FLUX 3 進奧迪工廠：生成影片的模型，也能直接操控機器人

過去大家以為做生圖、做影片的 AI，最終歸宿也就是給好萊塢打工、幫營銷號切片。但 Black Forest Labs 這次做了一件完全反直覺的事：他們把自家的多模態影片基座模型，直接送進了奧迪的汽車組裝車間。

Black Forest Labs 開放了新一代多模態基座模型 FLUX 3 的早期體驗，並聯合蘇黎世機器人團隊 mimic robotics，基於該模型推出了影片-動作模型 FLUX-mimic。目前，這套系統已經在奧迪的工廠流水線上實測並落地部署。

影片預測算力佔了 95%，卻順手學會了開工

FLUX 1 和 FLUX 2 專精文生圖，而 FLUX 3 則是從一開始就將影像、影片和音訊放在一起聯合訓練。整個訓練過程中，超過 95% 的算力都消耗在影片預測上，音訊 token 在 720p 影片中甚至佔不到 0.5%。

按照團隊的邏輯，AI 要生成不穿幫的動態影片，就必須在潛空間裡徹底摸清物體的運動、接觸、重量以及因果關係。換句話說，所謂逼真的影片模型，底層其實是一套物理世界模型。

既然摸清了物理規律，機器人動作就只是一種與視覺強繫結的低維狀態訊號。團隊在訓練中加入動作預測後，影片生成的評分起初掉了約 10%，但僅經過 3500 步訓練就完全恢復，主幹模型輕鬆吃下了動作這一新模態。

在架構上，FLUX-mimic 利用他們提出的 Self-Flow 框架，在影片預測路徑的中間特徵層掛載了一個輕量級動作解碼器。據測算，該系統在單張 RTX 5090 顯示卡上的推理延遲低於 80 毫秒。

工廠實操：抓空了會自己重新抓

這套模型被送進奧迪車間後，接手了一批極其棘手的裝配工作。

它負責的任務包括零件分揀入盤、將電子控制單元塞進嚴絲合縫的卡槽，以及組裝機械部件。更關鍵的是，它還能處理傳統工業自動化機械臂根本碰不得的軟質柔性材料，比如橡膠密封條和雜亂的線纜。

由於模型本身已經對真實世界瞭如指掌，教它一個新動作不再需要從頭教物理學。以往教會工業臂一個新任務需要 30 多個小時的示教資料，而 FLUX-mimic 只需要大約半小時。

而且它自帶容錯能力：在抓取部件如果偶爾抓空，機械臂能根據視覺反饋自行校正，重新抓取並繼續完成任務，甚至在完全凍結 FLUX 主幹引數的情況下，動作表現依然壓過了傳統的視覺-語言-動作模型。

為什麼重要

我們認為，BFL 和 mimic 這次給行業指出了一條非常聰明的新路徑：具身智慧不需要從零去堆機器人專屬大模型，優秀的影片生成模型本身就是天生的物理模擬器。

對工業製造和自動化客戶來說，這種影片-動作模型的價值在於極低的微調成本。半小時示教就能上線一個柔性工序，意味著柔性製造和小批次定製的落地門檻被大幅砍低，單張消費級旗艦顯示卡就能跑進 80 毫秒內，也免去了工廠部署昂貴伺服器叢集的顧慮。

對行業競爭而言，這直接改變了機器人大模型的競爭範式。過去做具身智慧多依賴語言大模型加上視覺編碼器，即所謂的 VLA 路線，但語言模型天生缺乏連續物理空間的幾何直覺；而影片生成模型在數千萬小時的影片洗禮下，早就掌握了碰撞與形變。

不過隱患也同樣明顯。影片生成模型天然存在幻覺和隨機漂移，工廠環境對釐米甚至毫米級公差要求嚴苛，極小機率的物理誤判在高速生產線上就可能造成昂貴損失。目前來看，它最適合的是容錯率稍高、依賴柔性手感的裝配分揀工序，要完全接管核心精密製造，仍需要更長週期的穩定性驗證。