Black Forest Labs Meluncurkan FLUX 3: Model AI Tunggal untuk Gambar, Video, Audio, dan Robotika

Black Forest Labs telah merilis FLUX 3, model fondasi multimodal yang menurut perusahaan dipelajari secara bersama-sama dari gambar, video, dan audio untuk membangun representasi tunggal dari dunia fisik. Diumumkan pada tanggal 23 Juli 2026, dan sekarang tersedia dalam akses awal, FLUX 3 mewakili perubahan arsitektur yang signifikan dari pendekatan model demi modalitas yang mendominasi AI generatif, menyatukan pembuatan gambar, pembuatan video dengan suara asli, dan bahkan kontrol robot menjadi satu sistem terpadu.

Peluncuran ini dilakukan pada saat persaingan yang semakin ketat di ruang media generatif, di mana para pemain termasuk Runway, Sora dari OpenAI, dan Veo dari Google berlomba untuk menghasilkan model video yang berkualitas lebih tinggi dan lebih mumpuni. FLUX 3 mengikuti kontes ini dengan premis yang berbeda secara mendasar: bahwa model terpisah untuk setiap jenis media merupakan batasan buatan. Kemajuannya dipantau sebagai bagian dari liputan industri AI kami yang berkelanjutan mengenai lanskap media generatif.

Model Realitas Terpadu

Dalam postingan blog yang menyertai rilis tersebut, Black Forest Labs memaparkan motivasi teoretis untuk melatih satu model di berbagai modalitas. Perusahaan berpendapat bahwa tidak ada satu pun modalitas – baik gambar, video, atau audio – yang dapat memberikan gambaran lengkap tentang realitas. Masing-masing merupakan proyeksi dari dunia fisik dasar yang sama, ditangkap oleh sensor berbeda, dan masing-masing kehilangan informasi dalam prosesnya.

Gambar menangkap struktur spasial pada titik waktu tertentu. Video mengembalikan dimensi waktu dan mengungkap dinamika temporal dan hukum fisika. Audio mengungkapkan hubungan sebab akibat antara fenomena mekanis dan akustik yang tidak dapat dideteksi oleh penglihatan saja. Bahasa menghubungkan persepsi ini dengan tujuan, abstraksi, dan instruksi, tulis perusahaan itu.

Dengan mempelajari semua hal ini secara bersamaan, batasan bersama dalam model akan memberikan lebih banyak informasi dibandingkan modalitas tunggal apa pun. Suara harus sesuai dengan tumbukan, gerak harus mengikuti massa, masa depan harus mengikuti masa lalu. Modalitas tidak lagi terpisah dan mulai menjadi bukti tentang satu realitas yang mendasarinya.

FLUX 3 adalah model pertama perusahaan yang dibangun sepenuhnya berdasarkan prinsip ini, yang oleh Black Forest Labs disebut Self-Flow — sebuah pendekatan untuk menyelaraskan pembangkitan dan pemahaman multimoda secara efisien dalam arsitektur dasar yang sama.

Pembuatan Video Dengan Audio Asli

Kemampuan FLUX 3 yang paling mencolok adalah kemampuannya menghasilkan video berdurasi hingga 20 detik dengan audio asli yang disinkronkan dalam satu generasi. Hal ini membedakannya dari kebanyakan model video yang ada, yang menghasilkan rekaman senyap yang harus dipasangkan dengan audio yang dihasilkan secara terpisah.

Menurut perusahaan, keluaran video FLUX 3 sangat kuat dalam menangkap ekspresi wajah manusia, mengaitkan suara dengan peristiwa fisik, dan mendukung kemampuan multibahasa. Kemampuan ini dapat digabungkan untuk membuat rangkaian yang berlangsung beberapa menit, di mana referensi visual membantu memastikan karakter tetap konsisten di semua adegan.

Dalam evaluasi manusia awal yang dilakukan selama pelatihan, FLUX 3 lebih disukai dibandingkan Runway Gen-4.5 dalam 77% perbandingan dan dibandingkan Luma Ray 3.2 dalam 93% perbandingan. Dibandingkan pesaing yang lebih baru, produk ini lebih disukai daripada Grok Imagine Video dengan perbandingan hingga 69%, Kling v3 Pro dengan perbandingan 60%, dan Seedance 2.0 dan Gemini Omni Flash dengan perbandingan 52%.

