Black Forest Labs hat FLUX 3 veröffentlicht, ein multimodales Basismodell, das nach Angaben des Unternehmens gemeinsam aus Bildern, Videos und Audio lernt, um eine einzige Darstellung der physischen Welt zu erstellen. FLUX 3 wurde am 23. Juli 2026 angekündigt und ist jetzt im Early Access verfügbar. Es stellt eine bedeutende architektonische Abkehr vom Modell-nach-Modalität-Ansatz dar, der die generative KI dominiert und die Bilderstellung, Videogenerierung mit nativem Ton und sogar die Robotersteuerung in einem einheitlichen System zusammenfasst.

Der Start erfolgt zu einem Zeitpunkt des zunehmenden Wettbewerbs im generativen Medienbereich, in dem Akteure wie Runway, Sora von OpenAI und Veo von Google um die Produktion qualitativ hochwertigerer und leistungsfähigerer Videomodelle konkurrieren. FLUX 3 geht mit einer grundlegend anderen Prämisse in diesen Wettbewerb: dass separate Modelle für jeden Medientyp eine künstliche Einschränkung darstellen. Der Fortschritt wird im Rahmen unserer laufenden KI-Branchenberichterstattung über die generative Medienlandschaft überwacht.

Ein einheitliches Modell der Realität

In einem Blogbeitrag zur Veröffentlichung legte Black Forest Labs die theoretische Motivation für das Training eines einzelnen Modells über mehrere Modalitäten hinweg dar. Das Unternehmen argumentierte, dass keine einzelne Modalität – ob Bild, Video oder Audio – eine vollständige Beschreibung der Realität biete. Jedes ist eine Projektion derselben zugrunde liegenden physischen Welt, die von verschiedenen Sensoren erfasst wird, wobei jeder dabei Informationen verliert.

Bilder erfassen räumliche Strukturen zu einem bestimmten Zeitpunkt. Videos stellen die Dimension der Zeit wieder her und offenbaren zeitliche Dynamiken und physikalische Gesetze. Audio offenbart kausale Zusammenhänge zwischen mechanischen Phänomenen und Akustik, die das Sehen allein nicht erkennen kann. Die Sprache verknüpft diese Wahrnehmungen mit Zielen, Abstraktionen und Anweisungen, schrieb das Unternehmen.

Durch das gleichzeitige Lernen aus all diesen Faktoren liefern die gegenseitigen Einschränkungen des Modells mehr Informationen als jede einzelne Modalität allein. Der Klang muss zur Wirkung passen, die Bewegung muss der Masse gehorchen, die Zukunft muss aus der Vergangenheit folgen. Die Modalitäten hören auf, getrennt zu sein, und fangen an, Beweise für eine zugrunde liegende Realität zu sein.

FLUX 3 ist das erste Modell des Unternehmens, das vollständig auf diesem Prinzip basiert, das Black Forest Labs Self-Flow nennt – ein Ansatz zur effizienten Ausrichtung multimodaler Generierung und Verständnis innerhalb derselben zugrunde liegenden Architektur.

Videogenerierung mit nativem Audio

Die auffälligste Fähigkeit von FLUX 3 ist die Fähigkeit, Videos mit einer Länge von bis zu 20 Sekunden mit synchronisiertem nativem Audio in einem einzigen Generierungsdurchgang zu generieren. Dies unterscheidet es von den meisten bestehenden Videomodellen, die stilles Filmmaterial produzieren, das mit separat generiertem Audio gepaart werden muss.

Nach Angaben des Unternehmens eignet sich die Videoausgabe von FLUX 3 besonders gut für die Erfassung menschlicher Gesichtsausdrücke, die Verknüpfung von Geräuschen mit physischen Ereignissen und die Unterstützung mehrsprachiger Funktionen. Diese Funktionen können kombiniert werden, um mehrminütige Sequenzen zu erstellen, bei denen visuelle Referenzen dazu beitragen, dass die Charaktere in allen Szenen konsistent bleiben.

In einer vorläufigen menschlichen Bewertung, die während des Trainings durchgeführt wurde, wurde FLUX 3 in 77 % der Vergleiche gegenüber Runway Gen-4.5 und in 93 % der Vergleiche gegenüber Luma Ray 3.2 bevorzugt. Gegenüber neueren Konkurrenten wurde es in bis zu 69 % der Vergleiche gegenüber Grok Imagine Video, Kling v3 Pro in 60 % und Seedance 2.0 und Gemini Omni Flash in 52 % bevorzugt.

