Was FLUX 3 wirklich ist
FLUX 1 und FLUX 2 machten Bilder. FLUX 3 ist eine andere Art von Sache, und der Name untertreibt das.
Es wird gemeinsam über Bild, Video und Audio in einer Architektur trainiert, aufgebaut auf einem Ansatz, den Black Forest Labs Self-Flow nennt. Die Darstellung des Unternehmens ist, dass jede Modalität eine verlustbehaftete Projektion einer einzigen Realität ist, sodass das gemeinsame Lernen aller Modalitäten Zwänge erzwingt, die ein Einzelmodalitäts-Modell nie zu sehen bekommt. Der Satz aus dem Ankündigungsbeitrag, der mir hängen bleibt: "der Klang muss zum Einschlag passen, die Bewegung muss der Masse gehorchen."
Das ist eine Aussage über Repräsentation, nicht über Pixel. Es ist auch dieselbe Aussage, die hinter Gemini Robotics 2 steckt, nur vom anderen Ende her angegangen. DeepMind baute ein Robotermodell und gab ihm Weltwissen. Black Forest Labs baute ein Videomodell und stellte fest, dass das Weltwissen schon drinsteckte.
Konkret kann FLUX 3 in einer einzigen Generierung:
- Text-zu-Video und Bild-zu-Video, mit Audio, bis zu 20 Sekunden.
- Video-zu-Video, indem eine Figur aus einem Referenzclip in eine neue Szene übertragen wird.
- Keyframe-zu-Video für kontrollierte Übergänge.
- Mehrsprachige Dialoge mit lippensynchroner Sprache.
- Agentisches Verketten von Clips zu mehrschnittigen Sequenzen.
- Bildsynthese und -bearbeitung mit mehrsprachigem Text-Rendering.
Für alle, die bisher Midjourney für Stills, ein separates Tool für Clips und ein drittes für Voiceover jonglierten, ist die Konsolidierung das eigentliche Verkaufsargument. Ein Modell, eine Rechnung, eine Prompt-Sprache. Die Diffusionslinie, aus der es stammt, sollte ohnehin nie bei Stills stehen bleiben.
Dieser Druck zeigt sich schon anderswo. Jeder KI-Videoskript-Workflow, der heute bei einer Textdatei endet, ist ein Kandidat für ein Modell, das den Clip und das Voiceover aus demselben Prompt rendern kann.
Video ist der schwierige Teil, und die Compute-Aufteilung beweist es
Das nützlichste technische Detail des gesamten Launches ist eine Kostenaufschlüsselung, versteckt im begleitenden Robotik-Beitrag.
Videoprädiktion macht über 95% des gesamten Trainings-Computes von FLUX 3 aus. Audio ist weniger als 0,5% der Tokens in einem 720p-Video mit Ton. Black Forest Labs nennt Audio "die einfache Modalität", niedrigdimensional und eng an das gekoppelt, was das Video bereits zeigt, sodass das Modell, sobald es Video gelernt hat, Lippensynchronität und Einschlaggeräusche fast als Nebenprodukt mitnimmt.
Aktionen erweisen sich als von derselben Form: ein niedrigdimensionales Signal, eng an visuelle Beobachtung gekoppelt. Das ist das tragende Argument des gesamten Releases. Akzeptiert man das, ist ein Videomodell ein Weltmodell, das zufällig Pixel ausgibt, und Robotersteuerung ist nur ein weiterer Decoder-Kopf.
Sie haben es auch ehrlich getestet. Aktionsvorhersage in einen laufenden Trainingslauf einzufügen drückte die menschlichen Bewertungen für Text-zu-Video und Bild-zu-Video um bis zu 10% nach unten. Dann, nach 3.500 Schritten, war die Videoqualität wieder auf Ausgangsniveau, mit Aktionsvorhersage obendrauf. Ein vorübergehender Einbruch, keine dauerhafte Steuer. Sie haben eine falsifizierbare Vorhersage getroffen und das Ergebnis veröffentlicht, was mehr ist, als sich die meisten Launches die Mühe machen.
