Análise do FLUX 3: evidências fortes, nada para comprar ainda

Como se avalia um modelo que você não pode rodar?

Com honestidade, e deixando a metodologia clara desde o início. Do contrário, a análise de um modelo em acesso antecipado é só uma reescrita do anúncio com adjetivos a mais.

Eis o que consegui verificar. O post de lançamento e sua lista de recursos. A tese do FLUX-mimic e seus gráficos de taxa de sucesso. A página de pesquisa do Self-Flow, onde o método de fato está, publicada como preprint no arXiv 2603.06507. A página do modelo, e a página de preços, que acabou sendo a mais informativa de todas. E duas threads no Hacker News em que pessoas que rodam esses modelos localmente reagiram em tempo real. Cada uma delas está totalmente linkada no final.

Eis o que não consegui verificar: uma única geração. Não rodei nenhum prompt no FLUX 3, e ninguém escrevendo sobre ele nesta semana o fez também, a menos que esteja dentro do programa de acesso antecipado.

Essa captura de tela é toda a superfície do produto. Basicamente, um formulário de solicitação. Então a coisa justa que sobra para avaliar é o rastro documental, e esse rastro se mostra melhor do que o post de lançamento me levou a esperar.

A alegação sob análise

O FLUX 3 é um modelo de fundação multimodal que treina com imagens, vídeo e áudio dentro de uma única arquitetura, e o mesmo backbone também prevê ações de robôs. A Black Forest Labs enquadra isso como aprender uma representação do mundo em vez de três habilidades separadas. Como os objetos se mantêm juntos, como as coisas se movem, como os eventos soam.

A versão concreta: vídeo com áudio nativo de até 20 segundos em uma única geração, texto para vídeo, imagem para vídeo a partir de um frame inicial ou de uma referência visual, vídeo para vídeo que carrega um personagem para uma nova cena, keyframe para vídeo para transições controladas, diálogo multilíngue, e encadeamento agêntico de clipes em sequências com múltiplos planos. Cada saída já vem com o áudio embutido, em vez de dublado depois.

Esse último detalhe é o primeiro que eu testaria se tivesse acesso. Um som que cai exatamente no frame em que o impacto acontece é um problema bem mais difícil do que um som que simplesmente toca sobre um clipe, e é o tipo de coisa que ou funciona, ou se desmoraliza na hora.

Vale dizer para quem está planejando em cima disso: um teto de 20 segundos com áudio embutido muda o custo de fazer um vídeo explicativo curto, mas não muda a parte que realmente decide se o clipe é bom. Escrever o roteiro do vídeo ainda é o passo que a maioria das equipes pula.

O artigo é melhor do que o post do blog

Essa é a parte da análise que eu não esperava que se tornasse o destaque. O FLUX 3 é construído sobre o Self-Flow, e é na página de pesquisa, não no anúncio, que a Black Forest Labs realmente mostra o trabalho.

O mecanismo se chama Dual-Timestep Scheduling, e é uma variação do esquema padrão de remoção de ruído sobre o qual todo modelo de difusão é construído. Dada uma entrada limpa, o método sorteia dois timesteps e uma máscara aleatória, depois adiciona ruído a cada token de acordo com o timestep atribuído a ele, de modo que partes diferentes da mesma entrada chegam a níveis diferentes de corrupção. A visão do professor recebe o nível de ruído mais baixo, o que cria uma assimetria de informação deliberada, e o aluno é treinado para remover o ruído da entrada e reconstruir as características do professor ao mesmo tempo. O objetivo de toda essa engenharia é fazer com que o modelo aprenda representações fortes sem um modelo professor externo grudado nele.

Vale explicar por que isso importa para um comprador e não só para um pesquisador. O caminho usual para qualidade semântica em um modelo generativo é alinhá-lo a algum modelo de visão pré-treinado separado. Isso funciona bem, mas também deixa você mantendo dois modelos cujos objetivos não se encaixam perfeitamente. A alegação do Self-Flow é que a representação pode surgir do próprio treinamento generativo. Quem já pesou construir em cima de um encoder pré-treinado contra treinar algo de ponta a ponta vai reconhecer essa troca, e minhas anotações sobre modelos de IA personalizados e como treinar um modelo de IA cobrem essa mesma bifurcação do lado aplicado.

As ablações também são reais. A comparação de imagem roda um backbone de 625M de parâmetros em 20M de imagens contra flow matching comum, REPA com DINOv2, REPA com SigLIP2 e SRA. Para a execução multimodal conjunta, é um único backbone FLUX.2 de 4B de parâmetros treinado em 200M de imagens e 6M de vídeos, ao longo de 100 mil passos de fine-tuning em alta resolução. Números específicos o bastante para se discutir, o que já é mais do que a maioria dos lançamentos de modelos oferece.

