当字节跳动的 Seedance 2.0 还在为多模态对齐焦头烂额时，Black Forest Labs 直接用一套“联合学习”架构，把图像、视频和音频塞进了同一个模型。跑分全面超越，最长 20 秒原生 1080p，这不仅是参数竞赛，更是 AI 视频生成范式的分水岭。
当字节跳动的 Seedance 2.0 还在为多模态对齐焦头烂额时，Black Forest Labs 直接用一套“联合学习”架构，把图像、视频和音频塞进了同一个模型。跑分全面超越，最长 20 秒原生 1080p，这不仅是参数竞赛，更是 AI 视频生成范式的分水岭。
打开一段由 FLUX 3 生成的视频：一个女孩在阳光下回头，发丝根根分明，背景虚化自然，光影过渡平滑得像专业摄影机拍出来的。更重要的是，这段视频自带环境音——风吹过树叶的沙沙声，女孩转身时衣料的摩擦声。没有后期配音，没有音效叠加，AI 在生成画面的同时，把声音也“想”好了。
这就是 Black Forest Labs 在 8 月 5 日交出的答卷。距离 FLUX 3 以 Early Access 方式上线仅仅过去两周，这家来自德国的 AI 实验室便正式向公众开放了完整版本。与市面上其他视频生成模型不同，FLUX 3 采用了一套令人瞩目的统一架构，同时学习图像、视频和音频三种模态。这意味着它不仅仅是“会动的图”，而是真正理解了视听世界的内在关联。
在技术圈，跑分榜永远是硝烟最浓的战场。FLUX 3 的发布公告中，Black Forest Labs 直接放出了与字节跳动 Seedance 2.0 和 MiniMax H3 的对比数据。在多个核心指标上，FLUX 3 均实现领先——尤其是在视频质量（VQ）、运动真实感（Motion）和音频同步（Audio Sync）三个维度上，优势明显。
这并非偶然。FLUX 3 的“统一架构”理念，与传统的“图像模型+视频模型拼接”路线有着本质区别。传统方案中，视频生成通常需要先调用一个图像生成器，再通过额外的运动模块和音频模块进行“缝合”，每层之间都会有信息损耗。而 FLUX 3 从一开始就联合学习三种模态，让模型内部建立跨模态的深层关联——画面中的动作和声音在生成阶段就相互约束，而非事后补救。
这项技术路线的优势在实际应用中表现得淋漓尽致。官方技术报告中提到，FLUX 3 在文生视频、图生视频、视频生视频等任务上均表现优秀，甚至支持“输入视频与音频续写”——你可以给它一段无声的素材，它会自动补齐画面延续和配套音频。这种能力，在目前的竞品中几乎找不到对手。
时长，是视频生成模型绕不过去的坎。此前主流的视频生成模型，如 Runway Gen-3 和 Kling，单次生成时长普遍在 5-10 秒之间，超过这个范围，画面就会出现明显的漂移、形变或语义断裂。FLUX 3 将这一上限拉到了 20 秒，且保持原生 1080p 分辨率。
20 秒意味着什么？对于短视频创作者来说，一条抖音或快手的完整内容已经可以全覆盖；对于广告行业，一个 15 秒的 TVC 可以直接由 AI 生成；对于影视预演（Pre-visualization），导演可以一次性看到完整的镜头运动轨迹。FLUX 3 正在把 AI 视频生成从“片段级工具”推向“成片级生产力”。
当然，20 秒只是一个开始。Black Forest Labs 的博文中暗示，这背后的架构设计是“可扩展的”，未来进一步拉长生成时长只是算力问题，而非架构瓶颈。
FLUX 3 的另一个杀手锏是多镜头串联能力。此前的视频生成模型大多只能输出单一镜头，生成多镜头视频需要手动拼接，而每个镜头之间的风格和内容一致性很难保证。
FLUX 3 可以在一次生成中输出多镜头组成的完整视频片段。每个镜头之间的过渡自然，主体保持一致，甚至镜头语言（如景别变化、运动方向）也有内在逻辑。这意味着 AI 视频生成不仅仅是“一个漂亮镜头”，而是开始具备“导演思维”。
这一能力的实现，得益于其统一架构中的时序建模模块。该模块能够学习跨镜头的语义一致性——当镜头切换时，模型会自动保持主体外观、场景光照和音频连续性，而不需要用户额外提供参考图或描述。