Die Zahlen, die Black Forest Labs veröffentlicht hat
Das sind Präferenzraten für 10-sekündige, 720p-Text-zu-Video-Clips mit Audio. Lies sie mit dem Vorbehalt des Anbieters selbst: Modell und Testaufbau waren noch in Entwicklung, und 50% bedeutet, dass sich die Stimmen gleichmäßig aufgeteilt haben.
| Verglichen mit | Anteil, der FLUX 3 bevorzugt | Einordnung |
|---|---|---|
| Luma Ray 3.2 | 93% | Nicht knapp |
| Runway Gen-4.5 | 77% | Klar |
| Grok Imagine Video | 69% | Klar |
| Kling v3 Pro | 60% | Real, aber bescheiden |
| Happy Horse v1 | 59% | Real, aber bescheiden |
| Happy Horse 1.1 | 57% | Marginal |
| Seedance 2.0 | 52% | Münzwurf |
| Gemini Omni Flash | 52% | Münzwurf |
Die Streuung ist das, was diese Tabelle lesenswerter macht als die Schlagzeile. Gegen die beiden stärksten aktuellen Videomodelle ist FLUX 3 ein Münzwurf. Gegen Luma Ray 3.2 ist es ein Durchmarsch. Eine Pressemitteilung könnte wahrheitsgemäß "in bis zu 93% der Vergleiche bevorzugt" schreiben und dir dabei fast nichts sagen, genau der Trick, den eine einzelne, gemischte Deflection-Zahl auch in meiner eigenen Branche spielt.
Black Forest Labs verdient Anerkennung dafür, das schwächere Ende der eigenen Spanne zu veröffentlichen. Auf der Bildseite gibt es noch keine Vergleichszahlen, nur Beispiele, und das Unternehmen sagt nur, dass komplexe Prompt-Verarbeitung und Text-Rendering sich gegenüber früheren FLUX-Versionen "deutlich" verbessert haben.
Wer heute einen direkten Vergleich bei Stills sucht, findet in GPT Image 2 gegen Midjourney den Vergleich, bei dem tatsächlich beide Modelle verfügbar sind.
Für Bearbeitung statt Generierung ist Qwen Image Edit das derzeit nächstliegende Äquivalent. Am günstigen und schnellen Ende greifen die meisten Teams stattdessen zu Nano Banana 2 Lite.
Was man heute tatsächlich bekommt
Hier ist die Leiter, in der Reihenfolge, wie Black Forest Labs sie veröffentlicht hat.
| Fähigkeit | Wie man drankommt | Status am 4. Aug. 2026 |
|---|---|---|
| FLUX 3 Video | API- und privater Gewichtszugang | Early Access, Anfrageformular |
| FLUX-mimic und FLUX 3 Action | Ausgewählte Forschungs- und Geschäftspartner | Geschlossen, mimic robotics zuerst |
| FLUX 3 Image | API- und privater Gewichtszugang | "In den kommenden Wochen" |
| FLUX 3 Dev | Offenes multimodales Backbone | Angekündigt, kein Datum |
Nun die Preisseite, wo die Geschichte landet.
FLUX 3 taucht dort nicht auf. Drei Reiter, keiner davon FLUX 3. Die Dokumentation geht weiter und sagt klar, dass FLUX.2 "unsere empfohlene Modellfamilie für alle Anwendungsfälle" ist. Wer also diesen Monat etwas ausliefern muss, hat als echte Optionen nur die mit einer Preistabelle:
| Modell | 1. MP | Weiteres MP | Referenzbild | Passt für |
|---|---|---|---|---|
| FLUX.2 [max] | 0,07 $ | 0,03 $ | 0,03 $/MP | Höchste Wiedergabetreue, bis 4 MP |
| FLUX.2 [pro] | 0,03 $ | 0,015 $ | 0,015 $/MP | Balance aus Qualität und Geschwindigkeit |
| FLUX.2 [flex] | 0,05 $ | 0,05 $ | 0,05 $/MP | Reine Abrechnung pro Megapixel |
| FLUX.2 [klein] 9B | 0,015 $ | 0,002 $ | 0,002 $/MP | Hoher Durchsatz, niedrige Latenz |
| FLUX.2 [klein] 4B | 0,014 $ | 0,001 $ | 0,001 $/MP | Günstigster Preis pro Bild |
Die Auflösung wird auf das nächste Megapixel aufgerundet, separat für die Ausgabe und für jedes Referenzbild, und ein Megapixel sind 1024×1024. Alles über 4 MP wird verkleinert. Das bedeutet, dass der Listenpreis und deine tatsächliche Rechnung schnell auseinanderlaufen, sobald du Referenzen mitgibst, hier also die Rechnerei:
Zwei Referenzen bei einem 1080p-[pro]-Job stecken ein Drittel deiner Rechnung in die Eingaben. Das ist die Art von Detail, die erst im zweiten Monat auffällt, und dieselbe Lektion wie bei jeder LLM-Preistabelle, die ich durchgerechnet habe: Der Stückpreis in der Überschrift ist selten die Einheit, die man tatsächlich kauft.
