01
Jeden multimodalny model bazowy
FLUX 3 uczy się obrazu, wideo i dźwięku razem, w jednej architekturze. Potrafi łączyć tekst z referencjami wizualnymi zamiast traktować każde medium jako osobny system.
- Uczy się obrazu, wideo i dźwięku we wspólnej architekturze
- Łączy język z referencjami obrazu i wideo
- Obsługuje warianty nastawione na generowanie, rozumienie i działanie














