Black Forest Labs ha rilasciato FLUX 3, un modello di base multimodale che, secondo la società, apprende congiuntamente da immagini, video e audio per costruire un'unica rappresentazione del mondo fisico. Annunciato il 23 luglio 2026 e ora disponibile in accesso anticipato, FLUX 3 rappresenta un significativo allontanamento architettonico dall'approccio modello per modalità che ha dominato l'intelligenza artificiale generativa, comprimendo la creazione di immagini, la generazione di video con audio nativo e persino il controllo dei robot in un unico sistema unificato.
Il lancio arriva in un momento di intensificazione della concorrenza nello spazio dei media generativi, in cui giocatori tra cui Runway, Sora di OpenAI e Veo di Google hanno gareggiato per produrre modelli video di qualità superiore e più capaci. FLUX 3 entra in questo contesto con una premessa fondamentalmente diversa: che i modelli separati per ciascun tipo di media siano una limitazione artificiale. I suoi progressi vengono monitorati come parte della nostra continua copertura del settore dell'intelligenza artificiale del panorama dei media generativi.
Un modello unificato di realtà
In un post sul blog che accompagna il rilascio, Black Forest Labs ha esposto la motivazione teorica per addestrare un singolo modello attraverso più modalità. L’azienda sostiene che nessuna singola modalità, sia essa immagine, video o audio, fornisce una descrizione completa della realtà. Ciascuno è una proiezione dello stesso mondo fisico sottostante, catturato da diversi sensori, ciascuno dei quali perde informazioni nel processo.
Le immagini catturano strutture spaziali in un momento specifico. I video restituiscono la dimensione del tempo e rivelano dinamiche temporali e leggi fisiche. L'audio rivela relazioni causali tra fenomeni meccanici e acustici che la sola visione non è in grado di rilevare. Il linguaggio collega queste percezioni a obiettivi, astrazioni e istruzioni, ha scritto l’azienda.
Imparando da tutti questi simultaneamente, i vincoli reciproci del modello forniscono più informazioni di qualsiasi singola modalità presa singolarmente. Il suono deve corrispondere all'impatto, il movimento deve obbedire alla massa, il futuro deve derivare dal passato. Le modalità smettono di essere separate e iniziano a essere prove di un'unica realtà sottostante.
FLUX 3 è il primo modello dell'azienda costruito interamente su questo principio, che Black Forest Labs chiama Self-Flow, un approccio per allineare in modo efficiente la generazione e la comprensione multimodale all'interno della stessa architettura sottostante.
Generazione video con audio nativo
La capacità che colpisce immediatamente di FLUX 3 è la sua capacità di generare video fino a 20 secondi di lunghezza con audio nativo sincronizzato in un unico passaggio di generazione. Ciò lo distingue dalla maggior parte dei modelli video esistenti, che producono filmati muti che devono essere accoppiati con audio generato separatamente.
Secondo l'azienda, l'output video di FLUX 3 è particolarmente potente nel catturare le espressioni facciali umane, associare i suoni ad eventi fisici e supportare funzionalità multilingue. Queste funzionalità possono essere combinate per creare sequenze della durata di diversi minuti, in cui i riferimenti visivi aiutano a garantire che i personaggi rimangano coerenti in tutte le scene.
Nella valutazione umana preliminare condotta durante l'addestramento, FLUX 3 è stato preferito a Runway Gen-4.5 nel 77% dei confronti e a Luma Ray 3.2 nel 93% dei confronti. Rispetto ai concorrenti più recenti, è stato preferito a Grok Imagine Video nel 69% dei confronti, a Kling v3 Pro nel 60% e a Seedance 2.0 e Gemini Omni Flash nel 52%.
La società ha avvertito che questi risultati sono preliminari e che sono attesi ulteriori miglioramenti durante la fase di accesso anticipato.
Rendering di immagini e testi
Oltre al video, FLUX 3 può sintetizzare e modificare immagini in un'ampia varietà di stili, proporzioni e risoluzioni. Black Forest Labs ha riportato miglioramenti significativi rispetto alle versioni precedenti di FLUX nella gestione di prompt complessi e nella generazione di testo accurato all'interno delle immagini: una sfida persistente per i modelli di immagini generative.
Una fase di accesso anticipato alle funzionalità di FLUX 3 Image si aprirà nelle settimane successive al rilascio del video, ha affermato la società.
Un ponte verso l'IA fisica
Forse l’aspetto più non convenzionale di FLUX 3 è la sua estensione alla robotica. La comprensione del mondo del modello si estende alla previsione dell'azione, ha spiegato l'azienda, prendendo due strade verso l'intelligenza artificiale fisica: integrando la previsione dell'azione nativa direttamente in FLUX 3 e utilizzando la dorsale video preaddestrata come base per modelli di azione specializzati ottimizzati con dati limitati specifici per attività.
Black Forest Labs ha collaborato con Mimic Robotics, che è stata tra le prime aziende a ottenere un accesso anticipato a FLUX 3. Insieme hanno sviluppato FLUX-mimic, un modello di azione video che combina la dorsale di FLUX 3 con l'esperienza di Mimic nell'apprendimento dei robot per la manipolazione abile. Secondo l'azienda, il sistema è già in fase di test su compiti di produzione reali presso Audi.
Ciò rappresenta una notevole convergenza: la stessa tecnologia di base utilizzata per generare contenuti di intrattenimento viene applicata per controllare i robot fisici negli ambienti di produzione. La tesi dell'azienda è che l'intelligenza artificiale fisica e la creazione di contenuti poggiano sulle stesse basi, perché entrambe richiedono un modello che comprenda come gli oggetti stanno insieme, come si muovono le cose e come gli eventi fisici producono il suono.
Concorrenza e posizione di mercato
Il lancio posiziona Black Forest Labs, la startup con sede a Berlino dietro i modelli di generazione di immagini FLUX ampiamente utilizzati, come un concorrente più ambizioso nello spazio dell’intelligenza artificiale generativa. Mentre aziende come Runway si sono concentrate esclusivamente sui video e OpenAI sul testo e sui chatbot multimodali, Black Forest Labs scommette che un modello veramente unificato nei domini visivi, uditivi e fisici si dimostrerà più efficace delle alternative specializzate.
La società ha affermato che sta già lavorando alla prossima generazione di modelli, con l’obiettivo di unificare la previsione percettiva, dell’azione e del linguaggio nello stesso modello. Nelle prossime settimane e mesi verranno implementate ulteriori funzionalità basate sulla stessa architettura di corrispondenza del flusso multimodale sottostante, ciascuna dopo una fase di accesso anticipato per feedback e test di sicurezza.
FLUX 3 è ora disponibile in accesso anticipato per la generazione di video, con immagini e funzionalità aggiuntive implementate in modo incrementale.
Stai al passo con l'intelligenza artificiale
L'approccio unificato di FLUX 3 a immagini, video, audio e robotica segna un notevole cambiamento nel modo in cui vengono progettati i modelli di intelligenza artificiale generativa. Per ulteriori informazioni sulla corsa ai media generativi e sugli ultimi sviluppi dell'intelligenza artificiale, segui il nostro articolo sulle ultime notizie sull'intelligenza artificiale.
Leggi altre notizie sull'AI →
