做图像起家的团队，一步跨到带音频的视频生成，还是同一套架构扛下来——Flux 3 最值得看的是这条路线，不是哪个单项指标。
Black Forest Labs 这回放出的 Flux 3 是统一架构，图像、视频、音频一起管，还能往机器人动作预测上扩。视频给的说法是二十秒左右、自带音频，对标 Seedance 2 和 Gemini Omni 那一档，目前开的是早期访问。好处是模态之间共享表征，口型和动作理论上能对得更准；坏处是每个模态单拎出来都很难做到极致。到底偏哪头，得等拿到早期访问的人放出真片子。
