何が起きたのか

Black Forest Labs（BFL）が2026年7月23日、新しいマルチモーダル基盤モデル「FLUX 3」を公式ブログで発表しました（Black Forest Labs 2026-07-23）。公式ブログの書き出しは「FLUX 3 is our new multimodal foundation model. It jointly learns from images, videos, and audio within a unified architecture.」であり、画像・動画・音声を単一アーキテクチャで同時に学習したモデルだと説明されています。

発表の中で数値として明示されているのは、単一生成で最大20秒の動画をネイティブ音声付きで作れること、そして人手による選好評価の勝率です。同ブログは、Luma Ray 3.2 に対して93%、Runway Gen-4.5 に対して77%、Grok Imagine Video に対して最大69%、Kling v3 Pro に対して60%の比較で好まれたとしています。この評価は「10-second text-to-video clips in 720p with audio」を対象とした予備的なもので、公式自身が「Evaluations are early and we expect further improvements」と留保を付けています。

ただし、この発表で最も引っかかるのはベンチマークの数字ではありません。画像生成モデルで知られる会社が、同じモデルの中に 行動予測（action prediction）を入れてきた点です。公式ブログはFLUX 3を「a checkpoint on our mission to develop real-world visual intelligence: models that perceive, predict, and act across physical and digital environments」と位置づけています。画像を作るモデルと、ロボットを動かすモデルを、同じ土台に載せるという宣言です。

Self-Flow ——「外部の教師」を捨てたフローマッチング

FLUX 3の土台は、BFLが2026年3月に公開した「Self-Flow」です（Black Forest Labs Research 2026-03-03）。論文は Self-Supervised Flow Matching for Scalable Multi-Modal Synthesis として arXiv に2026年3月6日に投稿され（arXiv:2603.06507）、コードはICML 2026採択として GitHub に Apache-2.0 で公開されています（GitHub black-forest-labs/Self-Flow）。著者にはPatrick Esser、Robin Rombach、Antonio Torralba らが名を連ねています。

論文のアブストラクトは、既存手法の問題をこう説明しています。「Existing approaches largely rely on external models, which require separate training, operate on misaligned objectives, and exhibit unexpected scaling behavior.」——つまり、拡散・フローモデルに意味的な表現力を持たせるために、CLIPやDINOv2のような外部エンコーダを「教師」として使ってきたが、それが別目的で訓練された別モデルである以上、スケーリングの足枷になるという指摘です。

なぜそうなるのか。標準的なフローマッチングの目的関数は、ノイズ $x_0$ とデータ $x_1$ を線形に補間した中間状態を作り、その速度場を回帰するだけの形をしています。

$$ \mathcal{L}_{\mathrm{FM}}(\theta)=\mathbb{E}_{t,\,x_0,\,x_1}\Big[\big\|v_\theta(x_t,t)-(x_1-x_0)\big\|^2\Big],\qquad x_t=(1-t)\,x_0+t\,x_1 $$

ここで $t$ は全トークンに共通のスカラーです。アブストラクトが言う「a denoising task with little incentive to learn semantic representations」とは、この形の学習には局所的なノイズ除去以上のことを学ぶ動機が組み込まれていない、という意味になります。

Self-Flow が入れた仕掛けは、論文が「Dual-Timestep Scheduling」と呼ぶもので、アブストラクトは「applies heterogeneous noise levels across tokens, creating an information asymmetry that forces the model to infer missing information from corrupted inputs」と説明しています。仕組みは、トークンごとに独立な時刻をサンプルするのではなく、2つの時刻 $t, s$ をノイズ分布からサンプルし、ランダムマスク $M$ で各トークンをどちらか一方に割り当てるというものです。

$$ \tau_i= \begin{cases} s & (i\in M,\ \text{ノイズが強い側})\\ t & (i\notin M,\ \text{ノイズが弱い側}) \end{cases} $$

studentはこの不均衡なノイズが混在した入力を受け取る一方、EMAで更新されるteacherは $\min(t,s)$ にそろえた、より情報量の多い入力を受け取ります。同じ1枚の画像の中に、ほぼ綺麗なトークンと、ほぼ純ノイズのトークンが混在する状態が作られ、ノイズの濃いトークンを復元するには、薄いトークンの側から意味を読み取って埋めるしかない。生成の訓練をしているつもりが、同時に理解の訓練になっている、という構図です。公式ブログがSelf-Flowを「our approach for efficiently aligning multimodal generation and understanding within the same underlying architecture」と呼ぶのは、この点を指しています。

