Almanya merkezli Black Forest Labs, görsel zeka kapasitesini artıran yeni çok modlu modeli FLUX 3'ü tanıttı. Tek bir komutla hem yüksek kaliteli görseller hem de eş zamanlı ses içeren 20 saniyeye kadar videolar oluşturabilen model, aynı zamanda robotik görme ve eylem sistemlerini destekleyecek bir mimariyle geliştirildi.

Tek Bir Mimari ile Çoklu Üretim

Şirketin açıklamasına göre FLUX 3, farklı içerik türleri için ayrı modellerin birleştirilmesi yerine, tüm modalitelerin ortaklaşa eğitildiği bir yapıya sahip. Bu yaklaşım sayesinde sistem; dijital ve fiziksel ortamlarda algılayabilen, tahmin yürütebilen ve hareket edebilen bütünleşik bir görsel zeka sunmayı hedefliyor. Model; FLUX 3 Video, FLUX 3 Image, FLUX 3 Action ve açık kaynaklı olacak FLUX 3 Dev olmak üzere dört farklı ürün hattı üzerinden sunulacak.

Kısıtlı Erişim ve Performans Verileri

Şu an için FLUX 3 Video ve FLUX 3 Action sürümleri, onay sistemine dayalı bir Erken Erişim programı ile kullanılabiliyor. FLUX 3 Image sürümünün ise önümüzdeki haftalarda yayına girmesi bekleniyor. Şirket, 10 saniyelik ve 720p çözünürlüklü ön testlerde FLUX 3'ün; Luma Ray 3.2 karşısında yüzde 93, Runway Gen-4.5 karşısında yüzde 77 ve Google Gemini Omni Flash karşısında yüzde 52 oranında tercih edildiğini belirtti. Ancak bu verilerin ön sürüm aşamasındaki bir aday modelden alındığına dikkat çekildi.

Açık Kaynak ve Kurumsal Detaylar

Modelin şu an için indirilebilir ağırlıkları veya açık kaynak lisansı bulunmuyor. Black Forest Labs, açık ağırlıklı versiyonların yıl sonuna kadar yayınlanacağını duyurdu. Kurumsal kullanıcılar için fiyatlandırma, hizmet seviyesi taahhütleri ve detaylı performans ölçüm metodolojileri henüz paylaşılmadı.

Ne anlama geliyor?

Bu teknoloji, farklı içerik türlerini tek bir işlem merkezi üzerinden üretme prensibine dayanıyor. Genellikle görüntü, ses ve video üretimi için ayrı algoritmalar kullanılırken, bu yeni yapı tüm bu girdileri tek bir veri havuzunda işleyerek daha tutarlı sonuçlar elde etmeyi amaçlıyor. Bu durum, üretilen videodaki seslerin görüntüdeki hareketlerle daha uyumlu olmasını sağlıyor.

Kullanıcılar için bu gelişme, tek bir yazı komutuyla hem görsel hem işitsel ögeleri barındıran kısa klipler oluşturabilmek anlamına geliyor. Ayrıca bu mimarinin fiziksel cihazlara aktarılması, makinelerin çevresini daha iyi algılayıp buna göre tepki vermesine olanak tanıyor. Böylece dijital içerik üretimi ile fiziksel otomasyon süreçleri aynı teknolojik temel üzerinde buluşmuş oluyor.