Black Forest Labs lanzó FLUX 3 y FLUX-mimic el jueves, combinando un nuevo modelo fundacional multimodal con el primer modelo del laboratorio alemán diseñado para controlar máquinas físicas. Supone un giro brusco para una empresa conocida sobre todo por los modelos de imagen que sustentan una parte importante de las herramientas generativas en Europa.
FLUX 3
La capacidad principal es el vídeo con audio nativo de hasta 20 segundos en una sola generación, no un pase de vídeo seguido de un pase de banda sonora aparte. También admite diálogo multilingüe y de clave a vídeo. Las evaluaciones preliminares de preferencia publicadas por el laboratorio lo sitúan en un 77% frente a Runway Gen-4.5 y en un 93% frente a Luma Ray 3.2. Está previsto publicar pesos abiertos para una variante FLUX 3 Dev cuando termine el acceso anticipado.
FLUX-mimic
El modelo de robótica es un sistema de vídeo-acción: predice qué debería ocurrir a continuación en una escena y emite las acciones para lograrlo. Se desarrolló con Mimic Robotics, una empresa de manipulación con sede en Zúrich, y está en pruebas de despliegue en producción en Audi. Ese despliegue industrial identificado es lo que lo diferencia de la mayoría de los anuncios sobre IA física.
Por qué un laboratorio de vídeo hace robots
La apuesta es que un modelo entrenado para predecir el siguiente fotograma del mundo físico ya ha aprendido gran parte de lo que necesita una política robótica: permanencia de los objetos, contacto y consecuencia. La generación de vídeo y el control robótico acaban siendo el mismo problema de predicción con distintas cabezas de salida. Es la misma apuesta que están haciendo Google y Nvidia con los modelos del mundo, pero desde la dirección opuesta.
El ángulo europeo
Black Forest Labs es el aspirante no estadounidense más claro en la carrera de la IA física, y su trayectoria con pesos abiertos importa: los modelos de imagen FLUX se convirtieron en infraestructura por defecto, en parte, porque los pesos se publicaron. Que FLUX 3 Dev llegue en las mismas condiciones determinará si eso se repite para vídeo y control.