Das Unternehmen weist darauf hin, dass es sich bei diesen Ergebnissen um vorläufige Ergebnisse handele und dass in der Early-Access-Phase weitere Verbesserungen zu erwarten seien.

Bilder und Textwiedergabe

Über Video hinaus kann FLUX 3 Bilder in einer Vielzahl von Stilen, Seitenverhältnissen und Auflösungen synthetisieren und bearbeiten. Black Forest Labs berichtete über deutliche Verbesserungen gegenüber früheren FLUX-Versionen bei der Handhabung komplexer Eingabeaufforderungen und der Generierung präzisen Textes in Bildern – eine ständige Herausforderung für generative Bildmodelle.

Eine frühe Zugriffsphase für die Bildfunktionen von FLUX 3 werde in den Wochen nach der Veröffentlichung des Videos eröffnet, teilte das Unternehmen mit.

Eine Brücke zur physischen KI

Der vielleicht unkonventionellste Aspekt von FLUX 3 ist seine Ausweitung auf die Robotik. Das Weltverständnis des Modells erstreckt sich auf die Aktionsvorhersage, erklärte das Unternehmen und beschreitet zwei Wege zur physischen KI: die direkte Integration nativer Aktionsvorhersagen in FLUX 3 und die Verwendung des vorab trainierten Video-Backbones als Grundlage für spezialisierte Aktionsmodelle, die mit begrenzten aufgabenspezifischen Daten verfeinert werden.

Black Forest Labs arbeitete mit mimic robotics zusammen, einem der ersten Unternehmen, das frühzeitig Zugang zu FLUX 3 erhielt. Gemeinsam entwickelten sie FLUX-mimic, ein Video-Action-Modell, das das FLUX 3-Grundgerüst mit der Expertise von mimic im Roboterlernen für geschickte Manipulation kombiniert. Nach Angaben des Unternehmens wird das System bereits in realen Produktionsaufgaben bei Audi getestet.

Dies stellt eine bemerkenswerte Konvergenz dar: Die gleiche zugrunde liegende Technologie, die zur Generierung von Unterhaltungsinhalten verwendet wird, wird zur Steuerung physischer Roboter in Fertigungsumgebungen eingesetzt. Die These des Unternehmens ist, dass physische KI und die Erstellung von Inhalten auf derselben Grundlage laufen, da beide ein Modell erfordern, das versteht, wie Objekte zusammenhalten, wie sich Dinge bewegen und wie physische Ereignisse Geräusche erzeugen.

Wettbewerb und Marktposition

Der Start positioniert Black Forest Labs – das in Berlin ansässige Startup hinter den weit verbreiteten FLUX-Bilderzeugungsmodellen – als ehrgeizigeren Konkurrenten im Bereich der generativen KI. Während sich Unternehmen wie Runway eng auf Video und OpenAI auf Text und multimodale Chatbots konzentriert haben, setzt Black Forest Labs darauf, dass sich ein wirklich einheitliches Modell über visuelle, akustische und physische Domänen hinweg als leistungsfähiger erweisen wird als spezialisierte Alternativen.

Das Unternehmen sagte, es arbeite bereits an der nächsten Generation von Modellen mit dem Ziel, Wahrnehmungs-, Handlungs- und Sprachvorhersage in demselben Modell zu vereinen. In den kommenden Wochen und Monaten werden zusätzliche Funktionen eingeführt, die auf derselben zugrunde liegenden multimodalen Flow-Matching-Architektur basieren, jeweils im Anschluss an eine frühe Zugriffsphase für Feedback und Sicherheitstests.

FLUX 3 ist jetzt im Early Access für die Videogenerierung verfügbar, wobei Bild- und Zusatzfunktionen schrittweise eingeführt werden.

Der KI einen Schritt voraus sein

Der einheitliche Ansatz von FLUX 3 für Bilder, Video, Audio und Robotik markiert einen bemerkenswerten Wandel in der Art und Weise, wie generative KI-Modelle entworfen werden. Weitere Informationen zum generativen Medienwettlauf und den neuesten Entwicklungen im Bereich der künstlichen Intelligenz finden Sie in unserer Berichterstattung über aktuelle KI-Nachrichten.

Weitere KI-Neuigkeiten lesen →