FLUX 3 这次在 Black Forest Labs 的定位里，既不算文生图，也不算文生视频，它是奔着世界模型去的：图像、视频、音频、语言全塞进同一套 multimodal flow，让几种模态互相约束，去学物理规律和因果关系。
拆开是三条产品线：
- Video：最长二十秒，原生带音频
- Image：之后才放
- Action：做动作预测，已经用在 FLUX-mimic 的机器人场景上
我在意的是这个顺序。对天天出静态图的人来说，吃饭那条线这回被排到了后面。一个底座既跑视频又跑图，画风取向会不会被视频素材带偏，我现在心里真没底，只能等 Image 放出来自己跑几轮再说。