FLUX 3:从视频生成到机器人控制
Black Forest Labs 上周发布多模态基础模型 FLUX 3,在单一架构中联合学习图像、视频和音频,可单次生成最长 20 秒带音频视频。其视频骨干被机器人公司 mimic 用于 FLUX-mimic,在软体装配任务上报告 95% 成功率,无需单任务微调,对比 π0.5 的 55% 和某流匹配策略的 70%。
推荐理由:FLUX 3 把视频生成骨干直接接到机器人动作预测上,读者可看到多模态世界模型向工业操作迁移的一条具体路径。
技术方向
开源模型、框架与仓库动态:权重开放、社区项目爆火、开源与闭源的力量消长。
61 条精选近 30 天 48 条共收录 226 条
日期栏展示收录日期,历史补录归入原文日期。
Black Forest Labs 上周发布多模态基础模型 FLUX 3,在单一架构中联合学习图像、视频和音频,可单次生成最长 20 秒带音频视频。其视频骨干被机器人公司 mimic 用于 FLUX-mimic,在软体装配任务上报告 95% 成功率,无需单任务微调,对比 π0.5 的 55% 和某流匹配策略的 70%。
推荐理由:FLUX 3 把视频生成骨干直接接到机器人动作预测上,读者可看到多模态世界模型向工业操作迁移的一条具体路径。