Black Forest Labs 推出了 FLUX 3，图像、视频、音频、动作预测在一个统一架构里联合训练，官方还提了一句，这模型可以扩展去预测机器人动作。前面几代我基本当纯图像模型在用，线稿上色和材质控制是它的强项。
这次把动作预测放进来，说明他们的思路是把下一步会发生什么当成一个通用问题在解，不分模态。从画原画的角度想，如果动作先验真进了同一套权重，出角色动态姿势时那种关节别扭、重心站不住的毛病可能会缓解不少，这毛病说到底就是模型不懂物理。
视频那部分现在是早期访问，得填表申请，实际效果暂时看不到。