Black Forest Labs ha presentato FLUX 3, una nuova architettura multimodale addestrata congiuntamente per comprendere e generare immagini, video con audio e sequenze combinate fino a 20 secondi, estendendo la stessa base anche alla previsione delle azioni robotiche. È il primo modello video reso pubblico dal laboratorio tedesco e rappresenta un ampliamento sostanziale rispetto alle precedenti generazioni FLUX, concentrate soprattutto sulla creazione e modifica delle immagini.
La differenza tecnica rispetto a molte piattaforme multimodali riguarda il processo di addestramento. FLUX 3 non riunisce modelli separati per immagini, video e audio dietro un’unica interfaccia, ma apprende simultaneamente da tutte queste modalità. Black Forest Labs definisce questa capacità “intelligenza visiva”: un sistema in grado di percepire un ambiente, prevederne l’evoluzione e intervenire sia negli spazi digitali sia in quelli fisici.
La famiglia sarà articolata in quattro linee: FLUX 3 Video, FLUX 3 Image, FLUX 3 Action e FLUX 3 Dev. Video e Action entrano inizialmente in un programma di accesso anticipato soggetto all’approvazione di BFL, mentre FLUX 3 Image dovrebbe arrivare nelle prossime settimane, prima della disponibilità generale. Non è ancora previsto un accesso pubblico attraverso le API di Black Forest Labs o dei suoi partner.
Il lancio non comprende pesi scaricabili né una licenza open source. BFL promette entro la fine dell’anno versioni più veloci e FLUX 3 Dev con pesi aperti, descritto come una dorsale multimodale per immagini, video, audio e previsione delle azioni. Si tratta di un impegno più ampio rispetto alle precedenti varianti Dev, limitate alla generazione visiva, ma gli sviluppatori dovranno attendere: non sono ancora stati comunicati numero di parametri, requisiti hardware, livelli di quantizzazione o condizioni di licenza.
Mancano anche elementi necessari per una valutazione economica completa. Black Forest Labs non ha pubblicato prezzi, accordi sui livelli di servizio, metodologia dettagliata dei test, dimensioni dei campioni, numero dei valutatori o benchmark dedicati alla componente immagine. Le aziende non possono quindi calcolare il costo totale di proprietà né riprodurre in modo indipendente i confronti presentati.
Nei test preliminari su video di 10 secondi a 720p con audio, FLUX 3 sarebbe stato preferito a Luma Ray 3.2 nel 93% dei confronti, a Runway Gen-4.5 nel 77%, a Grok Imagine Video nel 69%, a Kling v3 Pro nel 60%, a Happy Horse v1 nel 59%, a Happy Horse 1.1 nel 57% e sia a Seedance 2.0 sia a Gemini Omni Flash nel 52%.
Questi risultati devono però essere interpretati con cautela. Il grafico pubblicato da BFL riguarda una versione iniziale e precedente all’accesso anticipato, non necessariamente il modello che verrà utilizzato dai clienti. La versione definitiva potrebbe risultare migliore, ma i dati attuali non ne misurano direttamente le prestazioni. Inoltre, le vittorie più nette riguardano Luma Ray e Runway, prodotti consolidati ma non necessariamente i riferimenti più avanzati delle classifiche indipendenti.
Il pareggio al 52% con Gemini Omni Flash è più significativo, perché la piattaforma di Google presenta caratteristiche simili: input multimodale, generazione coordinata di video e audio ed editing conversazionale. Omni Flash è però già disponibile tramite API a circa 0,10 dollari per secondo di video a 720p, mentre FLUX 3 non ha ancora un prezzo. Google mantiene inoltre una limitazione rilevante per l’Europa: nello Spazio economico europeo, in Svizzera e nel Regno Unito non permette di modificare video caricati dagli utenti, pur consentendo l’editing di contenuti generati dal modello stesso.
