Ein Apfel fällt vom Baum. Du siehst ihn fallen, hörst den Aufprall, kannst vorhersagen, wo er landet. Dein Gehirn kombiniert visuelle, auditive und räumliche Informationen zu einem Gesamtbild. Die KI-Forschung versucht nun, diese Fähigkeit nachzubilden: die Welt nicht durch eine einzelne Linse, sondern durch mehrere Sinne gleichzeitig zu erfassen. Black Forest Labs hat mit FLUX 3 einen Schritt in diese Richtung gemacht.
FLUX 3 ist ein multimodales Foundation-Modell. Es lernt Bilder, Videos und Audio in einer Architektur gemeinsam. Keine dieser Modalitäten allein ergibt ein vollständiges Bild. Ein Bild zeigt räumliche Struktur zu einem Zeitpunkt. Ein Video fügt Zeit und Bewegungsabläufe hinzu. Audio verrät kausale Zusammenhänge – das Geräusch eines fallenden Apfels sagt etwas über Masse und Untergrund. Sprache verknüpft diese Wahrnehmungen mit abstrakten Zielen. Lernt ein Modell nur aus einer Quelle, versteht es nur einen Ausschnitt. Lernt es aus allen gleichzeitig, entsteht ein reichhaltigeres Bild: Geräusche müssen zu Bewegungen passen, Bewegungen physikalischen Gesetzen gehorchen, Zukunft konsistent aus Vergangenheit folgen.
Unser Gehirn macht das vor. Technisch umzusetzen ist es eine Herausforderung. FLUX 3 baut auf Self-Flow auf, einer effizienten Integration von generativen und verständnisorientierten Aufgaben. Statt separate Modelle für Videos, Bilder und Audio zu trainieren, werden alle Datenströme parallel verarbeitet. Das Modell kann generieren und interpretieren – mit beachtlicher Qualität in ersten Tests.
Von der Theorie zur Praxis: Was FLUX 3 kann
Die Fähigkeiten von FLUX 3 teilen sich in Video, Bild und Aktionsvorhersage. Im Videobereich erzeugt das Modell bis zu 20 Sekunden lange Clips mit synchronem Audio in einem Durchgang. Varianten: Text-to-Video, Image-to-Video (animiert Standbilder), Video-to-Video (überträgt Elemente), Keyframe-to-Video (kontrollierte Übergänge). Es generiert mehrsprachige Dialoge und deckt viele Stile ab – von Handykamera-Ästhetik bis Animation. Die Typografie-Generierung ist besonders stark und kann für dynamische Designs genutzt werden.
Bei Bildern zeigt FLUX 3 Verbesserungen. Komplexe Prompts und Texterzeugung in mehreren Sprachen haben sich laut Entwicklern signifikant verbessert. Das Modell beherrscht verschiedene Formate, Stile und Auflösungen. Erste Auswertungen deuten auf einen Sprung zum Vorgänger FLUX. Die Macher betonen, dass die Ergebnisse vorläufig sind.
Action Prediction geht über reine Content-Erstellung hinaus. FLUX 3 kann vorhersagen, wie Dinge sich bewegen oder interagieren. Das lässt sich über native Action Prediction oder Feinabstimmen des Video-Backbones auf spezialisierte Modelle integrieren. Die Zusammenarbeit mit mimic robotics führte zu FLUX-mimic, einem Video-Action-Modell für Robotik-Aufgaben. Ein Pilotprojekt bei Audi zeigt mögliche Anwendungen in der Produktion.
Einordnung der Ergebnisse: Was die Zahlen bedeuten
Ohne unabhängige Vergleiche ist jedes neue Modell schwer einzuschätzen. Black Forest Labs hat erste Vergleichstests veröffentlicht, als vorläufig markiert. In Präferenztests wurde FLUX 3 gegenüber Konkurrenten bevorzugt: bis zu 69 % gegen Grok Imagine Video, 60 % gegen Kling v3 Pro, 59 % gegen Happy Horse v1, 77 % gegen Runway Gen-4.5, 93 % gegen Luma Ray 3.2. Die Zahlen stammen aus internen Auswertungen. Sie zeigen einen Trend: FLUX 3 scheint bei Gesichtsausdrücken, Zuordnung von Geräuschen zu physikalischen Ereignissen und mehrsprachigen Szenarien besonders gut zu funktionieren.