值得注意的是，FLUX 3 目前并未开源。Black Forest Labs 选择了 API 接入的方式向开发者开放，这与他们此前开源 FLUX.1 系列的做法形成了鲜明对比。社区对此褒贬不一：有人认为闭源是商业化的必然选择，也有人担心这会让视频生成技术重新走向寡头垄断。
不过，FLUX 3 的发布无疑给整个行业注入了强心剂。当字节跳动、MiniMax 和 Black Forest Labs 纷纷将视频生成推向“原生 1080p+20 秒”的新高度，我们有理由相信，AI 视频生成的“iPhone 时刻”已经不远了。
从生成一张静态图片，到生成一段 5 秒的动图，再到如今的 20 秒原生 1080p 带音频视频——AI 内容生成的边界，正在以肉眼可见的速度向外扩张。而 FLUX 3，已经在这条赛道上画下了新的起跑线。
IT之家 - FLUX 3 视频 AI 生成模型正式上线：最长 20 秒原生 1080p，跑分优于 Seedance 2.0 | Black Forest Labs 官方公告
标签：AI视频生成, FLUX3, BlackForestLabs, 多模态, AI当字节跳动的 Seedance 2.0 还在为多模态对齐焦头烂额时，Black Forest Labs 直接用一套“联合学习”架构，把图像、视频和音频塞进了同一个模型。跑分全面超越，最长 20 秒原生 1080p，这不仅是参数竞赛，更是 AI 视频生成范式的分水岭。
当字节跳动的 Seedance 2.0 还在为多模态对齐焦头烂额时，Black Forest Labs 直接用一套“联合学习”架构，把图像、视频和音频塞进了同一个模型。跑分全面超越，最长 20 秒原生 1080p，这不仅是参数竞赛，更是 AI 视频生成范式的分水岭。
打开一段由 FLUX 3 生成的视频：一个女孩在阳光下回头，发丝根根分明，背景虚化自然，光影过渡平滑得像专业摄影机拍出来的。更重要的是，这段视频自带环境音——风吹过树叶的沙沙声，女孩转身时衣料的摩擦声。没有后期配音，没有音效叠加，AI 在生成画面的同时，把声音也“想”好了。
这就是 Black Forest Labs 在 8 月 5 日交出的答卷。距离 FLUX 3 以 Early Access 方式上线仅仅过去两周，这家来自德国的 AI 实验室便正式向公众开放了完整版本。与市面上其他视频生成模型不同，FLUX 3 采用了一套令人瞩目的统一架构，同时学习图像、视频和音频三种模态。这意味着它不仅仅是“会动的图”，而是真正理解了视听世界的内在关联。
在技术圈，跑分榜永远是硝烟最浓的战场。FLUX 3 的发布公告中，Black Forest Labs 直接放出了与字节跳动 Seedance 2.0 和 MiniMax H3 的对比数据。在多个核心指标上，FLUX 3 均实现领先——尤其是在视频质量（VQ）、运动真实感（Motion）和音频同步（Audio Sync）三个维度上，优势明显。
这并非偶然。FLUX 3 的“统一架构”理念，与传统的“图像模型+视频模型拼接”路线有着本质区别。传统方案中，视频生成通常需要先调用一个图像生成器，再通过额外的运动模块和音频模块进行“缝合”，每层之间都会有信息损耗。而 FLUX 3 从一开始就联合学习三种模态，让模型内部建立跨模态的深层关联——画面中的动作和声音在生成阶段就相互约束，而非事后补救。
这项技术路线的优势在实际应用中表现得淋漓尽致。官方技术报告中提到，FLUX 3 在文生视频、图生视频、视频生视频等任务上均表现优秀，甚至支持“输入视频与音频续写”——你可以给它一段无声的素材，它会自动补齐画面延续和配套音频。这种能力，在目前的竞品中几乎找不到对手。
时长，是视频生成模型绕不过去的坎。此前主流的视频生成模型，如 Runway Gen-3 和 Kling，单次生成时长普遍在 5-10 秒之间，超过这个范围，画面就会出现明显的漂移、形变或语义断裂。FLUX 3 将这一上限拉到了 20 秒，且保持原生 1080p 分辨率。