FLUX 3 Video produce clip con audio nativo della durata massima di 20 secondi da un singolo comando. La risoluzione massima non è stata specificata e le valutazioni pubblicate sono state condotte a 720p. La durata eguaglia quella del precedente Sora di OpenAI e supera i 15 secondi a 1080p dichiarati per Happy Horse 1.0, anche se l’assenza di dati sulla risoluzione impedisce un confronto diretto.
Il modello supporta la generazione video da testo, da un’immagine iniziale o da riferimenti visivi multipli, oltre alla trasformazione di una clip esistente trasferendo personaggi o elementi in un nuovo contesto. Può continuare sequenze audio-video già avviate, generare transizioni controllate mediante fotogrammi chiave e produrre dialoghi multilingue, animazioni, riprese cinematografiche, design tipografico animato e formati con rapporti d’aspetto differenti.
Una delle funzioni più rilevanti per i flussi professionali è il concatenamento agentico delle clip. BFL sostiene che più segmenti possano essere organizzati automaticamente in sequenze di diversi minuti, mantenendo riferimenti visivi e coerenza dei personaggi tra inquadrature successive. Il problema centrale del video generativo commerciale non è infatti soltanto la qualità del singolo filmato, ma la continuità di identità, materiali, ambienti e movimenti tra scene separate.
Su questo terreno la concorrenza è diretta. Happy Horse 1.1 utilizza la funzione Reference-to-Video per mantenere stabile un personaggio a partire da più immagini, dichiara sincronizzazione labiale senza deriva e punta a ridurre artefatti visivi come volti eccessivamente levigati o immagini innaturalmente nitide. FLUX 3 affronta lo stesso problema attraverso riferimenti visivi e concatenamento automatico delle clip.
Black Forest Labs segnala inoltre buone prestazioni preliminari nel controllo delle espressioni facciali, nell’associazione tra suoni ed eventi fisici e nella produzione multilingue. Per la generazione di immagini dichiara miglioramenti nella comprensione dei prompt complessi e nella resa di testo accurato in più lingue, senza però pubblicare percentuali di successo o confronti specifici.
L’architettura deriva da Self-Flow, il metodo presentato da BFL nel marzo 2026 per allineare comprensione e generazione multimodale in un unico modello. L’azienda afferma di aver aumentato notevolmente dati e potenza di calcolo, addestrando congiuntamente video, immagini e audio. I test avrebbero mostrato che la previsione delle azioni può essere aggiunta alla stessa base senza compromettere quanto appreso nella generazione video.
Secondo Robin Rombach, cofondatore e CEO di BFL, le immagini forniscono informazioni sulla struttura, il video insegna dinamiche e relazioni spaziali, le azioni rivelano causalità, l’audio aggiunge ritmo, prosodia ed eventi fisici, mentre il linguaggio esprime obiettivi e istruzioni difficili da ricavare dai pixel. L’ipotesi è che ogni modalità migliori le altre e permetta al modello di apprendere non soltanto l’aspetto del mondo, ma anche come cambia e reagisce.
Questa impostazione è alla base di FLUX 3 Action e di FLUX-mimic, sviluppato con la società svizzera Mimic Robotics. Il progetto applica la dorsale video di FLUX 3 alla manipolazione robotica, combinando la rappresentazione delle dinamiche fisiche con dati specifici raccolti dai robot.
BFL descrive due percorsi per la previsione delle azioni. Il primo integra direttamente le azioni nell’addestramento multimodale di FLUX 3. Il secondo utilizza il modello video preaddestrato come base e lo specializza successivamente su compiti robotici con una quantità limitata di dimostrazioni. FLUX-mimic segue questa seconda strategia.
Il sistema è progettato per permettere a un robot di interpretare una scena, prevedere gli effetti di un movimento e adattarsi a nuove operazioni di manipolazione. In base alla difficoltà dell’attività, BFL e Mimic Robotics dichiarano che il modello può essere ottimizzato con circa 30 minuti di dati del robot, rispetto alle 30 ore o più richieste dai metodi precedenti. La riduzione deriva dalla conoscenza già acquisita sui movimenti degli oggetti e sulle trasformazioni fisiche durante l’addestramento video.
