Black Forest Labs, el laboratorio alemán conocido por sus generadores de imagen FLUX de pesos abiertos, acaba de abrir acceso anticipado a FLUX 3, un modelo que genera vídeo con audio sincronizado y que, con el mismo cerebro visual, controla robots en una línea de producción de Audi. El salto no es solo de calidad de vídeo. Es la misma red aprendiendo a la vez a imaginar el mundo y a moverse por él.
Puntos clave
- FLUX 3 es un modelo multimodal que aprende de imagen, vídeo y audio a la vez, con un método que la empresa llama Self-Flow.
- Produce clips de hasta 20 segundos con audio nativo, diálogo en varios idiomas y texto legible en pantalla.
- En pruebas de preferencia contra rivales, gana el 77% de las veces a Runway Gen-4.5, el 93% a Luma Ray 3.2, el 69% a Grok Imagine y el 60% a Kling v3 Pro.
- Una variante, FLUX-mimic, ya está en pruebas controlando brazos robóticos en Audi.
Qué es FLUX 3 y qué hace distinto
Hasta ahora Black Forest Labs vivía del mundo de la imagen. Sus modelos FLUX se convirtieron en el estándar de pesos abiertos para generar imágenes, la pieza que mucha gente monta en local cuando no quiere depender de una API. FLUX 3 rompe ese techo: es lo primero de la casa que hace vídeo, imagen y audio en un solo sistema.
Los clips llegan a 20 segundos con audio generado dentro del propio modelo, no pegado después. Admite entradas de texto, imagen y vídeo, y modos distintos según lo que le des: texto a vídeo, imagen a vídeo, vídeo a vídeo o fotograma clave a vídeo. Encadena tomas para montar secuencias de varias escenas, y mantiene el estilo y los personajes entre planos, que es justo donde los modelos de vídeo se caen.
Los números de comparación son de las pruebas internas de la empresa, así que hay que leerlos con la cautela de siempre. Aun así el patrón es claro: FLUX 3 sale preferido frente a Runway Gen-4.5 el 77% de las veces, frente a Luma Ray 3.2 el 93%, frente a Grok Imagine el 69%, frente a Kling v3 Pro el 60% y frente a Gemini Omni Flash el 52%. La lista es un quién es quién del vídeo generativo, y en la web de digitalbrain.news ya cubrimos a varios de ellos, como la ronda que llevó a Kling a los 2.800 millones de valoración.
El acceso anticipado arranca por el vídeo. La imagen llega en las semanas siguientes, y habrá una versión de pesos abiertos, FLUX 3 Dev, pensada para caber en hardware de fábrica, más APIs y pesos privados para socios. Esa versión abierta es la que más peso tiene para una empresa, porque es la que puedes montar en tu propia máquina sin mandar cada fotograma a un servidor ajeno.
La apuesta por los pesos abiertos
Aquí Black Forest Labs juega su carta diferencial. Mientras los grandes de la imagen y el vídeo cierran sus modelos detrás de una API, el laboratorio alemán se hizo un nombre justo por lo contrario: soltar pesos que cualquiera puede descargar y afinar. Con FLUX 3 Dev repite la jugada en vídeo, y la dimensiona para que quepa en el hardware de una fábrica, no solo en un centro de datos.
Para el que decide, esto abre una opción que las APIs cerradas no dan: correr el modelo dentro de casa, con tus datos sin salir, y ajustarlo a tu caso. El precio es que la infraestructura y el mantenimiento pasan a ser tuyos. Es el mismo dilema de siempre entre alquilar y tener, ahora aplicado a la capa de vídeo generativo.
Del vídeo a la fábrica: FLUX-mimic
Aquí está lo que separa este lanzamiento del resto. Black Forest Labs cogió el mismo backbone visual de FLUX 3 y, junto a la suiza mimic robotics, montó FLUX-mimic, un modelo que decodifica acciones de robot a partir de lo que el modelo de vídeo ya sabe del mundo.
La idea de fondo es la que lleva meses rondando la robótica: si un modelo aprende a predecir cómo se mueve el mundo en un vídeo, esa misma representación sirve para que un brazo decida qué hacer. Es la tesis de los modelos de mundo, la misma que persiguen otros con modelos como Nvidia Cosmos. FLUX-mimic la aterriza en una planta real.
En Audi, el robot hace tareas de montaje de verdad: colocar piezas en bandejas, insertar unidades de control electrónico, ensamblar componentes y manipular materiales blandos como juntas y cables. Christoph Schneider, del Audi Production Lab, es quien firma las pruebas.
Los datos técnicos explican por qué esto importa a una fábrica. El backbone convierte lo que ve en una representación del mundo en menos de 80 ms sobre una GPU RTX 5090, y el sistema completo reacciona en 101 ms de punta a punta. Con el backbone congelado ya supera a modelos previos de visión-lenguaje-acción, y afinándolo llega al mejor resultado de su categoría.
Por qué importa
El número que se lleva un operador a casa no es el de la calidad del vídeo. Es este: FLUX-mimic aprende una tarea nueva con alrededor de media hora de demostración, cuando lo normal eran 30 horas o más. Bajar el coste de enseñarle algo a un robot de treinta horas a treinta minutos cambia la cuenta de cuándo automatizar una estación de trabajo tiene sentido y cuándo no.
Y el otro aviso es sobre concentración de capacidades. Un mismo laboratorio te da el modelo para generar el vídeo de tu campaña y el que mueve el brazo de tu línea. Para una empresa española que hoy separa mentalmente "IA de marketing" e "IA de operaciones", el mensaje es que esa frontera se está borrando en la capa de modelo. Conviene saber quién tiene esa pieza y bajo qué licencia, sobre todo con una versión de pesos abiertos de por medio.
Relacionado
