آزمایشگاه جنگل سیاه FLUX 3 را منتشر کرده است، یک مدل پایه چندوجهی که این شرکت می گوید به طور مشترک از تصاویر، ویدئو و صدا یاد می گیرد تا یک نمایش واحد از دنیای فیزیکی ایجاد کند. FLUX 3 که در 23 ژوئیه 2026 معرفی شد و اکنون در دسترسی اولیه در دسترس است، نشان دهنده انحراف معماری قابل توجهی از رویکرد مدل به روش است که بر هوش مصنوعی مولد، ایجاد تصویر در حال فروپاشی، تولید ویدیو با صدای بومی و حتی کنترل ربات در یک سیستم یکپارچه تسلط داشته است.

این راه‌اندازی در لحظه‌ای از تشدید رقابت در فضای رسانه‌های مولد انجام می‌شود، جایی که بازیکنانی از جمله Runway، OpenAI's Sora، و Google's Veo برای تولید مدل‌های ویدیویی با کیفیت بالاتر و توانمندتر رقابت می‌کنند. FLUX 3 با یک فرض اساسی متفاوت وارد این مسابقه می شود: اینکه مدل های جداگانه برای هر نوع رسانه یک محدودیت مصنوعی است. پیشرفت آن به‌عنوان بخشی از [پوشش صنعت هوش مصنوعی] (https://aibuzzwire.news) در چشم‌انداز رسانه‌های مولد تحت نظارت است.

مدل یکپارچه واقعیت

در یک پست وبلاگ همراه با انتشار، آزمایشگاه جنگل سیاه انگیزه نظری برای آموزش یک مدل واحد در چندین روش ارائه داد. این شرکت استدلال کرد که هیچ روش واحدی - اعم از تصویر، ویدیو یا صدا - توصیف کاملی از واقعیت ارائه نمی دهد. هرکدام از آنها نمایشی از همان دنیای فیزیکی زیربنایی است که توسط حسگرهای مختلف گرفته شده است و هر کدام اطلاعات خود را در این فرآیند از دست می دهند.

تصاویر ساختارهای فضایی را در یک نقطه خاص از زمان ثبت می کنند. ویدئوها بعد زمان را بازیابی می‌کنند و پویایی زمانی و قوانین فیزیکی را آشکار می‌کنند. صدا روابط علّی بین پدیده‌های مکانیکی و آکوستیک را نشان می‌دهد که بینایی به تنهایی قادر به تشخیص آن نیست. این شرکت نوشت که زبان این ادراکات را به اهداف، انتزاعات و دستورالعمل ها مرتبط می کند.

با یادگیری از همه اینها به طور همزمان، محدودیت های متقابل مدل اطلاعات بیشتری را نسبت به هر روش به تنهایی ارائه می دهد. صدا باید با ضربه مطابقت داشته باشد، حرکت باید از جرم اطاعت کند، آینده باید از گذشته پیروی کند. روش ها دیگر جدا نیستند و شروع به شواهدی درباره یک واقعیت زیربنایی می کنند.

FLUX 3 اولین مدل این شرکت است که کاملاً بر اساس این اصل ساخته شده است، که آزمایشگاه‌های جنگل سیاه آن را Self-Flow می‌نامند - رویکردی برای همسوسازی مؤثر تولید چندوجهی و درک در همان معماری زیربنایی.

تولید ویدئو با صدای بومی

قابل توجه ترین قابلیت FLUX 3 توانایی آن در تولید ویدئوهایی به طول 20 ثانیه با صدای بومی همگام سازی شده در یک نسل است. این آن را از اکثر مدل‌های ویدیویی موجود متمایز می‌کند، که فیلم‌های بی‌صدا تولید می‌کنند که باید با صدای تولید شده جداگانه جفت شوند.

به گفته این شرکت، خروجی ویدیوی FLUX 3 به ویژه در ضبط حالات چهره انسان، ارتباط صداها با رویدادهای فیزیکی و پشتیبانی از قابلیت های چند زبانه قوی است. این قابلیت‌ها را می‌توان برای ایجاد سکانس‌هایی با چند دقیقه ترکیب کرد، جایی که مراجع بصری به اطمینان از ثابت ماندن شخصیت‌ها در تمام صحنه‌ها کمک می‌کنند.

در ارزیابی اولیه انسانی که در طول آموزش انجام شد، FLUX 3 بر Runway Gen-4.5 در 77 درصد مقایسه ها و بر Luma Ray 3.2 در 93 درصد مقایسه ها ترجیح داده شد. در مقابل رقبای جدیدتر، در 69% مقایسه ها بر Grok Imagine Video، 60% Kling v3 Pro و در 52% Seedance 2.0 و Gemini Omni Flash ترجیح داده شد.

این شرکت هشدار داد که این نتایج اولیه هستند و انتظار می‌رود که در مرحله دسترسی اولیه، پیشرفت‌های بیشتری انجام شود.

