Black Forest Labs 于 2026 年 7 月 23 日宣布了 FLUX 3。这是迄今为止 FLUX 模型家族最重大的变化：FLUX 3 不再只专注于图像生成和编辑，而是一个在图像、视频、音频和动作数据上进行训练的多模态基础模型。
FLUX 3 现已在 PoYo 上线五种生产级视频工作流：文生视频、图生视频、首尾帧生视频、视频续接和定位关键帧生成。PoYo 的 FLUX 3 API 页面已经提供在线生成器、模型 ID、支持参数和定价信息。
本指南将区分 Black Forest Labs 已正式公布的信息，以及仍然未知的细节。
FLUX 3 概览
| 特性 | 官方已公布的信息 |
|---|---|
| 开发者 | Black Forest Labs |
| 发布日期 | 2026 年 7 月 23 日 |
| 当前状态 | PoYo 已上线五种生产级视频工作流 |
| 模态 | 图像、视频、音频和动作预测 |
| 输入 | 文本、图像和视频参考 |
| 图像能力 | 生成和编辑 |
| 视频能力 | 文生视频、图生视频、视频生视频、延续和关键帧 |
| 原生音频 | 是 |
| 已公布的最大视频时长 | 单次生成最长 20 秒 |
| 多语言对话 | 已公布 |
| PoYo 通用 API 访问 | 现已可用 |
| 公开 API 模型 ID 和定价 | 已在 PoYo 文档和模型页公布 |
什么是 FLUX 3？
FLUX 3 是一个统一的多模态模型。Black Forest Labs 表示，该模型同时基于图像、视频和音频进行训练，使不同模态能够相互约束并提供信息。
图像描述空间结构。视频增加了时间和运动。音频则为事件和物理交互提供证据。语言将这些信号连接到指令和抽象目标。FLUX 3 旨在学习一种共享表示，而不是将每种媒介视为彼此隔离的生成任务。
这与 FLUX 2 的产品方向不同，后者主要是一个图像生成和编辑模型家族。FLUX 3 仍然能够生成和编辑图像，但也能生成带原生音频的视频，并为动作预测提供基础。
FLUX 3 模型家族
Black Forest Labs 已宣布 FLUX 3 基础模型的四个主要应用方向。
FLUX 3 Image
FLUX 3 Image 通过 API 和私有权重访问提供图像合成与编辑能力。BFL 表示，该模型能够处理多种风格、宽高比和分辨率，更准确地遵循复杂提示词，并改进多语言文本渲染效果。
FLUX 3 Video
FLUX 3 Video 能够生成和编辑带原生音频的视频。它接受文本、图像和视频参考，并支持多种工作流，包括延续生成和关键帧控制生成。
FLUX 3 Dev
FLUX 3 Dev 是已宣布的开放权重多模态骨干模型。BFL 将其描述为内容创作和动作预测的基础。该公司尚未公布其权重、许可证、硬件要求或发布日期。
FLUX 3 Action 和 FLUX-mimic
FLUX 3 还通过选定的研究和商业合作伙伴支持动作预测。FLUX-mimic 由 mimic robotics 共同开发，将该模型对视觉世界的表示应用于机器人动作。这是一个专门面向研究和工业的方向，并非面向消费者的图像或视频生成器。
FLUX 3 Image 的能力
尽管 FLUX 3 的范围比早期 FLUX 版本更广，但它仍然是一个重要的图像模型。
Black Forest Labs 已公布以下能力：
- 文生图
- 图像编辑
- 多种视觉风格和宽高比
- 多种输出分辨率
- 更好地处理复杂提示词
- 更准确的多语言文本生成
- API 和私有权重访问
官方示例涵盖写实特写、类似产品摄影棚的图像、绘画和平面插画。它们展示了风格多样性，但这些是经过挑选的发布示例，并不能独立衡量模型的一致性。
重要的生产环境细节仍然缺失。BFL 尚未公布最终的 FLUX 3 Image API 参数、最大分辨率、延迟、速率限制或价格。
FLUX 3 Video 的能力
FLUX 3 可以在单次生成中生成最长 20 秒、带音频的视频。已公布的工作流包括：
- 文生视频： 根据文字描述创建完整片段。
- 图生视频： 将起始帧制作成动画，或将图像用作视觉参考。
- 视频生视频： 将源片段中的角色、主体或视觉元素延续到另一个场景中。
- 视频和音频延续： 延长已有的视听序列。
- 关键帧生视频： 在定义好的时间点之间生成可控的过渡。
- 多语言对话： 生成多种语言的口语内容。
- 多镜头串联： 使用智能体工作流将片段连接成更长的序列。
- 动态字体： 制作动态图形设计和动态文字。
该模型的音频是原生生成的，而不是通过单独的后期处理步骤添加。这对于声音、运动和时间需要保持一致的事件非常重要。
Self-Flow 如何融入 FLUX 3
FLUX 3 构建于 Self-Flow 之上。Self-Flow 是 Black Forest Labs 开发的一种方法，用于在单一架构中对齐多模态生成与理解。
