Das deutsche KI-Startup Black Forest Labs aus Freiburg hat die dritte Generation seiner Bild- und Medienmodelle angekündigt. FLUX.3 versteht sich nicht mehr rein als Text-zu-Bild-Generator, sondern als multimodales Fundamentmodell („Real World Model“). Das Modell lernt in einer einheitlichen Architektur gleichzeitig aus Bildern, Videos und Audiosignalen, um eine kohärente Repräsentation der physikalischen Welt zu entwickeln.
In der offiziellen Ankündigung von Black Forest Labs beschreibt das Unternehmen die Vision einer visuellen Intelligenz („Real-World Visual Intelligence“), die Umwelten wahrnehmen, vorhersagen und darin agieren könne. Die einzelnen Wahrnehmungskanäle lieferten jeweils nur unvollständige Projektionen der Realität: Während Bilder räumliche Strukturen erfassen, ergänzen Videos die zeitliche Dynamik und physikalische Gesetze. Audiosignale wiederum enthüllten akustische Kausalitäten bei mechanischen Ereignissen. Erst durch das simultane Training auf allen Datenströmen entstehe ein Modell, das erfasse, wie Objekte zusammenhalten, wie Dinge sich bewegen und wie Ereignisse klingen.
Gleichzeitige Synthese von Video und nativem Audio
Nach bisherigen Veröffentlichungen wie dem FLUX Virtual Try-On setzt FLUX.3 auf eine weiterentwickelte Architektur namens Self-Flow (Multimodal Flow Matching). Diese ermöglicht es, Videos von bis zu 20 Sekunden Länge in 720p inklusive synchroner, nativer Audio-Spur in einem einzigen Generierungsdurchgang zu erzeugen.
Das Modell beherrscht neben Text-zu-Video auch Bild-zu-Video, Video-zu-Video-Transformationen sowie Keyframe-Steuerungen für kontrollierte Szenenübergänge. Entwickler heben hervor, dass sich durch die visuelle Referenzbindung kohärente Spielfilmszenen mit konsistenten Charakteren über mehrere Minuten hinweg aneinanderketten lassen („Agentic Chaining“).
Tester in der Community veranschaulichen anhand von Detail-Demos, wie präzise Bewegungsabläufe und physikalische Effekte in Bewegtbildern gerendert werden.
Starke Benchmark-Ergebnisse im Modellvergleich
In ersten Evaluierungen des Herstellers schnitt FLUX 3 Video im direkten Nutzervergleich gegenüber etablierten Konkurrenzsystemen deutlich überlegen ab. Die Tester wählten die Ergebnisse von FLUX 3 in bis zu 93 Prozent der Fälle gegenüber Luma Ray 3.2 und in 77 Prozent gegenüber Runway Gen-4.5 vor. Auch im Vergleich zu Grok Imagine Video (69 Prozent) und Kling v3 Pro (60 Prozent) behauptete sich das System.
Besondere Stärken zeige das Modell bei menschlicher Mimik, der präzisen Zuordnung von Geräuschen zu physikalischen Kollisionen sowie bei mehrsprachigen Dialogen und komplexer Typografie in Bewegtbildern.
Erste visuelle Vergleiche demonstrieren zudem die enorme Flexibilität bei der Textur- und Lichtdarstellung in fotorealistischen und künstlerischen Generierungen.
Vom Videomodell zur Robotersteuerung: Physical AI
Eine weitere Neuerung betrifft die Übertragbarkeit auf die physische Welt. Black Forest Labs integriert in FLUX.3 direkte Aktionsvorhersagen („Action Prediction“). Das vortrainierte Video-Backbone dient dabei als physikalisches Fundament, auf dem spezialisierte Steuerungssysteme für die Robotik aufbauen können.
In Zusammenarbeit mit dem Partner mimic robotics entstand das Modell FLUX-mimic, das derzeit im industriellen Praxiseinsatz bei Audi für komplexe Montage- und Greifaufgaben getestet werde. Damit demonstrieren die Freiburger, dass die Grundlagen für digitale Medienerzeugung und physische Robotik auf derselben Modellarchitektur beruhen können.
Weitere Analysen zeigen die Leistungsfähigkeit bei der Echtzeit-Verarbeitung von Videosequenzen und räumlichen Bewegungen.
Open-Weights-Version FLUX 3 Dev angekündigt
Die Bereitstellung der verschiedenen Modellvarianten erfolgt schrittweise nach einer Early-Access-Phase. Neben API-Zugängen für FLUX 3 Video und FLUX 3 Image plant das Startup erneut eine frei zugängliche Modellversion für die Entwickler-Community: FLUX 3 Dev soll als Open-Weights-Modell bereitgestellt werden.
KI-Entwickler und Creators heben hervor, dass ein frei zugängliches multimodales Basismodell einen erheblichen Schubs für Open-Source-Anwendungen im Videobereich bedeuten dürfte.
In den kommenden Wochen soll zunächst der Early Access für FLUX 3 Image starten, bevor die weiteren Schnittstellen und Gewichte schrittweise freigegeben werden.
🎯 Was das für die Praxis bedeutet
1. Synchrones Rendering nutzen: Die parallele Erzeugung von Video und passende Sound-Effekten reduziert den Aufwand in der Post-Produktion erheblich.
2. Open-Source-Roadmap beobachten: Mit dem angekündigten FLUX 3 Dev steht Entwicklern bald ein mächtiges Open-Weights-Backbone für eigene Anwendungen bereit.
3. Physical AI im Blick behalten: Die Nutzung von Video-Backbones für die Robotersteuerung eröffnet neue Möglichkeiten für die Industrie-Automatisierung.
