FLUX 3 最值得看的是视频那块，其余两项对我来说算背景信息。
单次最长 20 秒，自带原生音频。10 秒 720p 文生视频的人类偏好测试里，对 Luma Ray 3.2 拿到 93%。偏好测试水分向来不小，可差到这个程度，已经不太像同一个量级在比了。
架构上 Black Forest Labs 这回跨得挺大：图像、视频、音频放进同一套架构联合训练，同一组权重还能输出动作预测。最后这项明摆着是冲机器人去的，做视觉的人拿到手更像顺带的副产品。
我平时做概念设定摸 FLUX 最多，图的就是它对结构和材质理解稳、出图不飘。所以真正担心的是图像那档会不会为了兼顾视频往回退，这个得自己跑几轮才有数。