BFL 的初步研究将 Self-Flow 与传统的流匹配方法在图像、视频和音频生成方面进行了比较。该公司报告称，Self-Flow 的归一化生成误差更低，并且在下游操控任务上的学习速度更快。
这些结果有助于解释其架构，但不应被视为对最终 FLUX 3 产品的完整公开基准测试。该模型和评估工具仍在开发中。
FLUX 3 Video 的早期评估
Black Forest Labs 发布了针对带音频的 10 秒、720p 文生视频片段的初步人类偏好结果。在其测试中，FLUX 3 在以下比例的比较中获得了更高偏好：
- 相较于 Grok Imagine Video，最高在 69% 的比较中胜出
- 相较于 Kling v3 Pro，胜出比例为 60%
- 相较于 Happy Horse v1，胜出比例为 59%
- 相较于 Happy Horse 1.1，胜出比例为 57%
- 相较于 Seedance 2.0 和 Gemini Omni Flash，胜出比例为 52%
- 相较于 Runway Gen-4.5，胜出比例为 77%
- 相较于 Luma Ray 3.2，胜出比例为 93%
这些是厂商发布的早期评估结果，并非独立排行榜。BFL 明确表示，模型和评估设置仍在不断变化。提示词选择、采样设置、评估人员以及竞品模型版本都可能影响偏好结果。
FLUX 3 的可用性
PoYo 当前提供五个生产级视频模型 ID：
flux-3/text-to-videoflux-3/image-to-videoflux-3/first-last-frame-to-videoflux-3/extend-videoflux-3/keyframes-to-video
这些工作流支持生成 5–20 秒、720p 或 1080p 的视频，提供八种宽高比，并可在同一次请求中生成同步原生音频。标准工作流在 720p 和 1080p 下分别为每秒 34 和 58 credits；视频续接分别为每秒 82 和 106 credits。
本次上线范围是 PoYo 的 FLUX 3 视频工作流。FLUX 3 Image、Action 和开放权重的 FLUX 3 Dev 仍属于 BFL 更广泛的产品路线，不能视为包含在当前视频 API 中。具体请求字段和限制请查看 FLUX 3 API 文档。
FLUX 3 的使用场景
图像生成和编辑
FLUX 3 Image 可能支持产品视觉素材、编辑插画、广告、多语言设计以及基于参考图的编辑。
带同步声音的短视频
原生视听生成适用于对话场景、产品演示、社交媒体片段、动态设计和故事概念创作，尤其适合声音必须与动作匹配的场景。
角色和风格一致性
图像和视频参考可以将核心主体或视觉语言延续到新的场景中。多镜头串联还可能将这一能力扩展到更长的序列。
预可视化
在传统制作之前，关键帧、参考片段和图像输入可以帮助创意团队探索转场、镜头运动和场景结构。
具身智能研究
FLUX 3 的共享世界表示还可以用于动作预测，FLUX-mimic 合作项目便展示了这一点。
常见问题
FLUX 3 已经发布了吗？
Black Forest Labs 于 2026 年 7 月 23 日公布 FLUX 3。PoYo 现在提供覆盖文本、图像、首尾帧、源视频续接和定位关键帧的五个生产级视频端点。
FLUX 3 是图像模型还是视频模型？
它是一个多模态基础模型。已公布的变体涵盖图像生成和编辑、带原生音频的视频，以及动作预测。
FLUX 3 能生成音频吗？
可以。FLUX 3 Video 会与视频一起生成原生音频，并支持多语言对话。
FLUX 3 视频可以有多长？
PoYo 接受 5–20 秒的整数时长，并支持 720p 和 1080p 输出。
FLUX 3 是开源的吗？
BFL 已宣布推出开放权重的 FLUX 3 Dev 骨干模型，但其权重、许可证和发布日期尚未公布。
PoYo 上可以使用 FLUX 3 API 吗？
可以。你可以直接使用 FLUX 3 模型页面，也可以集成五个已经公开文档的 PoYo 视频模型 ID。
FLUX 3 与 FLUX 2 有何不同？
FLUX 2 专注于图像生成和编辑。FLUX 3 将该模型家族扩展为一个统一的图像、视频、原生音频和动作预测模型。请参阅详细的 FLUX 3 与 FLUX 2 对比。
最终结论
FLUX 3 不只是又一次图像模型升级。它将 FLUX 从一个以图像为核心的模型家族转变为一个多模态平台，旨在连接视觉外观、运动、声音和物理行为。
最值得关注的能力已经很明确：原生视听生成、参考驱动视频、多语言对话、更强的排版能力，以及向动作预测延伸的共享架构。PoYo 目前已为五种视频工作流公布模型 ID、控制参数和按秒计费标准。
你可以通过 PoYo FLUX 3 模型页面立即生成视频，或在集成前阅读 API 文档。未发布的 Image、Action 和 Dev 信息仍应与当前已上线的视频端点分开理解。