20 秒意味着什么？对于短视频创作者来说，一条抖音或快手的完整内容已经可以全覆盖；对于广告行业，一个 15 秒的 TVC 可以直接由 AI 生成；对于影视预演（Pre-visualization），导演可以一次性看到完整的镜头运动轨迹。FLUX 3 正在把 AI 视频生成从“片段级工具”推向“成片级生产力”。
当然，20 秒只是一个开始。Black Forest Labs 的博文中暗示，这背后的架构设计是“可扩展的”，未来进一步拉长生成时长只是算力问题，而非架构瓶颈。
FLUX 3 的另一个杀手锏是多镜头串联能力。此前的视频生成模型大多只能输出单一镜头，生成多镜头视频需要手动拼接，而每个镜头之间的风格和内容一致性很难保证。
FLUX 3 可以在一次生成中输出多镜头组成的完整视频片段。每个镜头之间的过渡自然，主体保持一致，甚至镜头语言（如景别变化、运动方向）也有内在逻辑。这意味着 AI 视频生成不仅仅是“一个漂亮镜头”，而是开始具备“导演思维”。
这一能力的实现，得益于其统一架构中的时序建模模块。该模块能够学习跨镜头的语义一致性——当镜头切换时，模型会自动保持主体外观、场景光照和音频连续性，而不需要用户额外提供参考图或描述。
值得注意的是，FLUX 3 目前并未开源。Black Forest Labs 选择了 API 接入的方式向开发者开放，这与他们此前开源 FLUX.1 系列的做法形成了鲜明对比。社区对此褒贬不一：有人认为闭源是商业化的必然选择，也有人担心这会让视频生成技术重新走向寡头垄断。
不过，FLUX 3 的发布无疑给整个行业注入了强心剂。当字节跳动、MiniMax 和 Black Forest Labs 纷纷将视频生成推向“原生 1080p+20 秒”的新高度，我们有理由相信，AI 视频生成的“iPhone 时刻”已经不远了。
从生成一张静态图片，到生成一段 5 秒的动图，再到如今的 20 秒原生 1080p 带音频视频——AI 内容生成的边界，正在以肉眼可见的速度向外扩张。而 FLUX 3，已经在这条赛道上画下了新的起跑线。
这个事件/技术的核心价值在于它推动了一个重要方向的发展。作为从业者/关注者，我们既要看到短期的影响，也要理解其长期意义。
IT之家 - FLUX 3 视频 AI 生成模型正式上线：最长 20 秒原生 1080p，跑分优于 Seedance 2.0 | Black Forest Labs 官方公告
原文链接：https://www.ithome.com/0/986/470.htm【开场 Hook（0-5秒）】
当字节跳动的 Seedance 2.0 还在为多模态对齐焦头烂额时，Black Forest Labs 直接用一套“联合学习”架构，把图像、视频和音频塞进了同一个模型。跑分全面超越，最长 20 秒原生 1080p，这不仅是参数竞赛，更是 AI 视频生成范式的分水岭。
【核心内容（5-45秒）】
FLUX 3 正式上线：20 秒原生 1080p 视频，AI 视频生成迎来“统一架构”时代
（根据文章正文提炼 3-5 个关键点，口语化表达）【结尾引导（45-60秒）】
如果你觉得有用，点赞收藏，评论区告诉我你的看法！
FLUX 3 正式上线：20 秒原生 1080p 视频，AI 视频生成迎来“统一架构”时代 🔥
当字节跳动的 Seedance 2.0 还在为多模态对齐焦头烂额时，Black Forest Labs 直接用一套“联合学习”架构，把图像、视频和音频塞进了同一个模型。跑分全面超越，最长 20 秒原生 1080p，这不仅是参数竞赛，更是 AI 视频生成范式的分水岭。
💡 关键信息：
#AI视频生成 #FLUX3 #BlackForestLabs #多模态 #AI
#科技资讯 #前沿技术
点击「复制」获取平台专属文案，到各平台编辑器（App/网页）粘贴即可发布。
有密钥的 4 个平台（微信服务号 / 头条 / 百家号 / 微博）可自动发布，密钥填好后自动点亮。
| 平台 | 状态 | 操作 |
|---|---|---|
| 公众号 | 🔑 待配置密钥 | |
| 知乎 | 📋 手动复制 | |
| 抖音 | 📋 手动复制 | |
| 小红书 | 📋 手动复制 |