.webp){kind=small}
Black Forest Labs (BFL) está expandindo sua família FLUX além da geração de imagens com o lançamento de hoje do FLUX 3, um modelo de fronteira multimodal treinado para entender e gerar imagens, ou cliques de áudio/vídeo combinados de até 20 segundos a partir de uma única solicitação — e para estender a mesma arquitetura subjacente à visão robótica e ações. O laboratório de inteligência artificial sediado em Freiburg, Alemanha, afirma que o FLUX 3 é treinado conjuntamente em várias modalidades, em vez de montar modelos de imagem, vídeo e áudio separados atrás de uma interface comum.
Essa distinção é central para a proposta da empresa: a BFL deseja que as empresas pensem sobre a geração criativa, simulação, uso de computador e robótica como aplicações conectadas de uma única capacidade que a empresa chama de inteligência visual — modelos, nas palavras da empresa, "que podem perceber, prever e agir em ambientes físicos e digitais". Este lançamento marca o primeiro modelo de geração de vídeo público da BFL. O FLUX 3 será oferecido por meio de quatro linhas de produtos: FLUX 3 Vídeo, FLUX 3 Imagem, FLUX 3 Ação e o futuro, de código aberto, FLUX 3 Dev.
O FLUX 3 Vídeo, com geração de áudio nativa opcional, e o FLUX 3 Ação estão entrando em um programa de "Acesso Antecipado" controlado agora, para o qual qualquer pessoa pode se inscrever, mas que a BFL deve aprovar. Atualmente, não há acesso público por meio da interface de programação de aplicativos (API) da BFL ou de seus parceiros, mas a empresa afirma que o FLUX 3 Imagem será lançado nas próximas semanas, seguido de disponibilidade geral. A limitada disponibilidade inicial ecoa as estratégias de lançamento de novos modelos de outros laboratórios de fronteira nos EUA recentemente, incluindo Anthropic e OpenAI, embora esses tenham sido ostensivamente por motivos de segurança e devido a solicitações do governo.
O que a empresa não anunciou é o preço, os compromissos de nível de serviço de produção, a metodologia de avaliação, os tamanhos da amostra, os contadores de avaliadores ou quaisquer benchmarks de modelo de imagem. Os compradores empresariais, portanto, não podem calcular o custo total de propriedade ou reproduzir independentemente as comparações de vídeo. Outra grande omissão notável: o FLUX 3 não está sendo lançado com pesos baixáveis neste momento, nem com uma licença de código aberto.
A BFL afirma que versões mais rápidas e de pesos abertos chegarão mais tarde este ano, e seu blog técnico nomeia o FLUX 3 Dev como "acesso de pesos abertos a uma espinha dorsal multimodal, para criação de conteúdo (vídeo, áudio e imagem) e previsão de ação" — um compromisso consideravelmente mais amplo do que qualquer lançamento anterior do FLUX Dev, todos os quais cobriam apenas imagens. Mas ele chega por último na sequência. Desenvolvedores acostumados a receber uma variante do FLUX implantável localmente ao lado — ou logo após — um anúncio de modelo importante terão que esperar. Esse atraso não nega o compromisso da empresa, mas é desapontador, considerando o papel que os pesos abertos desempenharam na adoção do FLUX até agora.
O Flux 3 é classificado como superior à concorrência, mas a falta de detalhes de preços e benchmarks pode impedir a adoção empresarial rápida. A BFL publicou várias comparações de benchmarks, mas elas são qualificadas como preliminares — com resultados e metodologia de benchmark completos a serem publicados mais tarde durante a disponibilidade geral mais ampla. Em testes de preferência tête-à-tête iniciais em cliques de texto para vídeo de 10 segundos, 720p, com áudio, a empresa afirma que o FLUX 3 foi preferido sobre Luma Ray 3.2 em 93% das comparações, Runway Gen-4.5 em 77%, Grok Imagine Video em 69%, Kling v3 Pro em 60%, Happy Horse v1 em 59%, Happy Horse 1.1 em 57%, e ambos Seedance 2.0 e Google's Gemini Omni Flash em 52%.
Uma ressalva acompanha cada uma dessas figuras, e vem da própria BFL. O gráfico que apresenta os resultados é rotulado como uma "avaliação preliminar de um candidato inicial do FLUX 3" — o que significa que os números descrevem um ponto de verificação pré-lançamento, e não o modelo que agora está entrando em acesso antecipado. Isso corta dois caminhos: o modelo de lançamento pode ter um desempenho melhor, mas nada publicado hoje mede o que os clientes realmente vão chamar. Luma Ray 3.2 e Runway Gen-4.5, onde FLUX 3 obteve 93% e 77%, são as comparações mais fáceis da lista — produtos estabelecidos, mas não os modelos que atualmente estão definindo o ritmo nas classificações de vídeo independentes.