Der Roboterteil ist kein Nebenschauplatz
Ein Bildgenerierungsunternehmen, das ein Robotik-Modell ausliefert, wirkt wie ein Kurswechsel. Black Forest Labs argumentiert das Gegenteil. Wenn Content-Erstellung und physische Steuerung auf demselben Weltmodell laufen, ist Robotik nur ein zweiter Decoder, der an eine Arbeit angeflanscht wird, die man ohnehin schon bezahlt hat.
Der Beweis ist ein leichter Aktionsdecoder, trainiert auf Zwischenmerkmalen aus dem FLUX-3-Videopfad, gemeinsam mit mimic robotics als FLUX-mimic gebaut. Bei einer Kitting-Aufgabe mit weichen Objekten, mit jeweils 20 autonomen Versuchen:
| Modell | Medianer Erfolg |
|---|---|
| FLUX-mimic | 95% |
| Einzelaufgaben-Flow-Matching | 70% |
| FLUX-mimic, eingefrorenes Backbone | 65% |
| π0.5 | 55% |
| π0.5, eingefrorenes Backbone | 0% |
Die Zeile mit dem eingefrorenen Backbone ist die entscheidende. Friert man FLUX 3 komplett ein und trainiert nur den Decoder, bekommt man immer noch 65%. Macht man dasselbe mit der π0.5-Baseline, bekommt man null. Das Weltwissen ist nicht nur vorhanden, es ist lesbar genug, um Aktionen direkt aus den Merkmalen abzulesen. Zwei weitere Zahlen untermauern das: Das Backbone läuft von Eingabe zu Repräsentation in unter 80ms auf einer einzelnen RTX 5090, und mimics kompletter Robotik-Loop reagiert in 101ms.
Der Einsatz ist real, keine Labor-Demo. Audi setzt es bei Produktions- und Logistikaufgaben ein, die konventionelle Automatisierung nie erreicht hat, etwa bei Dichtungen und Kabeln.
"We have seen these robots solve complex soft-body manipulation work that would have been simply impossible with conventional robotics."
Christoph Schneider, Audi Production Lab, quoted in Black Forest Labs' announcement
Der strategisch interessante Punkt ist die Behauptung zur Stichprobeneffizienz. Black Forest Labs berichtet, dass bessere Repräsentationen die nötigen Trainingsschritte halbiert haben, um eine gegebene Erfolgsquote zu erreichen, und verweist auf die bis zu 10-fache Stichprobeneffizienz aus dem Mimic-Video-Paper für Video-Aktions-Modelle. Wenn einem Roboter eine neue Aufgabe beizubringen kein Datensammelprojekt mehr ist, ändert das die Ökonomie der Fabrikautomatisierung. Das ist eine größere Sache als jeder 20-Sekunden-Clip, und es ist dieselbe These, die DeepMind von der Robotikseite aus testet.
Was Hacker News davon hielt
Der Launch-Thread erreichte 571 Punkte und 133 Kommentare, und die Reaktion teilte sich klar. Das technische Publikum will eine Sache, und das ist nicht die Videolänge.
"Flux 2 Dev Klein has practically been the best you could use on most commercial hardware so I really hope Flux 3 has a comparable updated open-weights model to it. if not it'd be a great loss to most hobbyists."
