Tìm hiểu về Flux 3: Mô hình mã nguồn mở của Black Forest Labs cạnh tranh với Sora 2 và Robotics AI

Flux 3 của Black Forest Labs tích hợp khả năng dự đoán hình ảnh, video, âm thanh và hành động robot trong một mô hình duy nhất. Dưới đây là những thông tin về Flux 3 và tầm quan trọng của nó.

Flux 3 là gì?

Flux 3 là một mô hình đa phương thức mới từ Black Forest Labs, tạo ra hình ảnh, video, âm thanh và dự đoán hành động robot từ một kiến ​​trúc thống nhất duy nhất. Thay vì các mô hình riêng biệt được ghép nối với nhau cho từng nhiệm vụ, Black Forest Labs đã huấn luyện một kiến ​​trúc xương sống duy nhất xử lý tất cả chúng, đó là lý do tại sao công ty và những người quan sát ban đầu mô tả nó là “đa phương thức của đa phương thức”. Nó kế thừa Flux 2, một mô hình hình ảnh mã nguồn mở được sử dụng rộng rãi ra mắt vào năm 2025, và hiện đang được triển khai thông qua chương trình truy cập sớm thay vì ra mắt công khai.

Kiến trúc thống nhất của Flux 3 hoạt động như thế nào?

Ý tưởng cốt lõi là một hệ thống xương sống chung được huấn luyện đồng thời trên nhiều phương thức. Black Forest Labs không huấn luyện một mô hình video, sau đó là một mô hình âm thanh riêng biệt, rồi một mô hình hình ảnh riêng biệt và ghép chúng lại với nhau bằng logic định tuyến. Mô hình học các biểu diễn có thể chuyển đổi trên dữ liệu hình ảnh, video, âm thanh và hành động cùng một lúc. Đó là một cách tiếp cận khác biệt đáng kể so với hầu hết các công cụ video AI dành cho người tiêu dùng, thường kết hợp trình tạo video dựa trên khuếch tán với lớp âm thanh hoặc đồng bộ cử động môi được thêm vào.

Kết quả thực tiễn: Những khả năng được xây dựng trên cùng một “sự hiểu biết” cơ bản về thế giới, cho dù đó là cách ánh sáng hoạt động trong khung hình video hay cách một bộ kẹp robot nên di chuyển để lấy lại vật thể bị rơi. Black Forest Labs mô tả nỗ lực này như một bước tiến tới “trí tuệ hình ảnh thế giới thực”, các mô hình nhận thức, dự đoán và hành động trên cả môi trường kỹ thuật số và vật lý, chứ không chỉ đơn thuần là tạo ra những pixel thuyết phục.

Việc triển khai được thực hiện theo từng giai đoạn. Việc tạo video với âm thanh gốc sẽ được thực hiện trước tiên. Tính năng dự đoán hành động đang được thử nghiệm với một số ít đối tác nghiên cứu và thương mại, bắt đầu với Mimic Robotics. Việc tạo và chỉnh sửa hình ảnh sẽ được triển khai sau đó, được hé lộ bằng bản xem trước nhưng chưa có ngày ra mắt cụ thể. Quyền truy cập mở vào toàn bộ kiến ​​trúc đa phương thức được hứa hẹn, mặc dù thời gian biểu khá mơ hồ, "trong những tuần và tháng tới".

Tại sao việc tạo video lại được ra mắt trước việc tạo hình ảnh?

Đây là một trong những lựa chọn trái ngược với trực giác nhất trong bản phát hành này. Việc chuyển đổi văn bản thành hình ảnh là một lĩnh vực đã có nhiều thành tựu. Các công cụ như Flux 2, Midjourney và nhiều mô hình diffusion khác nhau đã giúp việc tổng hợp hình ảnh chất lượng cao trở nên gần như hoàn thiện đối với rất nhiều trường hợp sử dụng hàng ngày. Video thì chưa đạt đến trình độ đó. Nó đòi hỏi nhiều tài nguyên tính toán hơn, khó duy trì tính nhất quán về mặt thời gian hơn, và thị trường đã được định hình lại nhiều lần trong năm qua bởi các bản phát hành như Sora 2 và Seedance 2.0, cả hai đều đã nâng cao tiêu chuẩn cho việc tạo video "đủ tốt".

