Neues multimodales KI-Modell FLUX 3 von Black Forest Labs vorgestellt

FLUX 3: Eine neue Ära der multimodalen KI-Modelle

Das deutsche KI-Unternehmen Black Forest Labs (BFL) hat mit der Einführung von FLUX 3 einen signifikanten Fortschritt im Bereich der generativen Künstlichen Intelligenz bekannt gegeben. FLUX 3 ist ein multimodales Fundamentmodell, das in der Lage ist, Videos mit nativem Audio von bis zu 20 Sekunden Länge zu erzeugen. Diese Entwicklung markiert einen wichtigen Schritt hin zu Modellen, die ein umfassenderes Verständnis der realen Welt aufweisen.

Integratives Training für umfassendes Weltverständnis

Im Gegensatz zu vielen bestehenden Modellen, die auf separaten Modalitäten trainiert und nachträglich miteinander verbunden werden, wurde FLUX 3 simultan mit Bildern, Videos und Audio trainiert. Dieser integrierte Ansatz ermöglicht es dem Modell, ein kohärenteres Verständnis davon zu entwickeln, wie die Welt aussieht, sich bewegt und klingt. BFL argumentiert, dass jede Modalität einzigartige Informationen liefert – Bilder die räumliche Struktur, Videos deren zeitliche Veränderung und Audio die Verbindung zwischen mechanischen Ereignissen und ihren Klängen. Durch die gemeinsame Verarbeitung dieser Daten können die Lücken einer einzelnen Modalität geschlossen und ein tieferes Weltverständnis aufgebaut werden.

Funktionsumfang und Leistungsfähigkeit von FLUX 3 Video

FLUX 3 Video demonstriert die Fähigkeit, aus Texteingaben (Text-zu-Video), Bildern (Bild-zu-Video) und anderen Videos (Video-zu-Video) hochwertige Clips zu generieren. Darüber hinaus unterstützt das Modell schlüsselbildbasierte Übergänge (Keyframe-based Transitions) und mehrsprachige Dialoge. Eine weitere bemerkenswerte Funktion ist die Möglichkeit, einzelne Clips durch agentengesteuerte Verknüpfungen zu längeren, mehrszenigen Sequenzen zusammenzufügen. BFL hebt hervor, dass das Modell besonders gut in der Darstellung menschlicher Mimik und der präzisen Abstimmung von Geräuschen auf physische Ereignisse ist.

In internen Vorab-Evaluierungen wurden 10-sekündige Videoclips in 720p-Auflösung generiert und mit denen von acht Konkurrenzmodellen verglichen. BFL berichtet, dass FLUX 3 in 93 Prozent der Vergleiche Luma Ray 3.2 überlegen war, in 77 Prozent Runway Gen-4.5 und in 69 Prozent Grok Imagine Video. Gegenüber stärkeren Wettbewerbern wie 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) waren die Präferenzmargen geringer. Diese Ergebnisse sind vorläufig und bedürfen unabhängiger Bestätigung, deuten jedoch auf eine vielversprechende Leistungsfähigkeit hin.

Erweiterte Fähigkeiten: Bildgenerierung und Robotik

Neben der Videogenerierung soll FLUX 3 auch die Bildgenerierung verbessern, insbesondere bei komplexen Prompts und der präzisen Wiedergabe von Text in verschiedenen Sprachen. Die Veröffentlichung von FLUX 3 Image ist in den kommenden Wochen geplant. Ein weiteres Anwendungsfeld ist die Robotik. BFL hat in Zusammenarbeit mit Mimic Robotics das Modell Flux-mimic entwickelt, ein Video-Aktionsmodell, das derzeit bei Audi für Produktionsaufgaben getestet wird. Diese Fähigkeit zur Vorhersage von Aktionen basiert auf dem tiefgreifenden Weltverständnis des Modells.