Offene Gewichte kamen Kommentar um Kommentar zur Sprache, meist mit derselben Sorge im Schlepptau: Die Open-Weight-Zeile steht ohne Datum ganz unten im Launch-Plan. Mehrere Leute nannten VRAM als den entscheidenden Faktor dafür, ob FLUX 3 Dev zu Hause überhaupt nutzbar ist.
Die Skeptiker waren lauter, als es der Launch verdient hätte, und eine Kritik traf ins Schwarze:
"Showed close to zero examples of people. Frivolous use of the term World Model. Claims 20 seconds of video, shows only jumpcuts."
Das ist eine faire Lesart einer Seite, deren stärkste Behauptungen sich um Menschen und Kontinuität drehen. Die Gegenrede bekam ebenfalls Stimmen:
"It's incredible how negative and dismissive the comments in here are while here I am thinking the model actually looks impressively capable."
Beides kann gleichzeitig wahr sein. Das Ergebnis wirkt stark, die Präsentation übertreibt, und die Sache selbst steckt hinter einem Formular. Ich persönlich nehme jederzeit lieber die Compute-Aufschlüsselung und die Chart zum eingefrorenen Backbone als noch ein weiteres Highlight-Reel, und Black Forest Labs hat beides veröffentlicht.
Was das bedeutet, wenn du beruflich KI einkaufst
Ich generiere nicht beruflich Video. Ich baue KI-Agenten, die Support-Tickets beantworten, und trotzdem hat FLUX 3 verändert, wie ich die nächsten drei Launches in meiner eigenen Kategorie lesen werde.
Lies die Zugangsleiter vor dem Demo-Reel. Ein Launch hat eine Fähigkeitenliste und eine Verfügbarkeitsliste, und die sind selten dieselbe Liste. Die FLUX-3-Seite ist darin ungewöhnlich ehrlich, weil sie die Leiter direkt dort veröffentlicht. Die meisten KI-Support-Anbieter tun das nicht, weshalb die nützliche Frage immer "Was davon ist heute in meinem Plan?" ist, statt "Kann es das?". Es ist dieselbe Lücke, die ich beim Vergleich von KI-Agent gegen Chatbot anspreche: Die Demo zeigt die Decke, der Plan zeigt den Boden.
Spanne schlägt Schlagzeile. "In bis zu 93% der Vergleiche bevorzugt" und "ein Münzwurf gegen die zwei besten Rivalen" beschreiben dieselbe Tabelle. Wenn ein Anbieter dir eine einzige Zahl zur KI-Qualität nennt, frag nach der Verteilung dahinter. Das ist das ganze Argument für Kennzahlen pro Intent statt einer einzigen gemischten Tier-1-Deflection-Zahl, und ich wende es auch auf mein eigenes Produkt an. Es ist auch, warum Konfidenzschwellen einem einzelnen Genauigkeitswert überlegen sind.
Ein Backbone, viele Aufgaben, das ist der eigentliche Trend. FLUX 3 macht Bild, Video, Audio und Aktionen aus einem Modell. Auf der Sprachseite ist dieselbe Konsolidierung der Grund, warum GPT-5.6 und DeepSeek V4 Flash jetzt Arbeit erledigen, für die früher drei spezialisierte Modelle nötig waren. Claude Opus 4.6 liegt auf derselben Kurve.
Ein Tool mit nur einem engen Modell darin zu kaufen ist heute eine kurzlebigere Entscheidung als früher. Egal für welches du dich entscheidest, prüfe es gegen Halluzinationskontrollen, bevor du es an einen Kunden heranlässt.
Offene Gewichte sind eine echte Weggabelung. FLUX 3 Dev wird Teams irgendwann erlauben, ein multimodales Backbone selbst zu hosten. Das ist reizvoll, bis du das Fine-Tuning, die GPUs und den Bereitschaftsdienst selbst besitzt. Ein Kunde von uns, der alle nötigen Fähigkeiten fürs Eigenbau hatte, hat es klar auf den Punkt gebracht.