تصاویر و رندر متن

فراتر از ویدئو، FLUX 3 می‌تواند تصاویر را در طیف گسترده‌ای از سبک‌ها، نسبت‌ها و وضوح‌ها ترکیب و ویرایش کند. آزمایشگاه‌های جنگل سیاه نسبت به نسخه‌های قبلی FLUX پیشرفت‌های قابل‌توجهی را در رسیدگی به درخواست‌های پیچیده و تولید متن دقیق در تصاویر گزارش کردند - چالشی همیشگی برای مدل‌های تصویر تولیدی.

این شرکت گفت که مرحله دسترسی اولیه برای قابلیت‌های تصویر FLUX 3 در هفته‌های پس از انتشار ویدیو باز خواهد شد.

پلی برای هوش مصنوعی فیزیکی

شاید غیر متعارف ترین جنبه FLUX 3 گسترش آن در رباتیک باشد. این شرکت توضیح داد که درک جهانی این مدل به پیش‌بینی عمل گسترش می‌یابد، و دو مسیر را به سمت هوش مصنوعی فیزیکی دنبال می‌کند: ادغام پیش‌بینی اقدام بومی به طور مستقیم در FLUX 3، و استفاده از ستون فقرات ویدیویی از پیش آموزش‌دیده به‌عنوان پایه‌ای برای مدل‌های اقدام تخصصی که به‌خوبی تنظیم شده‌اند با داده‌های مختص کار محدود.

آزمایشگاه‌های جنگل سیاه با رباتیک تقلید همکاری کردند، که یکی از اولین شرکت‌هایی بود که به FLUX 3 دسترسی اولیه پیدا کرد. آنها با هم FLUX-mimic را توسعه دادند، یک مدل اکشن ویدیویی که ستون فقرات FLUX 3 را با تخصص تقلید در یادگیری ربات برای دستکاری ماهرانه ترکیب می‌کند. به گفته این شرکت، این سیستم در حال حاضر روی وظایف تولید واقعی در آئودی آزمایش می شود.

این نشان دهنده یک همگرایی قابل توجه است: همان فناوری اساسی که برای تولید محتوای سرگرمی استفاده می شود برای کنترل ربات های فیزیکی در محیط های تولیدی استفاده می شود. تز این شرکت این است که هوش مصنوعی فیزیکی و تولید محتوا بر اساس یک پایه اجرا می‌شوند، زیرا هر دو به مدلی نیاز دارند که درک کند چگونه اشیا در کنار هم قرار می‌گیرند، چگونه اشیا حرکت می‌کنند و رویدادهای فیزیکی چگونه صدا تولید می‌کنند.

رقابت و موقعیت بازار

این راه‌اندازی، آزمایشگاه‌های جنگل سیاه - استارت‌آپ مستقر در برلین را در پشت مدل‌های پرکاربرد تولید تصویر FLUX - به‌عنوان رقیب جاه‌طلب‌تر در فضای هوش مصنوعی مولد قرار می‌دهد. در حالی که شرکت‌هایی مانند Runway روی ویدیو و OpenAI روی چت‌بات‌های متنی و چندوجهی تمرکز کرده‌اند، آزمایشگاه‌های جنگل سیاه شرط می‌بندند که یک مدل واقعاً یکپارچه در حوزه‌های دیداری، شنیداری و فیزیکی نسبت به جایگزین‌های تخصصی، توانایی بیشتری دارد.

این شرکت گفت که در حال حاضر روی نسل بعدی مدل‌ها کار می‌کند، با هدف یکسان کردن پیش‌بینی ادراکی، عملی و زبانی در همان مدل. طی هفته‌ها و ماه‌های آینده، قابلیت‌های اضافی ساخته‌شده از همان معماری تطبیق جریان چندوجهی زیربنایی را ارائه خواهد کرد، که هر کدام از یک مرحله دسترسی اولیه برای بازخورد و تست ایمنی را دنبال می‌کنند.

FLUX 3 در حال حاضر با دسترسی اولیه برای تولید ویدئو در دسترس است، با تصویر و قابلیت‌های اضافی که به صورت تدریجی در دسترس هستند.

[از هوش مصنوعی جلوتر بمانید] (https://aibuzzwire.news)

رویکرد یکپارچه FLUX 3 به تصاویر، ویدئو، صدا و روباتیک تغییر قابل توجهی را در نحوه طراحی مدل‌های هوش مصنوعی مولد نشان می‌دهد. برای اطلاعات بیشتر در مورد مسابقه رسانه‌های مولد و آخرین پیشرفت‌ها در سراسر هوش مصنوعی، پوشش [اخبار فوری هوش مصنوعی] (https://aibuzzwire.news) ما را دنبال کنید.

اخبار هوش مصنوعی را بیشتر بخوانید →