Black Forest Labs 釋出 FLUX 3 Action：7B 開源模型重新整理機器人基準，提速近 4 倍

FLUX 3 Action 是 Black Forest Labs 開源的一個 7B 引數世界動作模型，專門用來給機械臂等機器人或者遊戲環境做動作控制。

以往做機器人具身智慧，大家常常要二選一。要麼選 Cosmos 3 Nano 這類世界動作模型，把畫面和動作一起預測，理解力強、成功率高，但跑起來又重又慢；要麼選 Pi0.5 這種視覺語言動作模型，速度倒是快了，但成功率直接跌掉一大截。

FLUX 3 Action 就是來打破這種妥協的。它雖然只有 70 億引數，不到 Cosmos 3 Nano（16B）的一半，但在 RoboLab 基準測試裡的表現卻重新整理了開源紀錄。它的單步推理權重在 RoboLab 上拿到了 38.3% 的成功率，如果換成蒸餾了引導步驟的 checkpoint，成功率更是直接拉到 42.2%，甚至在完整榜單上達到 42.92%，把此前 36.8% 的 Cosmos 3 Nano 和 28.0% 的 Pi0.5 都甩在了身後。

它是怎麼兼顧速度與精度的

這套模型能在 7B 體量下保持高精度，核心在於訓練方法。它沿用了多模態 FLUX 3 的底座，先用海量的影像、影片和音訊資料預訓練，其中影片 token 佔比超過 95%。

官方資料顯示，如果只用 DROID 這類機器人動作資料硬練，成功率甚至不到 1%；但加上海量影片預訓練後，立刻躍升到 11.6% 以上。海量影片教會了模型現實物理世界的變化規律，讓它不需要死記每一個動作樣本。

在接下來的中間訓練階段，團隊混合了影片、音訊以及對齊動作的資料，其中包含 14 種具身形態的遙測資料、手持夾爪資料，甚至還塞進了 19.55% 的遊戲畫面錄屏，因此它不僅能指揮機械臂，也能用來做遊戲操作和電腦操控。

速度方面，團隊通過 Self-Flow 架構精簡了引數，再通過蒸餾把取樣步驟壓到單步，徹底省掉了耗時的 guidance 前向傳播。在消費級、工作站和資料中心 GPU 上用 FP8 執行時，FLUX 3 Action 的速度比 Cosmos 3 Nano 快了 1.52 到 3.95 倍。而且它一次能往前推算 2.13 秒的動作序列，遠長於 Pi0.5 的 1.0 秒。

怎麼用起來，規格是什麼

Black Forest Labs 已經開放了模型權重與完整的微調文件。基礎模型的權重大小大概只有 14 GB，不管是消費級顯示卡還是伺服器都能跑起來。

在工作迴圈裡，給它一句文字指令，比如「把紅色方塊放進左邊箱子」，再喂入當前攝像頭的畫面和機械臂關節位置，模型就會同時預測出接下來的一組馬達控制指令以及動作完成後的畫面。機械臂執行完這批指令後，再拍一張新照片讓模型重新校準，不斷迴圈糾偏。

官方還給出了一個很有意思的落地思路：讓 GPT 6 Astra 這類大模型負責全域性長鏈條規劃，而在具體執行物理動作時，把控制權交給本地的 FLUX 3 Action。如果全靠 GPT 6 Astra 慢吞吞推理，單次成功平均耗費 16 分鐘、成本高達 13.47 美元；但換成這種混合策略，任務依然能拿下 90% 的成功率，單次成功成本卻降到了 8.77 美元，耗時縮短到 8 分鐘，相當於費用省了 29%，提速 40%，每次任務成功帶來的收益比純大模型高出 53.64%。

為什麼重要

如果你在做機械臂控制、具身智慧二次開發，或者想探索本地 AI 打遊戲、操控圖形介面，FLUX 3 Action 是目前非常值得上手的開源底座。它把世界動作模型的部署門檻從笨重的工作站叢集，直接拉到了單張普通顯示卡就能玩的水平，14 GB 的體積在本地跑起來毫無壓力。

對行業來說，它證明了影片生成底座能反哺物理世界控制，而且不需要堆砌龐大引數。用高頻、輕量的開源小模型負責動作落地，把昂貴的前沿大模型當外掛大腦，看起來正是當下具身智慧成本落地的最優解。