GitHubのREADMEにあるトークン単位のマスク率25%、teacherを第20層・studentを第8層に置く設定は、この自己蒸留の実装例です。teacherは外部モデルではなく自分自身のEMA版であり、外部の事前学習済みエンコーダには依存しません。スケーリングの上限が外部モデルの性能で決まらなくなる——これが「following expected scaling laws」というアブストラクトの主張の中身です。

4つ目のモダリティとしての「行動」

ここまでの設計を踏まえると、行動予測が入ってくる理屈が見えてきます。フローマッチングは、ノイズから目標分布へ連続的に輸送する枠組みであって、輸送先が画素である必然性はありません。関節角度の系列でも同じ式が回ります。

ロボティクス側では、この発想はすでに定着しています。VLA（Vision-Language-Action）モデルの多くが、条件付きフローマッチングで連続的な行動チャンクを生成する「action expert」を持つ構成を採っており、π0（Physical Intelligence）や NVIDIA GR00T N1 がその代表例として挙げられます（LearnOpenCV）。BFL がやったのは逆方向で、VLM に行動ヘッドを足すのではなく、動画・音声を学んだフローバックボーンそのものに行動を載せています。

公式ブログは、そのアプローチを2経路だと明記しています。「integrating native action prediction into FLUX 3 directly, scaling up our initial work in Self-Flow; and using the pretrained video backbone as a dynamics-aware foundation that specialized action models can be finetuned from with limited task-specific data.」

後者の言い分が実務的に効きます。動画で世界のダイナミクスを学んだバックボーンがあれば、収集コストの高いロボット実機データは少量で済む、という主張です。実際の適用例として、スイスのロボティクス企業 mimic robotics との協業で「FLUX-mimic」という video-action モデルを開発したことが記されており、器用な操作（dexterous manipulation）と production deployment が用途として挙げられています。別記事「FLUX 3 × mimic」によれば、FLUX-mimicはFLUX 3の動画予測パスから抽出した中間特徴量の上に軽量な action decoder を学習させる構成です（Black Forest Labs 2026-07-23）。公式ブログはさらに「how it’s being tested on real production tasks at Audi」と、Audi の実生産タスクでのテストに言及しています。

BFL が最後に置いている一文は、この方向性を要約しています。「Our goal is to unify perceptual, action and language prediction in the same unified model.」知覚・行動・言語を1つのモデルに統合する、という宣言です。生成モデルと世界モデルの区別は、少なくともBFLの設計思想の上では消えつつあります。

93%という勝率をどう読むか

勝率の数字は印象的ですが、性質を押さえておく必要があります。

第一に、評価はBFL自身が実施した人手選好比較です。ドイツのAI専門メディア The Decoder は「BFL says the results are preliminary, and no independent tests are available yet」と書いています（The Decoder 2026-07-23）。第三者による再現はまだ存在しません。

第二に、勝率の分布が示唆的です。The Decoder が整理した数値では、Luma Ray 3.2 に93%、Runway Gen-4.5 に77%、Grok Imagine Video に69%、Kling v3 Pro に60%、Happy Horse v1 に59%、Happy Horse 1.1 に57%と続き、Seedance 2.0 と Gemini Omni Flash に対しては52%で並んでいます。93%と52%では意味がまったく違います。前者は「ほぼ常に選ばれる」水準ですが、後者は50%に近い点推定値にすぎません。BFLは比較件数・評価者数・信頼区間を公開していないため統計的な有意差までは判断できませんが、少なくとも上位の競合に対して明確な優位を主張できる数字ではない、と読むのが素直でしょう。

第三に、評価対象は10秒・720pのクリップです。目玉機能である20秒生成そのものの品質は、この数値には含まれていません。

第四に、パラメータ数が公開されていません。公式ブログにも価格ページ（bfl.ai/pricing）にも記載がなく、本稿執筆時点では公式APIドキュメント（docs.bfl.ai）にもFLUX 3の項目が出ていません。計算コストあたりの効率を比べる材料がない状態です。

ティア構成と、オープンウェイト版の意味

公式ブログが示した提供計画は4系統です。

  • FLUX 3 Video — 動画・音声の生成と編集を、APIおよびプライベートな重みアクセスで提供
  • FLUX 3 Image — 画像の合成と編集を、同じくAPIとプライベート重みで提供
  • FLUX-mimic / FLUX 3 Action — 行動予測を、mimic robotics を皮切りに選定された研究・商用パートナーへ提供
  • FLUX 3 Dev — マルチモーダルバックボーンのオープンウェイト公開。動画・音声・画像の生成に加え、行動予測も対象

