В марте 2026 года Black Forest Labs представила FLUX 3 — мультимодальную модель, которая одновременно генерирует видео с аудио и предсказывает действия для роботов. Это не два отдельных продукта, а единый бэкбон, обученный понимать физический мир через изображения, видео, звук и действия. Совместно с компанией mimic robotics BFL выпустила FLUX-mimic — систему, которая уже управляет манипуляторами на производстве Audi, собирая электронные блоки, работая с гибкими материалами и исправляя ошибки захвата в реальном времени. В этой статье разбираем, как одна модель справляется с созданием контента и физическим интеллектом, какие результаты показывает FLUX 3 Action в 2026 году и как попробовать видео-возможности FLUX 3 в Telegram-боте @CreatorHubAI_bot.

Что такое FLUX 3 Action и почему это важно

FLUX 3 — это flow-модель, обученная на десятках миллионов часов общего видео и сотнях тысяч часов роботизированных манипуляций. Она изучает, как объекты сохраняются при выходе из кадра, как материалы деформируются, как звучит удар детали о поверхность и как движется рука робота, захватывая кабель. Все эти задачи требуют внутреннего представления физики мира — и FLUX 3 строит его единожды, а затем использует для двух семейств приложений:

• Content creation — генерация видео до 20 секунд с аудио, редактирование, работа с текстом и референсами (FLUX 3 Video, FLUX 3 Image);
• Physical AI — предсказание действий для роботов через специализированный декодер (FLUX 3 Action, FLUX-mimic).

Ключевая идея: модель не учится генерировать видео и управлять роботами по отдельности. Она учится моделировать реальность, а видео и действия — это два способа взаимодействия с этой моделью. Именно поэтому Black Forest Labs называет FLUX 3 «Real World Models» — моделями реального мира.

FLUX-mimic: от видео к действиям за 101 миллисекунду

FLUX-mimic — это комбинация замороженного бэкбона FLUX 3 и легковесного декодера действий от mimic robotics. Декодер обучен извлекать команды для роботов из промежуточных представлений видео-пути модели. Такой подход, впервые показанный в работе mimic-video, позволяет использовать знания о динамике мира, накопленные при обучении на видео, без переобучения всей модели.

Результаты впечатляют:

1. Время реакции 101 мс — от получения кадра с камеры до команды актуатору. Бэкбон FLUX обрабатывает вход за менее чем 80 мс на одной NVIDIA RTX 5090, что сопоставимо с визуальным временем реакции человека.
2. Реальное производство — mimic развернула FLUX-mimic на заводе Audi для комплектации деталей, установки электронных блоков в узкие корпуса, сборки компонентов и работы с гибкими материалами (уплотнители, кабели), с которыми традиционная автоматизация не справлялась.
3. Самокоррекция — если робот промахивается при захвате, он корректирует позицию, захватывает снова и завершает задачу без остановки конвейера.

Бенчмарки показывают, что декодер действий превосходит предыдущие vision-language-action модели даже при полностью замороженном бэкбоне FLUX — режим, в котором другие VLA-модели не достигают успеха. При дообучении бэкбона вместе с декодером FLUX-mimic показывает state-of-the-art результаты по успешности выполнения задач.

Как FLUX 3 учится действиям: эксперимент с мультимодальностью

Black Forest Labs провела крупномасштабный эксперимент: добавила предсказание действий в учебный план модели и отслеживала влияние на качество генерации видео. Изначально человеческие оценки text-to-video и image-to-video упали на 10% — модель начала интегрировать новую модальность. Через 3500 шагов обучения модель полностью восстановила прежнее качество видео, одновременно научившись предсказывать действия.

Это подтверждает тезис: действия, аудио и видеокадры — это частичные представления одной физической реальности. После того как модель изучила физические процессы за видео и аудио, предсказание действий не является новым направлением — это ещё одна проекция реальности, которую она уже моделирует. Более 95% вычислительных затрат при обучении FLUX 3 приходится на предсказание видео, потому что именно видео требует понимания контакта, движения, веса, причины и следствия.

Как попробовать FLUX 3 в CreatorHub AI

Пока доступ к FLUX 3 Action предоставляется избранным исследовательским и коммерческим партнёрам, FLUX 3 Video находится в раннем доступе, а возможности генерации изображений и редактирования скоро станут доступны широкой аудитории. В проекте CreatorHub AI (Telegram-бот и веб-приложение eazium.ru) уже доступны модели семейства FLUX для создания изображений и видео:

1. Откройте бота @CreatorHubAI_bot или зайдите на eazium.ru/c/video.
2. Выберите раздел Видео и модель из списка (Kling, Veo, Seedance, MiniMax и другие — более 40 моделей в проекте).
3. Введите текстовый промпт или загрузите изображение-референс, если модель поддерживает image-to-video.
4. Настройте длительность, разрешение и другие параметры (доступные опции зависят от выбранной модели).
5. Запустите генерацию — результат придёт в чат или личный кабинет.

Для работы с изображениями используйте раздел Фото (eazium.ru/c/photo), где доступны GPT Image 2, Nano Banana 2, Flux, Ideogram, Seedream и другие. Также в CreatorHub AI есть инструменты обработки: удаление фона, апскейл, реставрация изображений, создание AI-аватаров.

Цены и доступ в 2026 году

CreatorHub AI работает на системе кредитов, оплата принимается в рублях. Стоимость генерации изображения начинается примерно от 3₽ (в зависимости от модели и разрешения), видео — от нескольких десятков рублей за ролик. При регистрации новые пользователи получают бесплатные кредиты на старте, чтобы протестировать возможности платформы без вложений.

Black Forest Labs планирует выпустить FLUX 3 Dev — открытую версию мультимодального бэкбона для контент-креации и предсказания действий. Это продолжит традицию открытых весов BFL, которые уже скачали более полумиллиарда раз. Следите за обновлениями в блоге eazium.ru и официальных каналах Black Forest Labs.

FLUX 3 Action в 2026 году — это не просто новая модель, а смена парадигмы: физический AI и создание контента работают на одном фундаменте. Модель, которая научилась рендерить мир точно, автоматически понимает, как в нём действовать. И это только начало эры Real World Models.