画像生成の会社がロボットの行動予測に踏み込んだ──FLUX 3、Self-Flowが画像・動画・音声・actionを1本のバックボーンに畳んだ
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。 ...