FLUX 3: Bild, Video, Ton und Roboter aus einem Modell

In Audis Produktion testet ein Roboterarm gerade, wie man Türdichtungen einbaut. Gesteuert wird er nicht von einem klassischen Automatisierungssystem, sondern von einem KI-Modell, das gleichzeitig auch dafür gebaut ist, Werbespots mit synchronem Ton zu produzieren. Das Modell heißt FLUX 3, stammt aus dem Freiburger Startup Black Forest Labs und markiert einen konzeptionellen Sprung: Erstmals vereint ein kommerzielles KI-System Bildgenerierung, Videogenerierung, Audiogenerierung und Robotersteuerung in einer einzigen Architektur.

Was FLUX 3 eigentlich ist

Black Forest Labs wurde im August 2024 in Freiburg im Breisgau gegründet, von Forschern die zuvor den Stable-Diffusion-Algorithmus entwickelt hatten: Robin Rombach, Andreas Blattmann, Patrick Esser und Dominik Lorenz. Ihr erstes Produkt, FLUX.1, wurde im selben Monat veröffentlicht und entwickelte sich zum meistgenutzten Open-Source-Bildgenerator der Branche. Es ist seither in Dutzende Plattformen integriert, von Midjourney-Konkurrenten bis zu professionellen Design-Tools.

FLUX 3, vorgestellt am 23. Juli 2026, bricht mit dem reinen Bildmodell-Konzept. Kernstück ist die Methode "Self Flow": ein einheitlicher Satz Modellgewichte, der gleichzeitig lernt, wie Bilder aussehen, wie Objekte sich bewegen, wie Töne klingen und wie physische Aktionen ablaufen. Bisherige multimodale KI-Systeme behandelten Video, Audio und Bildgenerierung als getrennte Aufgaben, die nacheinander ausgeführt oder kombiniert wurden. FLUX 3 behandelt sie als ein einziges gemeinsames Lernproblem, mit denselben Gewichten und auf derselben Datenbasis.

Das Unternehmen nennt das Ziel "Real World Models": Systeme, die visuelle Intelligenz nicht als Ausgabe von Pixeln verstehen, sondern als Verständnis physischer Realität aufbauen. Der Anspruch ist technisch konkret: Ein Modell, das gelernt hat wie sich Türen öffnen, wie Wasser fließt und wie ein Handschlag aussieht, kann dieses Wissen sowohl für Videogenerierung als auch für Robotersteuerung nutzen, weil das physische Verständnis, nicht die Ausgabeform, das Fundament ist.

Warum Video und Audio jetzt zusammenkommen

Bisherige Videogeneratoren erzeugten stummes oder nachträglich vertontes Material. Das Standardverfahren: erst Video erzeugen, dann separat ein Audiomodell beauftragen, dann beides ausrichten. Das grundlegende Problem dabei ist semantisch: Das Audiomodell hat keine Vorstellung davon, was im Bild gerade passiert. Geräusche und Bilder entstehen aus verschiedenen Kontexten und werden anschließend zusammengeführt, nicht aufeinander abgestimmt.

FLUX 3 Video generiert beides gleichzeitig aus einem Prompt. Die Clips können laut Unternehmensangaben bis zu 20 Sekunden lang sein und erzeugen Dialoge, Geräuschkulissen und Umgebungssound in synchroner Abstimmung mit der Bildebene. Text-zu-Video, Bild-zu-Video und Video-zu-Video werden unterstützt, ebenso Keyframe-Übergänge für längere Sequenzen.

In internen Präferenztests, bei denen menschliche Bewerter jeweils zwei Videos vergleichen mussten, wurde FLUX 3 laut Unternehmensangaben in 77 Prozent der Fälle gegenüber Runway Gen-4.5 bevorzugt, in 69 Prozent gegenüber Grok Imagine Video und in 60 Prozent gegenüber Kling v3 Pro. Diese Zahlen stammen ausschließlich aus eigenen Tests des Unternehmens und wurden noch nicht durch unabhängige Forschungsgruppen repliziert. IB Times merkte in einer ersten Analyse an, dass zwischen Ankündigungsdaten und tatsächlich verfügbaren Funktionen erhebliche Lücken bestehen: FLUX 3 Video und FLUX-mimic sind erst für ausgewählte Partner zugänglich, FLUX 3 Image ist noch nicht erschienen.

Audi, Roboter und Türdichtungen

Die kommerziell aussagekräftigste Anwendung liegt nicht in der Videoproduktion, sondern in der Fabrik. In Zusammenarbeit mit dem Züricher Startup mimic hat Black Forest Labs FLUX-mimic entwickelt, einen Ableger des Kernmodells für die Steuerung von Roboterarmen.

Der technische Ansatz nutzt das, was FLUX 3 ohnehin lernen musste: Wenn ein Modell vorhersagt, wie sich ein Motiv in den nächsten Videoframes bewegt, kann es dasselbe Wissen nutzen, um vorherzusagen, wie ein Roboterarm sich bewegen muss. FLUX-mimic ergänzt die Videovorhersageschicht um ein kleines Modul, das diese Bewegungsvorhersagen in physische Motorsteuerungsbefehle übersetzt. Die gemessene Systemreaktionszeit liegt bei rund 101 Millisekunden, vergleichbar mit menschlichem visuellem Reflexvermögen.

Audi testet das System nach Unternehmensangaben auf einer Produktionslinie für Türdichtungen. Das klingt unscheinbar, ist aber in der Industrieautomation eine bekannte Herausforderung: Weichstoffmontage verlangt präzises Kraftgefühl und Anpassung an geringe Toleranzabweichungen zwischen einzelnen Fahrzeugen. Herkömmliche Automatisierungssysteme mit festem Bewegungsablauf stoßen dabei regelmäßig an Grenzen. Dass Audi als globaler Konzern bereits in der Testphase namentlich benannt wird, ist ungewöhnlich für eine frühe Ankündigung.

Früher Zugang und FLUX 3 Image noch ausstehend

Was am 23. Juli tatsächlich zugänglich wurde, ist begrenzter als die Gesamtankündigung vermuten lässt. FLUX 3 Video ist im frühen Zugang über API und private Modellgewichte für ausgewählte Partner verfügbar. FLUX-mimic wird selektiv an Robotikforschungs- und Industriepartner vergeben. FLUX 3 Image, der Nachfolger des heute meistgenutzten FLUX.1, ist noch nicht veröffentlicht und soll in den kommenden Wochen folgen.

Für die vielen Entwickler und Plattformen, die heute FLUX.1 in Produktionssystemen nutzen, ändert sich zunächst nichts: Eine Migration auf FLUX 3 ist noch nicht möglich. Black Forest Labs hat keine konkreten Termine für die breitere Verfügbarkeit genannt. Die Frage, wie schnell der frühe Zugang ausgeweitet wird, entscheidet darüber, ob FLUX 3 im Wettbewerb mit Runway und Kling rasch relevant wird oder zunächst als Ankündigung im Raum steht.

Die strategisch interessantere Frage liegt dahinter: Wenn ein Modell physische Realität so weit versteht, dass es sowohl realistische Videos als auch robotische Aktionen steuert, entsteht eine neue Kategorie von KI-Software, die weder rein kreativ noch rein industriell ist. Für Black Forest Labs ist das auch eine Finanzierungsfrage: Der Videogenerierungsmarkt ist attraktiv aber besetzt. Industrierobotiksoftware mit mehrjährigen Unternehmensverträgen wäre ein anderes Geschäft.