Perusahaan memperingatkan bahwa hasil ini masih bersifat awal dan perbaikan lebih lanjut diharapkan terjadi pada fase akses awal.

Gambar dan Rendering Teks

Selain video, FLUX 3 dapat mensintesis dan mengedit gambar dalam berbagai gaya, rasio aspek, dan resolusi. Black Forest Labs melaporkan peningkatan yang signifikan dibandingkan versi FLUX sebelumnya dalam menangani permintaan yang kompleks dan menghasilkan teks yang akurat dalam gambar — sebuah tantangan yang terus-menerus bagi model gambar generatif.

Fase akses awal untuk kemampuan FLUX 3 Image akan dibuka dalam beberapa minggu setelah rilis video, kata perusahaan itu.

Jembatan menuju AI Fisik

Mungkin aspek yang paling tidak konvensional dari FLUX 3 adalah perluasannya ke bidang robotika. Pemahaman dunia model ini meluas hingga ke prediksi tindakan, perusahaan menjelaskan, mengambil dua rute ke AI fisik: mengintegrasikan prediksi tindakan asli langsung ke FLUX 3, dan menggunakan tulang punggung video yang telah dilatih sebelumnya sebagai landasan untuk model tindakan khusus yang disesuaikan dengan data khusus tugas yang terbatas.

Black Forest Labs bermitra dengan robot mimik, yang merupakan salah satu perusahaan pertama yang mendapatkan akses awal ke FLUX 3. Bersama-sama mereka mengembangkan FLUX-mimic, model video aksi yang menggabungkan tulang punggung FLUX 3 dengan keahlian mimik dalam pembelajaran robot untuk manipulasi yang tangkas. Menurut perusahaan, sistem tersebut sudah diuji pada tugas produksi nyata di Audi.

Hal ini menunjukkan konvergensi yang penting: teknologi dasar yang sama yang digunakan untuk menghasilkan konten hiburan juga diterapkan untuk mengendalikan robot fisik di lingkungan manufaktur. Tesis perusahaan ini adalah bahwa AI fisik dan pembuatan konten berjalan di atas fondasi yang sama, karena keduanya memerlukan model yang memahami bagaimana benda-benda bersatu, bagaimana benda bergerak, dan bagaimana peristiwa fisik menghasilkan suara.

Persaingan dan Posisi Pasar

Peluncuran ini menempatkan Black Forest Labs – startup yang berbasis di Berlin di balik model pembuatan gambar FLUX yang banyak digunakan – sebagai pesaing yang lebih ambisius dalam bidang AI generatif. Meskipun perusahaan seperti Runway hanya berfokus pada video dan OpenAI pada chatbot teks dan multimodal, Black Forest Labs yakin bahwa model yang benar-benar terpadu dalam domain visual, auditori, dan fisik akan terbukti lebih mumpuni dibandingkan alternatif khusus.

Perusahaan tersebut mengatakan bahwa mereka sedang mengerjakan model generasi berikutnya, dengan tujuan menyatukan prediksi persepsi, tindakan, dan bahasa dalam model yang sama. Selama beberapa minggu dan bulan mendatang, perusahaan ini akan meluncurkan kemampuan tambahan yang dibangun dari arsitektur pencocokan aliran multimodal yang sama, masing-masing mengikuti fase akses awal untuk umpan balik dan pengujian keselamatan.

FLUX 3 kini tersedia dalam akses awal untuk pembuatan video, dengan gambar dan kemampuan tambahan diluncurkan secara bertahap.

Tetap Terdepan dalam AI

Pendekatan terpadu FLUX 3 terhadap gambar, video, audio, dan robotika menandai perubahan penting dalam cara model AI generatif dirancang. Untuk informasi lebih lanjut mengenai perlombaan media generatif dan perkembangan terkini dalam bidang kecerdasan buatan, ikuti liputan kami berita AI terkini.

Baca berita AI selengkapnya →