Bằng cách dẫn đầu với video và âm thanh gốc, Black Forest Labs đang nhắm mục tiêu vào phần của kiến ​​trúc đa phương thức nơi vẫn còn tồn tại khoảng trống mã nguồn mở lớn nhất. Hầu hết các công cụ tạo video mạnh nhất hiện nay đều là phần mềm mã nguồn đóng, độc quyền và đắt đỏ khi vận hành ở quy mô lớn. Một đối thủ cạnh tranh mã nguồn mở đạt được chất lượng tương đương sẽ rất quan trọng đối với các nhà phát triển muốn tinh chỉnh, tự host hoặc xây dựng các sản phẩm thương mại mà không phụ thuộc vào API và giá cả của một nhà cung cấp duy nhất.

Flux Mimic là gì và nó có liên quan như thế nào đến lĩnh vực robot?

Flux Mimic là thành quả từ sự hợp tác giữa Black Forest Labs và Mimic Robotics – một công ty chuyên về lĩnh vực Machine Learning cho robot và các thao tác linh hoạt. Thay vì coi nghiên cứu robot là một hướng đi tách biệt, Black Forest Labs đã điều chỉnh backbone của mô hình Flux để tạo ra cái gọi là "mô hình hành động video" (video action model). Đây là một mô hình được tinh chỉnh dựa trên dữ liệu về hành vi của robot, cho phép nó dự đoán các hành động vật lý thay vì – hoặc bên cạnh – việc tạo ra các điểm ảnh (pixel).

Cách tiếp cận này khác biệt so với phần lớn các hệ thống AI trong lĩnh vực robot hiện nay, vốn thường dựa trên mô hình VLA (vision-language-action – mô hình thị giác-ngôn ngữ-hành động) được huấn luyện trên các tập dữ liệu giới hạn cho những tác vụ cụ thể. Giả thuyết đặt ra ở đây là: việc huấn luyện trước (pre-training) trên khối lượng khổng lồ dữ liệu video và hình ảnh tổng quát sẽ tạo nền tảng vững chắc hơn cho robot, so với việc huấn luyện từ đầu trên các tập dữ liệu mô phỏng hành vi robot vốn khan hiếm hơn nhiều. Trên thực tế, điều này giúp robot có khả năng khái quát hóa tốt hơn trong các tình huống chưa từng được huấn luyện trực tiếp – chẳng hạn như xử lý những vật thể ở vị trí lạ, thao tác với các vật liệu mềm hoặc linh hoạt (như dây cáp), hay tự phục hồi sau khi xảy ra sự cố trong quá trình thực hiện tác vụ.

Các minh họa đi kèm thông báo này bao gồm hình ảnh một cánh tay robot thực hiện những thao tác trong môi trường không có cấu trúc cố định. Ngoài ra, dự án còn có sự hợp tác với Audi trong các công việc như lắp đặt nẹp cửa sổ vào thân xe – một tác vụ đòi hỏi sự tinh chỉnh không gian chính xác và khả năng xử lý linh hoạt khi gặp lỗi. Theo Black Forest Labs và những đối tác, các hệ thống tự động hóa truyền thống thường gặp khó khăn trước sự biến đổi linh hoạt như vậy, đơn giản vì chúng không thể được hardcode cho mọi tình huống. Ngược lại, một mô hình được huấn luyện trên dữ liệu vật lý và thị giác phong phú có thể xử lý các tình huống này một cách hiệu quả và linh hoạt hơn.

Cần lưu ý rõ về phạm vi của dự án này: Đây hiện chỉ là giai đoạn truy cập sớm dành riêng cho các đối tác, chứ chưa phải là sản phẩm thương mại dành cho người tiêu dùng. Sẽ còn lâu nữa người dùng phổ thông mới có thể ứng dụng Flux 3 vào các cánh tay robot. Ý nghĩa quan trọng nhất ở thời điểm hiện tại nằm ở khía cạnh kiến ​​trúc: Đây là minh chứng cho thấy cùng một backbone dùng để tạo video cũng có thể được chuyển hướng sang việc dự đoán các hành động vật lý.

Liệu Flux 3 có thực sự là mối đe dọa đối với Sora 2?

