora in roadmap.
Self-Flow, un peso per tre modalità
FLUX 3 poggia su Self-Flow, il metodo con cui Black Forest Labs allinea generazione e comprensione dentro la stessa architettura di flow matching. L’idea è che immagine, video e audio siano proiezioni della stessa scena: il suono deve coincidere con l’impatto, il moto con la massa, il frame successivo con quello precedente.
Il lab ha scalato compute e dati su questa base: decine di milioni di ore di video generico e centinaia di migliaia di ore di manipolazione umana e robotica, oltre a immagini e audio. Il numero di parametri del modello frontier non è stato pubblicato. La variante Action, derivata, è da 7B.
Video fino a 20 secondi, audio incluso
Dal 4 agosto FLUX 3 Video è disponibile via API e partner. Un solo request produce clip fino a 20 secondi, a 24 fps, con audio nativo: dialogo, effetti e ambience insieme ai frame. Le lingue citate includono inglese, cinese, spagnolo, francese, tedesco, giapponese, portoghese, russo, italiano, indonesiano, turco, hindi e punjabi, con lip-sync. Le modalità sullo stesso endpoint POST /v1/flux-3-video sono text-to-video, image-to-video con 1–10 keyframe, continuazione video e draft enhance. Dal 10 settembre la risoluzione accetta anche qhd e uhd, quindi 2K e 4K senza un upscale separato. I rapporti vanno da 21:9 a 9:16.
Le preferenze umane dell’annuncio sono preliminari, su clip da 10 secondi a 720p con audio, e il lab dice di aspettarsi miglioramenti. In quel set FLUX 3 è stato preferito a Runway Gen-4.5 nel 77% dei confronti e a Luma Ray 3.2 nel 93%. Gli altri tetti dichiarati: fino al 69% contro Grok Imagine Video, 60% contro Kling v3 Pro, 59% contro Happy Horse v1, 57% contro Happy Horse 1.1, 52% contro Seedance 2.0 e Gemini Omni Flash.
Il listino ufficiale è al secondo di output. Text e image-to-video costano 0,17 dollari/s in HD, 0,29 in FHD, 0,40 in QHD e 0,80 in UHD. Il draft HD costa 0,06 dollari/s. La continuazione video parte da 0,41 dollari/s in HD.
Image: box JSON e pixel fuori dalla maschera
Il 1 ottobre è uscito FLUX 3 Image, endpoint POST /v1/flux-3-image. Il prompt decide se generare o editare: non c’è un campo mode. Si possono passare da 1 a 10 reference, tra 256 pixel e 16 megapixel l’una, e nominarle per posizione nel testo.
I bounding box vanno in coda al prompt, non in un parametro separato. Ogni box è [top, left, bottom, right] su una griglia da 0 a 1000. Le release notes parlano di edit locali pixel-exact: ricolorare, sostituire, spostare, ridimensionare o rimuovere più elementi lasciando il resto com’era. L’output va da 768sq a 4K, circa 16 megapixel, su 15 aspect ratio. Il grounding, ricerca web e immagini prima della generazione, è attivo di default.
Prezzi di listino per immagine: 0,041 dollari a 768sq, 0,048 a 1K, 0,100 a 2K, 0,607 a 4K. Un canale terzo ha segnalato uno sconto API del 50% fino all’8 ottobre; il listino docs resta il riferimento.
Action: 7B open-weight, primo su RoboLab-120
FLUX 3 Action è un world-action model da 7B ricavato dal backbone multimodale. Legge frame, stato e istruzione, e predice insieme il chunk di azioni e i latenti video futuri. Su DROID e giochi l’orizzonte è circa 2 secondi a 15 Hz; su SO-101, 42 comandi a 30 Hz.
Sulla leaderboard RoboLab-120 il dato pubblicato da Black Forest Labs e da Hugging Face è 42,92% di successo, contro 36,8% di Cosmos 3 Nano a 16B e 28,0% di π0.5 a 3,3B. È un +6,1 punti sul precedente miglior modello aperto, con circa metà dei parametri. Sulla pagina del modello il checkpoint guidance-distilled è riportato anche a 42,2% ± 0,36; lo step-distilled a un passo resta sopra Cosmos 3 Nano, intorno al 38%. In FP8 su B200 il lab indica fino a 3,95× di real-time factor contro Cosmos 3 Nano.
I pesi sono sotto FLUX Kommunity License v1.0. Il codice su flux-action è Apache-2.0. Ci sono policy DROID (Franka, tre camere) e SO-101, integrate in LeRobot, con ricette di fine-tuning e un percorso edge su Jetson citato da Black Forest Labs. In una eval cieca di Positronic su 10 task DROID, riportata da testate di settore, FLUX 3 Action ha chiuso 28 tentativi su 30.
Il filo robotico era già nel post del 23 luglio con mimic: FLUX-mimic, video-action model provato in produzione da Audi. Action è la versione che si può scaricare e adattare.
Cosa manca ancora
Il FLUX 3 Dev open-weight, promesso per content creation e action prediction, non è stato rilasciato. Il parametro count del modello video/image non è pubblico. Le preferenze umane sono early-access, non una leaderboard indipendente a parità di prompt, durata e risoluzione. Un clip UHD da 20 secondi, a 0,80 dollari al secondo, costa 16 dollari prima di eventuali retry.
Per chi fa still e layout, Image è già usabile: box, reference e 4K nello stesso endpoint. Per chi fa shot, il video copre dialogo e multi-angolo, ma i 20 secondi restano il tetto di una generation. Per chi fa policy, Action è il primo pezzo aperto della famiglia, con una licenza community e non Apache sui pesi.
Fonti
Testo: assistito da AI · revisionato da Carlos H. P. Ross
