بلک فارست لبز با FLUX 3 هوش مصنوعی: خداحافظی با عکس، در آغوش ویدئو و دست‌های رباتیک

بلک فارست لبز روز پنجشنبه FLUX 3 را عرضه کرد و برای اولین بار، مدل پرچمدار این شرکت به جای تولید صرفاً تصاویر ثابت، ویدئو تولید می‌کند. این آزمایشگاه هوش مصنوعی آلمانی که به خاطر خط تولید مولدهای تصویر FLUX شناخته شده است، سیستم جدید را بر روی تصاویر، ویدئو و صدا به طور همزمان و در یک سیستم مشترک آموزش داده است.

این همان چیزی است که به عنوان چندوجهی بودن (multimodality) شناخته می‌شود: یک مدل که انواع مختلفی از اطلاعات را با هم یاد می‌گیرد، به جای ابزارهای جداگانه‌ای که در کنار هم قرار گرفته‌اند.

بخش ویدئو، ویژگی اصلی است. FLUX 3 کلیپ‌هایی تا طول ۲۰ ثانیه تولید می‌کند که صدا همراه با تصویر تولید شده و با آنچه در صفحه اتفاق می‌افتد همگام‌سازی می‌شود – دیالوگ، جلوه‌های صوتی، نویز محیطی. در ارزیابی‌های اولیه، بازبینان انسانی در ۷۷ درصد از مقایسه‌های رو در رو، خروجی FLUX 3 را بر Runway Gen-4.5 ترجیح دادند و در ۹۳ درصد موارد بر Luma Ray 3.2. به نظر می‌رسد این مدل کمی بهتر از Gemini Omni و Seedance عمل می‌کند و در ۵۲ درصد از ارزیابی‌ها این مدل‌ها را شکست می‌دهد.

البته، این یک آزمون ترجیحی است، نه یک معیار امتیازدهی ثابت: ارزیابان به سادگی دو کلیپ را تماشا می‌کنند و یکی را که قانع‌کننده‌تر به نظر می‌رسد و صدا دارد، انتخاب می‌کنند و BFL تعداد دفعاتی را که FLUX 3 برنده می‌شود، می‌شمارد.

علاوه بر این، این مدل به نظر می‌رسد در تصاویر ثابت نیز بسیار تواناست و میراث خود را دنبال می‌کند. BFL چند تصویر به اشتراک گذاشته است و FLUX 3 به نظر می‌رسد بسیار همه‌کاره و قادر به تولید طیف گسترده‌ای از سبک‌ها فراتر از فوتورئالیسم است.

BFL این را بیش از یک ابزار محتوا معرفی می‌کند. رابین رومباخ، هم‌بنیان‌گذار و مدیرعامل، گفت: «مدلی که فقط تصاویر را یاد می‌گیرد، فقط می‌تواند تصاویر تولید کند.» شرط‌بندی این شرکت این است که یادگیری پیش‌بینی ویدئو به معنای یادگیری فیزیک زیربنایی آن – وزن، تماس، زمان‌بندی – است، که دقیقاً همان چیزی است که یک ماشین برای حرکت در دنیای فیزیکی نیاز دارد.

این شرط‌بندی نامی دارد: FLUX-mimic. این سیستم که با همکاری mimic robotics مستقر در زوریخ ساخته شده است، موتور پیش‌بینی ویدئوی FLUX 3 را گرفته و یک «رمزگشا» (decoder) سبک وزن اضافه می‌کند – یک جزء الحاقی کوچک که حس درونی مدل از نحوه حرکت اشیاء را به حرکات واقعی ربات ترجمه می‌کند. شرکت خودروسازی Audi در حال حاضر در حال آزمایش آن بر روی وظایفی مانند نصب درزگیرهای درب انعطاف‌پذیر است، کاری که اتوماسیون متعارف در انجام آن با مشکل مواجه بوده است.

استفان-دنیل گراورت، هم‌بنیان‌گذار mimic، گفت: «Audi نماینده نوع شریک تولیدی است که ما FLUX-mimic را برای آن ساختیم.» کریستوف اشنایدر از Audi گفت که ربات‌ها اکنون «کارهای پیچیده دستکاری اجسام نرم را حل می‌کنند» که ماشین‌های قدیمی‌تر قادر به انجام آن نبودند. BFL می‌گوید کل سیستم در حدود ۱۰۱ میلی‌ثانیه واکنش نشان می‌دهد، که در محدوده بازتاب‌های بصری انسان قرار دارد.

ظهور FLUX در خلاء اتفاق نیفتاد. بلک فارست لبز که در اوت ۲۰۲۴ توسط محققان باتجربه‌ای که به ساخت مدل‌های اصلی Stable Diffusion در Stability AI کمک کرده بودند، تأسیس شد، مدل‌های Flux را عرضه کرد که از MidJourney پیشی گرفتند و Stable Diffusion 3 ناامیدکننده خود Stability را پشت سر گذاشتند.

مدل‌های متن‌باز Flux Dev و Schnell عنوان «بهترین مولد تصویر متن‌باز» را به دست آوردند که هنرمندان هوش مصنوعی انتظار داشتند Stable Diffusion 3.5، نسخه بازنگری شده Stability، در نهایت آن را پس بگیرد.

این اتفاق هرگز رخ نداد. FLUX 1.1 Pro در اکتبر همان سال در صدر مسابقات تصویر Artificial Analysis قرار گرفت. البته آن نسخه متن‌باز نبود.

BFL در نوامبر ۲۰۲۵ FLUX.2 را منتشر کرد اما به اندازه قبل محبوب نشد. تاج متن‌باز که در اختیار Flux اصلی بود تا زمانی که Z-Image Turbo از Alibaba در اواخر سال ۲۰۲۵ آن را از تخت پایین کشید و کیفیت آن را در کارت‌های گرافیک مصرفی سطح پایین‌تر مطابقت داد، باقی ماند. یکی از کاربران CivitAI در آن زمان نوشت: «این همان چیزی بود که SD3 قرار بود باشد.»

FLUX 3 بازگشت BFL است و هنوز کاملاً متن‌باز نیست. ویدئو و اکشن در حال حاضر از طریق APIها و شرکای منتخب، از جمله mimic robotics، در دسترس اولیه قرار دارند و تولید تصویر «در هفته‌های آینده» طبق گفته BFL عرضه خواهد شد. نسخه متن‌باز Dev، تنها سطحی که BFL قصد دارد برای استفاده محلی منتشر کند، تا اواخر سال ۲۰۲۶ عرضه نخواهد شد.