Còn quá sớm để khẳng định điều này một cách chắc chắn, vì Flux 3 vẫn đang trong giai đoạn truy cập giới hạn và chưa được các nhà thử nghiệm độc lập hoặc cộng đồng nhà phát triển rộng lớn hơn so sánh trực tiếp. Nhưng cách nhìn nhận này là hợp lý. Sora 2 và các mô hình video khép kín tương tự đặt ra tiêu chuẩn cao về tính chân thực, đồng bộ âm thanh và tính mạch lạc. Theo tài liệu truy cập sớm mà Black Forest Labs đã chia sẻ, các ví dụ video của Flux 3 được cho là đang tiến gần đến chất lượng đó, và việc nó hướng tới những trọng số mở là yếu tố khác biệt quan trọng nhất đối với các nhà phát triển.

Black Forest Labs có thành tích đáng kể trong lĩnh vực này. Flux 2, ra mắt ngày 25/11/2025, đã trở thành lựa chọn mặc định được khuyến nghị cho việc tạo ảnh mã nguồn mở và vẫn được nhiều mô hình ngôn ngữ coi là một lựa chọn thay thế mã nguồn mở hàng đầu, ngay cả khi các công cụ độc quyền mới hơn đã ra mắt. Công ty dường như ưu tiên việc trì hoãn phát hành cho đến khi chúng sẵn sàng rộng rãi hơn là phát hành sớm và cải tiến liên tục, đó là một phần lý do tại sao Flux 3 đang thu hút sự chú ý ngay cả trước khi được phát hành rộng rãi.

Nếu Flux 3 cung cấp các trọng số mở với chất lượng video gần bằng Sora 2 hoặc Seedance, đó sẽ là một bước chuyển đổi có ý nghĩa đối với bất kỳ ai đang xây dựng các sản phẩm cần tạo video tự host hoặc có thể tinh chỉnh thay vì một API bị khóa.

Tóm tắt

  • Flux 3 là một mô hình xương sống được huấn luyện duy nhất, tạo ra hình ảnh, video với âm thanh gốc và dự đoán hành động robot, thay vì ghép nối các mô hình chuyên biệt riêng lẻ.
  • Black Forest Labs đang triển khai mô hình này theo từng giai đoạn, bắt đầu với việc tạo video và âm thanh gốc, sau đó là dự đoán hành động thông qua những đối tác được lựa chọn, tiếp theo là tạo và chỉnh sửa hình ảnh.
  • Sự hợp tác với Mimic Robotics sử dụng mô hình xương sống Flux để xây dựng cái mà các công ty gọi là mô hình hành động video, được tinh chỉnh dựa trên dữ liệu hành vi robot để dự đoán những hành động vật lý thay vì pixel.
  • Các bản demo ban đầu cho thấy một cánh tay robot xử lý những nhiệm vụ không có cấu trúc như cáp và hướng vật thể bất thường, cùng với sự hợp tác với Audi về các nhiệm vụ sản xuất khéo léo như lắp đặt viền cửa sổ.
  • Black Forest Labs coi Flux 3 là một bước tiến hướng tới việc truy cập mở cho một mô hình đa năng có thể nhận thức, dự đoán và hành động trong cả môi trường kỹ thuật số và vật lý.
  • Việc tạo video sẽ được triển khai trước việc tạo hình ảnh, điều này đáng chú ý khi xét đến mức độ hoàn thiện của các công cụ chuyển đổi văn bản thành hình ảnh và nhu cầu chưa được giải quyết về video chất lượng cao vẫn còn tồn tại. 
Thứ Hai, 28/09/2026 14:54
5 ★ 2 👨 131
Xác thực tài khoản!

Theo Nghị định 147/2024/ND-CP, bạn cần xác thực tài khoản trước khi sử dụng tính năng này. Chúng tôi sẽ gửi mã xác thực qua SMS hoặc Zalo tới số điện thoại mà bạn nhập dưới đây:

Số điện thoại chưa đúng định dạng!
Số điện thoại này đã được xác thực!
Bạn có thể dùng Sđt này đăng nhập tại đây!
Lỗi gửi SMS, liên hệ Admin
0 Bình luận
Sắp xếp theo
❖ AI cho Thiết kế