Essas são vitórias reais, e são as menos prováveis de mudar uma lista curta de empresas. Seedance 2.0, em 52%, é uma decisão estatística contra um modelo que a maioria das empresas ocidentais não pode atualmente adquirir. ByteDance adiou indefinidamente o lançamento internacional do Seedance 2.0 após Netflix, Warner Bros., Disney, Paramount e Sony enviarem ameaças legais sobre alegada violação sistemática de direitos autorais, e essa suspensão permanece em vigor. Empatar com um produto congelado não é uma afirmação forte nem prejudicial. Gemini Omni Flash, também em 52%, é muito mais importante.
Omni é o analógico de grande plataforma mais próximo do que FLUX 3 está tentando — entrada multimodal, criação de vídeo e áudio, edição conversacional — e, pela própria medição da BFL, os dois são indistinguíveis na qualidade de texto-para-vídeo de 10 segundos. A vantagem do Google nesse confronto é que Omni está geralmente disponível por meio da API Gemini do Google por $0,10 por segundo de vídeo gerado em 720p, ou um clipe de 10 segundos por cerca de. Uma complicação regional é importante para o mercado interno de uma empresa alemã. Editar vídeo carregado não está disponível para usuários do Omni Flash na Área Econômica Europeia, Suíça e Reino Unido, embora a edição de vídeo gerado pelo próprio modelo seja permitida.
Uma empresa europeia que deseja executar sua filmagem existente por meio de uma passagem de edição gerativa não pode atualmente fazê-lo no Omni Flash. Aqui está um guia aproximado para empresas que consideram quais modelos de vídeo confiar: Modelo Duração máxima de geração única Resolução máxima Restrições principais Preço por clipe de 10 segundos (720p) Preço por clipe de 10 segundos (1080p) Preço por clipe de 10 segundos (4K) FLUX 3 Vídeo 20 segundos Não especificado; avaliações executadas em 720p Acesso antecipado; sem SLA ou preço publicado Não anunciado Não anunciado Não anunciado HappyHorse 1.1 15 segundos 1080p Sem 4K; pesos fechados Não publicado (taxa de revendedor da v1.0 é ~ $1,82) Não publicado (taxa de revendedor da v1.0 é ~ $3,12) n/a Veo 3.1 Faturamento por segundo 4K Suporta extensão de clipe; pré-visualização $4,00 $4,00 $6,00 Veo 3.1 Fast Faturamento por segundo 4K Pré-visualização $1,00 $1,20 $3,00 Veo 3.1 Lite Faturamento por segundo 1080p Sem 4K, sem extensão de clipe; pré-visualização $0,50 $0,80 n/a Gemini Omni Flash 10 segundos (3s mínimo) 720p a 24 FPS Pré-visualização e sem acesso à UE $1,00 n/a n/a Uma arquitetura para geração de mídia e ação física FLUX 3 é baseado no Self-Flow, método da BFL para alinhar compreensão e geração multimodal dentro de uma arquitetura, divulgada em março de 2026. A empresa afirma que aumentou significativamente o processamento e os dados para treinar vídeo, imagens e áudio simultaneamente, e que os testes mostraram que a geração de vídeo e a previsão de ações não requerem fundamentos separados — a mesma arquitetura pode ser estendida para previsão de ações sem sacrificar o que aprendeu com o vídeo. "Colocamos a visão no centro de nossa abordagem porque é o meio mais rico em sinais do mundo físico. Imagens transmitem estrutura, imagens e vídeo ensinam relações espaciais, vídeo ensina dinâmica, e ações revelam relações causais. Mas a visão sozinha não é a imagem completa", disse Robin Rombach, co-fundador e CEO da BFL, em um comunicado pré-lançamento fornecido à VentureBeat. "Inteligência verdadeira significa perceber o mundo: prever como ele mudará, tomar ação e aprender com os resultados. Treinamento conjunto dentro de uma arquitetura unificada é o que nos levará até lá, porque cada modalidade de treinamento fortalece as outras. Áudio transmite tempo, prosódia e eventos físicos que escapam à visão. Linguagem transmite metas, abstrações e instruções que pixels não podem expressar facilmente." Ele apresentou o caso de forma mais direta em outra parte do anúncio: "Você não pode enganar a realidade. Um modelo que só aprende imagens só pode gerar imagens. Mas o mundo não é feito de quadros estáticos. Ele se move, soa, muda e responde." A BFL afirma que o FLUX 3 tem como alvo ferramentas criativas, mídia, design, e-commerce e IA física, com suporte à geração de vídeo com áudio sincronizado, edição de imagem precisa, consistência de produtos e materiais em movimento, geração multilíngue e previsão de ação robótica. Ele já está sendo testado pela Canva, Burda, Magnific (antigo Freepik), Krea e Picsart. Para as empresas de software criativo, o apelo é a consolidação. Uma base única pode potencialmente suportar storyboarding, edição de imagem, renderização de produtos, variação de vídeo e localização sem traduzir repetidamente ativos e instruções entre modelos desconexos. Para as equipes de robótica,.
Nota do editor: O AR NEWS 24H publica conteúdos baseados em fontes externas. As informações e opiniões presentes no material original são de responsabilidade de seus respectivos autores.