"We could try to write our own LLM application but we didn't want to invest our time into that. We wanted something that we would not have to maintain."
Karel, GENERAL BYTES
Das ist der Trade-off, besser ausgedrückt, als ich es könnte. Die Arbeit rund um Training und eigene Modelle ist der Teil, den niemand in der Demo zeigt.
Willst du KI, die deine Tickets wirklich beantwortet, statt eine Warteliste? eesel verbindet sich in wenigen Minuten mit deinem Helpdesk, lernt aus deinen vergangenen Tickets und deinem Help Center und führt eine Simulation über deine echte Historie aus, damit du die Lösungsquote siehst, bevor es ein Kunde tut. Kein Formular, keine Early-Access-Warteschlange. eesel testen, kostenlos.
Wo FLUX 3 gerade steht
FLUX 3 ist der interessanteste Modell-Launch des Sommers und der am wenigsten kaufbare. Der technische Fall ist stark: ein Backbone über vier Modalitäten, eine veröffentlichte Compute-Aufschlüsselung, eine ehrliche Präferenzspanne inklusive der Niederlagen, und ein Robotik-Ergebnis mit eingefrorenem Backbone, das schwer zu faken wäre. Der Audi-Einsatz gibt dem Ganzen einen Realitätsboden, den die meisten Physical-AI-Ankündigungen nicht haben.
Was fehlt, sind ein Preis, ein Endpunkt und ein Datum. FLUX.2 ist das, was Black Forest Labs selbst für jeden aktuellen Anwendungsfall empfiehlt, und mit 0,014 bis 0,07 $ für das erste Megapixel ist es die Version mit Preistabelle. Wenn FLUX 3 auf deiner Roadmap steht, beantrage Early Access und plane in der Zwischenzeit mit FLUX.2.
Wer generative Tools breiter auswählt, findet in meinem Überblick zu generativen KI-Tools, was heute kaufbar ist. Für die Schreib-Hälfte derselben Aufgabe fang bei KI-Modell fürs Bloggen an.
Auf der Content-Seite ist KI-Blog-Automatisierung der Ort, an dem diese Bildmodelle im Alltag tatsächlich eingesetzt werden. Ein KI-Artikelschreiber ist das Stück, das sie aufruft, und generative KI-SEO-Tools ist, wo das Ergebnis landet.
Für die Support-Seite ist generative KI für Support-Teams der bessere Startpunkt. Wer noch weiter zurückliegt, findet in generative KI für den Kundenservice die Kategorie abgedeckt, und welches LLM zum Support passt geht auf die Modellwahl selbst ein.
Sources
- FLUX 3 - Real World Models, Black Forest Labs, 24 July 2026
- FLUX 3 x mimic: The Next Generation of Video-Action Models, Black Forest Labs
- Self-Flow, Black Forest Labs research
- FLUX 3 model page, captured 4 August 2026
- Black Forest Labs pricing, captured 4 August 2026
- Black Forest Labs docs introduction, captured 4 August 2026
- Flux 3 launch discussion, Hacker News, 571 points
- Flux 3 x mimic discussion, Hacker News, 318 points
Häufig gestellte Fragen
Was ist FLUX 3?
Wie viel kostet FLUX 3?
[max], 0,03 $ bei [pro] und 0,014 $ bei [klein] 4B. Wer sein KI-Budget an Ergebnissen statt an Einheiten ausrichtet, findet Kosten pro Lösung als nützlicheren Rahmen.Ist FLUX 3 schon verfügbar?
Ist FLUX 3 besser als Kling, Runway oder Grok Imagine?
Wird FLUX 3 offene Gewichte bekommen?
Was hat FLUX 3 mit Robotern zu tun?
Kann ich FLUX 3 für Blogbilder und Support-Content nutzen?
Was sollten Support-Teams aus dem FLUX-3-Launch mitnehmen?
Article by
Rama Adi Nugraha
Rama is a software engineer at eesel AI with two years of experience writing about B2B SaaS, AI tools, and customer support technology. Based in Bali, Indonesia, he brings a developer's perspective to product comparisons — cutting through marketing copy to what the integrations and APIs actually do.