Il risultato potrebbe diminuire uno dei principali costi della robotica: la raccolta di dimostrazioni per ogni nuova attività. Un modello che conosce già dinamiche, contatti e comportamento degli oggetti può richiedere meno esempi specifici rispetto a un sistema addestrato esclusivamente sui dati prodotti dal robot.
L’affermazione secondo cui un modello video possa sviluppare una forma di comprensione della fisica non è però esclusiva di BFL. Google utilizza argomenti analoghi per Gemini Omni, attribuendogli una comprensione intuitiva di gravità, energia cinetica e fluidodinamica. Al momento non esiste tuttavia un benchmark standard capace di verificare sistematicamente se acqua, cadute, collisioni e sincronizzazione sonora rispettino dinamiche plausibili. Le preferenze umane misurano indirettamente alcuni di questi aspetti, ma non permettono ancora di isolare la reale conoscenza fisica del modello.
Per le piattaforme creative, il vantaggio potenziale di FLUX 3 è la consolidazione. Un’unica architettura potrebbe gestire storyboard, fotoritocco, rendering di prodotto, varianti video, audio e localizzazione, evitando di trasferire continuamente asset e istruzioni tra modelli differenti. Canva, Burda, Magnific, Krea e Picsart stanno già sperimentando la tecnologia.
Per i team di robotica, il valore è invece legato alla trasferibilità dell’apprendimento. Le rappresentazioni acquisite da video e immagini potrebbero ridurre la quantità di addestramento richiesta per nuove attività fisiche e permettere l’implementazione di modelli più generalisti su differenti robot e ambienti.
L’arrivo ritardato di FLUX 3 Dev è particolarmente rilevante perché i pesi aperti hanno sostenuto finora la diffusione della famiglia FLUX. Dalla fondazione di Black Forest Labs nel 2024, modelli come FLUX.1 Dev, Kontext Dev, Fill Dev e le varianti di controllo hanno fornito checkpoint scaricabili, inferenza locale e integrazione con framework quali Hugging Face Diffusers e ComfyUI.
FLUX.1 Kontext Dev era stato distribuito con pesi aperti per ricerca e uso non commerciale, consentendo l’impiego commerciale degli output secondo la licenza prevista. Alla fine del 2025, FLUX.2 Dev ha esteso questo approccio con un modello da 32 miliardi di parametri dedicato alla generazione e modifica multi-riferimento, accompagnato da pesi, codice di inferenza e implementazioni ottimizzate per GPU Nvidia consumer.
Con FLUX 3 Dev, la licenza non riguarderà più soltanto la produzione di immagini, ma potenzialmente video, audio e sistemi che controllano macchinari fisici. La possibilità di eseguire localmente una dorsale di questo tipo avrebbe implicazioni dirette per latenza, sicurezza dei dati e personalizzazione nei sistemi robotici, ma le condizioni concrete non sono ancora note.
Black Forest Labs presenta l’apertura dei pesi come una funzione aziendale: permette installazioni private, elaborazione a bassa latenza e adattamento del modello a prodotti, dati e processi interni. La precedente diffusione di FLUX ha già portato i modelli dell’azienda dentro Adobe Photoshop, Picsart e Hermes Agent di Nous Research, mentre BFL cita anche Martin Scorsese tra gli utilizzatori professionali.
La società conta circa 100 dipendenti tra Friburgo e San Francisco, ha una valutazione di 3,25 miliardi di dollari e ha raccolto oltre 450 milioni di dollari. Tra gli investitori figurano a16z, AMP, Salesforce Ventures, Nvidia, General Catalyst, Adobe Ventures, Figma Ventures, Canva e T.Capital di Deutsche Telekom.
FLUX 3 amplia quindi la strategia di Black Forest Labs dalla generazione visiva a una piattaforma unica per contenuti digitali e azioni fisiche. La proposta è tecnicamente ambiziosa, soprattutto per la combinazione tra video e robotica, ma la valutazione aziendale resta incompleta finché non saranno pubblicati prezzi, API, benchmark riproducibili, requisiti hardware e licenza della futura variante open-weight.