Die technologische Grundlage von FLUX 3 bildet Self-Flow, ein Ansatz von BFL, der es einem einzigen Modell ermöglicht, Inhalte gleichzeitig zu generieren und zu verstehen. Ein multimodaler Transformer nutzt dedizierte Komponenten, um Bilder, Videos und Audio in eine gemeinsame interne Repräsentation umzuwandeln und diese dann wieder in Ausgaben zu übersetzen. BFL ist der Ansicht, dass dieser vereinheitlichte Lernprozess im Vergleich zur bisherigen Flow-Matching-Methode sowohl in der Generierungsqualität als auch im Verständnis der physischen Welt überlegen ist.

Geplante Veröffentlichung und Open-Source-Initiativen

BFL plant eine gestaffelte Einführung der FLUX 3-Fähigkeiten, beginnend mit FLUX 3 Video, das bereits verfügbar ist. FLUX 3 Image wird in den nächsten Wochen folgen, und die Aktionsvorhersage wird zunächst über ausgewählte Partner angeboten. Darüber hinaus beabsichtigt BFL, einen Open-Weight-Zugang zur multimodalen Architektur unter dem Namen "FLUX 3 Dev" bereitzustellen. Langfristig arbeitet das Unternehmen an Modellen der nächsten Generation, die Wahrnehmung, Aktion und Sprachvorhersage in einem einzigen Modell vereinen sollen.

Bedeutung für B2B-Anwendungen

Für Unternehmen im B2B-Bereich, die auf innovative KI-Lösungen angewiesen sind, stellt FLUX 3 eine vielversprechende Entwicklung dar. Die Fähigkeit, hochwertige Videos mit nativem Audio zu generieren, eröffnet neue Möglichkeiten in den Bereichen Marketing, Content-Erstellung, Simulation und Produktentwicklung. Die Integration von Bild- und Aktionsvorhersage in ein multimodales Modell könnte zudem personalisierte Nutzererfahrungen und effizientere Automatisierungsprozesse ermöglichen. Die strategische Bereitstellung eines Open-Weight-Zugangs deutet auf das Potenzial zur Förderung von Innovationen innerhalb der Entwicklergemeinschaft und zur Schaffung neuer Anwendungsfälle hin.

Fazit

Die Einführung von FLUX 3 durch Black Forest Labs markiert einen bedeutenden Schritt in der Entwicklung multimodaler KI-Modelle. Durch das integrative Training von Bild, Video und Audio strebt BFL ein umfassenderes Weltverständnis an, das über die Fähigkeiten traditioneller Modelle hinausgeht. Die angekündigten Funktionen und die vielversprechenden internen Benchmarks positionieren FLUX 3 als einen potenziellen Akteur im Wettbewerbsumfeld der Videogenerierung und darüber hinaus in der Robotik und generativen Bildverarbeitung. Die weitere Entwicklung und unabhängige Evaluierung des Modells werden zeigen, inwiefern diese ambitionierten Ziele erreicht und in der Praxis nutzbar gemacht werden können.

Bibliographie

1. Black Forest Labs Blog. (2026, 23. Juli). FLUX 3 - Real World Models: Towards Multimodal Flow Models as the Backbone of Visual Intelligence. Abgerufen von https://bfl.ai/blog/flux-3
2. Black Forest Labs Blog. (2026, 23. Juli). FLUX 3 - Mimic: Bridging Video Models to Real-World Robotics. Abgerufen von https://bfl.ai/blog/flux-3-mimic
3. The Decoder. (2026, 23. Juli). Flux 3 generates videos with native audio up to 20 seconds long, a first for Black Forest Labs. Abgerufen von https://the-decoder.com/flux-3-generates-videos-with-native-audio-up-to-20-seconds-long-a-first-for-black-forest-labs/
4. VentureBeat. (2026, 23. Juli). Black Forest Labs launches FLUX 3 capable of generating images and 20-second video with audio — but in limited release to start. Abgerufen von https://venturebeat.com/technology/black-forest-labs-launches-flux-3-capable-of-generating-images-and-20-second-video-with-audio-but-in-limited-release-to-start
5. Venture Post. (2026, 23. Juli). FLUX 3 video enters limited release with 20-second clips and audio. Abgerufen von https://venturepost.co/ai/flux-3-video
6. Nordic Times. (2026, 23. Juli). FLUX 3 generates video with sound and expands into robotics. Abgerufen von https://nordictimes.com/tech/flux-3-video-audio-robots-open-weights/