Wichtig ist die Fähigkeit, konsistente längere Sequenzen zu erzeugen – mehrere Minuten mit gleichbleibenden Charakteren, indem visuelle Referenzen aus vorhergehenden Szenen verwendet werden. Das ist ein Fortschritt für kohärente Geschichten oder Anleitungen.
Warum dieser Ansatz zukunftsweisend ist
Der Kern des FLUX-3-Ansatzes ist die Vereinheitlichung. Ein gemeinsamer Kern, das Foundation Model, wird für alle Modalitäten genutzt. Das spart Rechenressourcen und erlaubt dem Modell, Zusammenhänge zu lernen, die bei isolierten Modellen verloren gehen. Ein Modell, das nur mit Videos trainiert wird, sieht den fallenden Apfel auf dem Boden, lernt aber nicht das dazugehörige Geräusch. Ein reines Audiomodell hört den Aufprall, versteht die Ursache nicht. Erst die Kombination erzeugt konsistentes Weltwissen.
Dieses Verständnis erstreckt sich auf Aktionsvorhersagen. Ein Modell, das gelernt hat, dass ein fallender Apfel nach unten beschleunigt, kann auch vorhersagen, wie ein Roboterarm ihn auffangen müsste. Genau das steckt hinter der Integration mit mimic robotics. Der Schritt von Content-Generierung zu physischer KI wird konkret.
Wie geht es weiter: Der Launch Plan
Black Forest Labs hat einen gestaffelten Veröffentlichungsplan. Zunächst wird FLUX 3 Video mit Audio über APIs und privaten Gewichtszugang bereitgestellt. Danach folgt die Action Prediction über ausgewählte Forschungspartner, beginnend mit mimic robotics unter den Namen FLUX-mimic und FLUX 3 Action. Später kommt FLUX 3 Image über APIs. Eine Open-Weight-Veröffentlichung eines multimodalen Backbones unter dem Namen FLUX 3 Dev ist geplant. Details zur Architektur und zum Training sollen ebenfalls veröffentlicht werden. Frühe Zugänge sind über die Webseite möglich.
Das Unternehmen arbeitet bereits an der nächsten Modellgeneration. Ziel: Wahrnehmung, Aktion und Sprache in einem Modell vereinen – eine Vision, die an allgemeine künstliche Intelligenz grenzt.
Was bedeutet das für dich?
Arbeitest du mit Video-, Bild- oder Audiogenerierung – für Marketing, Filmproduktion, Design oder Simulation – dann wird FLUX 3 deine Werkzeuge erweitern. Die Möglichkeit, aus einer Eingabe konsistente, mehrminütige Sequenzen mit Audio zu generieren, spart Zeit und öffnet neue kreative Pfade. Noch interessanter wird es für Robotik oder physische KI. Wenn dasselbe Modell realistische Filme erzeugt und Roboterarme steuert, verschwimmen die Grenzen zwischen virtueller und realer Welt.
Es gibt kritische Punkte. Die Evaluierungen sind vorläufig, die Qualität muss sich in der Praxis zeigen. Zugänglichkeit ist fraglich: Werden kleine Unternehmen von den APIs profitieren? Ethische Aspekte bleiben – etwa täuschend echte Videos oder Nutzung in autonomen Systemen. Die Entwickler versprechen Sicherheitstests in den Early-Access-Phasen.
FLUX 3 ist kein Allheilmittel, aber ein Schritt in eine Richtung, die viele für die Zukunft der KI halten: Modelle, die die Welt sehen, hören, bewegen und verstehen. Ob die Praxis hält, was die Theorie verspricht, wird sich zeigen.
Quelle: bfl.ai