The Decoder によれば、FLUX 3 Video はすでに利用可能で、FLUX 3 Image は数週間以内に早期アクセスで続く予定とされています。

日本の開発者にとって現実的な関心はFLUX 3 Devでしょう。ただし、ここで注意すべきなのは前例です。FLUX.2 [dev] は32Bのrectified flow transformerとして重みが公開されましたが、ライセンスは「FLUX Non-Commercial License v2.1」（Hugging Face 上のライセンスタグは flux-non-commercial-license）で、「You may only access, use, Distribute, or create Derivatives of the FLUX Model or Derivatives for Non-Commercial Purposes.」と、モデル自体の利用は非商用目的に限定されています（Hugging Face black-forest-labs/FLUX.2-dev LICENSE.md 2026-07-24閲覧）。ただし同ライセンスは生成物（Output）を区別しており、「You may use Output for any purpose (including for commercial purposes)」として、競合モデルの学習・蒸留への転用を除き生成物自体の商用利用は認めています。つまり「モデルを商用運用できるか」と「生成物を商用利用できるか」は別の論点です。FLUX 3 Dev のライセンス条件は現時点で公表されておらず、モデル自体の利用条件が同系統の非商用ライセンスになる可能性は十分にあります。「オープンウェイト」は「自由に商用利用できる」と同義ではありません。

もう一点。オープンウェイトの対象が「マルチモーダルバックボーン」であり、行動予測も含むと明記されている点は、ローカルでのファインチューニング対象が画像生成の枠を超えることを意味します。動画バックボーンの事前学習を、自前の少量データで特定タスクの行動モデルに転用する——公式ブログが挙げた2つ目の経路が、パートナー限定ではなく手元で試せる形になるかどうか。ここが実務上の分岐点です。

残された不確実性

  • パラメータ数と推論コストが不明: モデル規模も価格体系も未公表で、価格ページとAPIドキュメントの双方にFLUX 3の項目がありません。ローカル運用に必要なVRAM量も見積もれません。
  • 評価が自社実施の予備結果: 選好率はすべてBFL自身の人手評価で、第三者検証は本稿執筆時点で存在しません。評価者の人数、選定方法、プロンプトの内訳も公開されていません。
  • FLUX 3 Devの公開時期とライセンス: 公式ブログは提供計画として挙げるのみで、具体的な公開日もライセンス条件も示していません。FLUX.2 [dev] の前例からは非商用ライセンスの可能性が高いと見られますが、確認された事実ではありません。
  • 行動予測の定量値は別記事にあり、Audi現場の成功率は非公開: FLUX 3の発表ブログ本体（bfl.ai/blog/flux-3）はFLUX-mimicやAudiでの成果を定量的に示していませんが、同日公開の別記事は「Dashed line marks each model’s median success rate across 20 autonomous trials.」として20回の自律試行に基づく成功率中央値の比較チャートを掲載し、ファインチューニング実験は4つのタスク群（four task groups）を対象としています。バックボーンは単一のRTX 5090で80ms未満、反応時間101msという数値も出ています（Black Forest Labs 2026-07-23）。ただしAudiの実生産ラインでのタスク別成功率そのものは示されていません。
  • Self-Flowの論文結果とFLUX 3の関係: ICML 2026採択の論文は研究スケールでの検証であり、FLUX 3の規模でどう効いたかを示す技術レポートは未公開です。公式ブログは「We will also release more technical details on the underlying approach」としています。
  • 学習データの出所: 公式ブログは「significantly scaled up compute and data resources」と述べるのみで、データセットの内容や取得方法には触れていません。動画と音声を大規模に学習したモデルである以上、権利面の論点は残ります。

まとめ

FLUX 3の技術的な核心は、動画の長さでも勝率でもなく、Self-Flow が生成と理解を1つの目的関数の中に畳み込んだ点にあります。共通タイムステップをトークンごとに分解して情報の非対称性を作る、という比較的単純な仕掛けで外部エンコーダへの依存を外し、その結果としてモダリティを増やす際の拡張性を確保した。画像・動画・音声・行動が同じバックボーンに載るのは、それらがすべて「ノイズから目標分布への輸送」として同じ形で書けるからです。

一方で、公開された数字はどれも自社評価の予備結果であり、パラメータ数も価格もライセンスも未確定です。最上位の競合に対する勝率が52%で並んでいる点は、控えめに扱うべき事実でしょう。

判断材料が揃うのは、FLUX 3 Dev の重みとライセンスが実際に出たとき、そして技術レポートが公開されたときです。それまでは「画像生成の会社が世界モデルの側から自社の立ち位置を再定義しようとしている」という設計思想の表明として読むのが、いまの情報量に見合った受け取り方だと考えます。

主要出典

関連する過去記事