周四通常是AI领域发布最密集的日子，尽管OpenAI今天推出了新版本的ChatGPT语音（面向消费者）和OpenAI Presence（企业版），并在曝光量上超过了Anthropic的Claude Voice，但这些更新相比Black Forest Labs（BFL）今天发布的FLUX 3视频模型显得不那么震撼。
我们上次关注BFL是在Anjney Midha的访谈中。许多生成媒体领域的从业者还记得BFL在2024年首次推出Flux 1时的主页，暗示未来将推出视频模型。两年过去了，这一承诺终于成为现实：
BFL的官方博客详细介绍了其“Self Flow”技术，涵盖了所有模态，并强调了其强大功能：
FLUX 3的核心能力包括（所有输出均支持原生音频生成）：
- 文本到视频生成。
- 图像到视频生成，可从起始帧继续动画，或用图像作为视觉参考。
- 视频到视频生成，能将源视频中的核心元素（如同一角色）迁移到新场景。
- 基于输入视频和音频的生成式视频音频续写。
- 关键帧到视频生成，实现定义时刻间的受控过渡。
- 多语言对话支持。
- 丰富的视觉风格和宽广的画面比例，远超传统电影输出。
- 片段智能串联，生成更长的多镜头序列。
- 高度风格多样性，涵盖从随手拍摄到动画和电影级别。
- 强大的排版生成和动画设计能力。
其中部分功能已是其他顶尖实验室模型的前沿技术，如我们在Grok Imagine播客中讨论过的。社区因此高度关注BFL的独立复现能力，并期待其开放权重的开发版本发布。
不仅如此，团队还发布了FLUX3-mimic，证明FLUX 3模型已学习到足够的世界模型，能够驱动机器人并预测其在真实工厂环境中的影响：
此外，本周AI领域还有多项重要动态：
- 最大规模开源代码数据集The Stack v3发布，包含114TB原始数据，224百万代码库，覆盖770种语言，极大推动开源代码模型发展。
- 多模态领域，FLUX 3不仅涵盖图像、视频、音频，还扩展到动作预测，具备机器人控制潜力。
- 机器人领域，FLUX-mimic基于FLUX 3训练，支持通用灵巧操作，已在奥迪测试。
- 语音合成方面，阿里巴巴推出支持16种语言的Qwen-Audio-3.0-TTS，具备自然语言风格控制和长时生成能力；HuggingApps发布WordVoice TTS，支持逐词控制。
- 代理基础设施方面，工程师们聚焦从提示转向更复杂的工作流和测试体系，提升AI编码和代理系统的可靠性。
- OpenAI发布ChatGPT桌面版语音控制，支持多任务协调，提升用户体验。
- 美国推出Health in ChatGPT，连接Apple Health和医疗记录，强调数据隐私和安全。
- Hugging Face遭遇黑客事件，引发AI安全和防御的广泛讨论。
- 推理和服务架构方面，Etched完成3亿美元融资，扩展推理集群，推动推理效率竞赛。
本周AI推特热门话题包括：
- ChatGPT Voice桌面版发布。
- Andrew Ng推出开源本地代理OpenWorker。
- Health in ChatGPT美国上线。
- BFL发布FLUX 3多模态模型。
- The Stack v3开源代码数据集发布。
在Reddit社区，关于开源权重AI的地缘政治、模型蒸馏争议、浏览器代理和权重编辑研究等话题热度不减。特别是围绕中国开源模型Kimi K3的性能和安全争议，以及美国对开源AI可能实施的制裁，社区讨论激烈。
总结来看，BFL的FLUX 3不仅在多模态生成领域实现了技术突破，还展示了其在机器人控制等下游应用的巨大潜力，标志着多模态AI技术迈入新阶段。
