Das deutsche KI-Unternehmen Black Forest Labs (BFL) veröffentlicht Flux 3, ein multimodales Foundation-Modell, das gleichzeitig aus Bildern, Videos und Audio lernt. In ersten eigenen Evaluierungen schlägt es zahlreiche Konkurrenten bei der Videogenerierung.
Flux 3 soll laut dem Unternehmen einen Schritt in Richtung "Real-World Visual Intelligence" darstellen. Gemeint sind Modelle, die in physischen und digitalen Umgebungen wahrnehmen, vorhersagen und handeln können. Damit folgt Black Forest Labs einem breiteren Trend hin zur Entwicklung sogenannter Weltmodelle.
Eine einzelne Modalität liefere keine vollständige Beschreibung der Realität. Bilder erfassten räumliche Strukturen, Videos stellten die Zeitdimension wieder her, Audio enthülle kausale Zusammenhänge zwischen mechanischen Phänomenen und Akustik. Lerne ein Modell jedoch aus allen Modalitäten gleichzeitig, schränkten sie einander ein und lieferten so mehr Information als isoliertes Training, schreibt BFL.
Flux 3 bietet erstmals Videogenerierung mit nativem Audio
Flux 3 kann erstmals Videos mit nativem Audio von bis zu 20 Sekunden Länge erzeugen. Zu den Fähigkeiten gehören Text-to-Video, Image-to-Video, Video-to-Video, Keyframe-basierte Übergänge, mehrsprachiger Dialog sowie das agentische Verketten einzelner Clips zu längeren Multi-Shot-Sequenzen. Besondere Stärken sieht BFL bei menschlichen Gesichtsausdrücken und der Zuordnung von Geräuschen zu physischen Ereignissen.
In vorläufigen Evaluierungen mit 10-Sekunden-Clips in 720p wurde Flux 3 laut BFL gegenüber Luma Ray 3.2 in 93 Prozent der Vergleiche bevorzugt, gegenüber Runway Gen-4.5 in 77 Prozent und gegenüber Grok Imagine Video in 69 Prozent. Knapper fällt der Vergleich mit Kling v3 Pro (60 Prozent), Happy Horse v1 (59 Prozent), Happy Horse 1.1 (57 Prozent) sowie Seedance 2.0 und Gemini Omni Flash (jeweils 52 Prozent) aus. BFL betont, dass die Ergebnisse vorläufig sind, unabhängige Evaluierungen liegen nicht vor. Sollte sich Flux 3 tatsächlich gegen die Platzhirsche Seedance, das es nach Hollywood geschafft hat, und Gemini Flash Omni behaupten, wäre das beachtlich.
Vorläufige Nutzerpräferenz für einen frühen Flux-3-Video-Kandidaten im Vergleich zu acht Konkurrenzmodellen. 50 Prozent bedeutet Gleichstand. | Bild: Black Forest LabsBei der Bildgenerierung soll Flux 3 ebenfalls Fortschritte zeigen, insbesondere bei komplexen Prompts und präziser Textdarstellung in mehreren Sprachen. Ein Early Access für Flux 3 Image soll in den kommenden Wochen folgen.
Das Weltverständnis erstreckt sich laut BFL auch auf Aktionsvorhersage. Gemeinsam mit mimic robotics hat BFL das Video-Action-Modell Flux-mimic entwickelt, das bereits in Produktionsaufgaben bei Audi getestet wird.
Flux 3 basiert auf Self-Flow, einem von BFL entwickelten Ansatz, bei dem ein einziges Modell gleichzeitig lernt, Inhalte zu erzeugen und zu verstehen. Im Kern steht ein multimodaler Transformer, der über spezialisierte Bausteine Bilder, Videos und Töne in eine gemeinsame interne Repräsentation übersetzt und wieder ausgibt.
Die Architektur von FLUX 3: Ein multimodaler Transformer verarbeitet Eingaben über spezialisierte Encoder und Decoder für Bild, Video, Audio und Aktionen. Die Aktions-Modalität ist als erweiterbar gekennzeichnet. | Bild: Black Forest LabsEin zusätzlicher, erweiterbarer Baustein für Aktionen bildet die Grundlage für Robotik-Anwendungen. Laut BFL liefert der gemeinsame Lernprozess bessere Ergebnisse als die bislang übliche Methode Flow Matching, sowohl bei der Qualität generierter Inhalte als auch beim Weltverständnis des Modells.
Schrittweiser Rollout mit Open-Weight-Zugang geplant
BFL plant den schrittweisen Rollout aller Fähigkeiten nach Early-Access-Phasen für Feedback und Sicherheitstests. Flux 3 Video ist bereits verfügbar, Flux 3 Image soll in den kommenden Wochen folgen. Aktionsvorhersage wird zunächst über ausgewählte Partner zugänglich gemacht.
Darüber hinaus plant BFL einen Open-Weight-Zugang zum multimodalen Backbone unter dem Namen "Flux 3 Dev". Langfristig arbeitet das Unternehmen an der nächsten Modellgeneration mit dem Ziel, Wahrnehmungs-, Aktions- und Sprachvorhersage in einem einzigen Modell zusammenzuführen.
KI-News ohne Hype – von Menschen kuratiert
Mit dem THE‑DECODER‑Abo liest du werbefrei und wirst Teil unserer Community: Diskutiere im Kommentarsystem, erhalte unseren wöchentlichen KI‑Newsletter, 6× im Jahr den "KI Radar"‑Frontier‑Newsletter mit den neuesten Entwicklungen aus der Spitze der KI‑Forschung, bis zu 25 % Rabatt auf KI Pro‑Events und Zugriff auf das komplette Archiv der letzten zehn Jahre.
