FLUX 3 Action

FLUX 3 Action är Black Forest Labs (BFL) första modell för robotstyrning, släppt med öppna vikter i september 2026. Den bygger på samma multimodala grund som bild- och videomodellerna i FLUX 3-familjen, förtränad på stora mängder video, bild och ljud. Modellen tar emot kamerabilder, robotens läge och en instruktion i text, och förutspår sedan robotens nästa rörelser tillsammans med de kommande videobilderna, alltså hur det kommer att se ut när rörelsen genomförts. Den typen av modell kallas en världs- och handlingsmodell (world action model).

Sådana modeller brukar vara bra men långsamma, eftersom de räknar fram video samtidigt som rörelserna. BFL har löst det med en mindre grundmodell och en destillering som gör att modellen bara behöver ett enda beräkningssteg. Enligt BFL når den 38,3 % lyckade uppgifter på simuleringstestet RoboLab-120 och den destillerade varianten 42,2 %, vilket är bäst bland öppna modeller. Det jämförs med 36,8 % för NVIDIA:s Cosmos 3 Nano (16B) och 28,0 % för Pi0.5, och FLUX 3 Action är samtidigt 1,5 till nästan 4 gånger snabbare än Cosmos 3 Nano. I ett test på en riktig Franka-robotarm, gjort av Positronic Robotics, klarade den 28 av 30 försök.

BFL visar också att en snabb robotmodell gör det billigare att kombinera med en tänkande språkmodell. När GPT 6 Astra planerar och lämnar över styrningen till FLUX 3 Action löses 90 % av uppgifterna till 8,77 dollar per lyckat försök, mot 13,47 dollar när språkmodellen gör allt själv. Företaget testar även modellen på datorspel som ett steg mot agenter som styr datorer.

Vikterna finns på Hugging Face i tre delar: en grundmodell som anpassas till nya robotar, och färdiga varianter för robotarmen SO-101 och robotdatan DROID. Koden ligger på GitHub. Vikterna släpps under FLUX Kommunity License, samma licens som FLUX 3 Image Klein, och kräver att man godkänner villkoren på Hugging Face. Modellkortet påpekar att utdata saknar inbyggda gränser för hastighet, kraft och arbetsområde, så den som använder den måste själv lägga in sådana.