FLUX 3的说明我读了两遍，有一处想找懂行的对一下。
先列清楚的部分：一套权重里同时有图像、视频、音频，还带机器人动作预测。视频单次能到20秒、自带原生音频，文生视频、图生视频、关键帧过渡都有。同一个骨干还驱动了一个机器人策略，官方给的数是单张5090上跑进80毫秒。开放是分批的，视频和动作先给早期访问，图像随后，权重最后放。
卡住我的是训练资源分配：视频预测吃掉九成五以上的算力，音频token占比连0.5%都不到。我理解是音频搭着视频里的物理规律顺出来的，可占比这么小，原生音频真能撑住吗。做过多模态训练的朋友帮忙看看，我这理解偏没偏。