O resultado de escalonamento é a alegação mais promissora de todo o lançamento:

À medida que o tamanho do modelo sobe de 290M para 420M, 625M e 1B de parâmetros, a lacuna entre Self-Flow e REPA se amplia em vez de fechar, enquanto o REPA mostra retornos decrescentes. Um método que melhora relativamente com a escala vale muito mais do que um método que vence em um tamanho específico apenas.

Agora a ressalva do avaliador, que é real. Esses experimentos param em 4B de parâmetros com 200M de imagens. O próprio FLUX 3 é descrito como significativamente escalado a partir dessa configuração. Ou seja, o artigo valida o método, não o modelo entregue. Uma evidência forte de que a arquitetura é sólida, então, e nenhuma evidência sobre o que está por trás do formulário de solicitação.

Os números de vídeo, lidos como foram escritos

Aqui está o conjunto completo de preferências do post de lançamento, medido em clipes de texto para vídeo de 10 segundos a 720p com áudio.

Duas coisas merecem crédito aqui. A Black Forest Labs publicou as derrotas bem ao lado das vitórias, e destacou em negrito na própria página a ressalva: o modelo e o sistema de avaliação ao redor dele ainda estão em desenvolvimento, então os resultados são preliminares e devem melhorar.

Duas coisas merecem escrutínio. O conjunto de comparação foi escolhido pelo fornecedor, com prompts escritos pelo fornecedor, e o Kling já avançou além do v3 Pro que foi usado no benchmark, indo para a família 3.0. E o resumo honesto dessa tabela é "competitivo com a fronteira atual", não "à frente dela", porque os dois concorrentes mais próximos empataram num cara ou coroa.

Nada disso torna a tabela inútil. Isso a transforma em uma métrica de desempenho feita pelo próprio fornecedor, uma categoria real de evidência com um viés conhecido, e você a lê como leria qualquer número autodeclarado: confie na forma, desconte a magnitude e vá atrás das derrotas. A Black Forest Labs pelo menos publicou as derrotas.

Se você quiser esses oito modelos com preço em vez de ranqueados, é exatamente isso que meu detalhamento de alternativas ao FLUX 3 faz, e a análise completa do lançamento cobre a lista de recursos com mais profundidade do que uma análise precisa.

As avaliações de imagem foram feitas com um modelo que ainda estava treinando

O post de lançamento diz isso claramente, e quase ninguém citou: as melhorias de imagem vêm de avaliações preliminares realizadas durante o midtraining. As amostras realmente parecem fortes, particularmente em tipografia e na renderização de texto multilíngue, que por acaso é onde os lançamentos anteriores do FLUX visivelmente tinham dificuldade.

Vale a pena colocar isso lado a lado com onde a geração atual realmente está. Um operador que administra um site de benchmark de aderência a prompts complexos avaliou o FLUX.2 com nota 5 de 15, o Ideogram 4 com 8, e o GPT Image 2 com 12:

"I run a fairly high-traffic site for generative image models focusing on complex prompt adherence. Flux.2 doesn't score anywhere near SOTA proprietary models."

vunderba, Hacker News

Essa é a lacuna que o FLUX 3 Image precisa fechar, e ela é grande. Outro comentarista colocou a frustração de forma mais direta:

"I have a feeling open-weight models ought to be outperforming proprietary ones by now, but that still hasn't happened."

rekpero, Hacker News

Para trabalho com imagens que você precisa entregar neste mês, a comparação que eu faria é FLUX.2 contra Nano Banana 2, sua variante Lite e GPT Image 2.

Se você está escolhendo pelo custo em vez da qualidade, a comparação entre três modelos de imagem é a página que mantenho aberta. Edição local é uma habilidade à parte, e é contra a edição de imagens do Qwen que eu faria o benchmark para isso.

Essa também é a metade do FLUX 3 com que as equipes de conteúdo mais se importam, já que uma ilustração é a parte de um post que a maioria das pessoas já está gerando. Se esse é o seu caso de uso, o pipeline importa mais do que o modelo: automação de blog e redação de artigos com imagens cobrem como as duas coisas se encaixam, e a tabela de preços do Midjourney é a base de custo que uso como referência.

A seção de robótica é a melhor evidência do lançamento

Se você ler apenas uma parte do material do FLUX 3, leia o post do mimic. É ali que uma alegação sobre representações é testada contra a realidade física, e a realidade física é muito mais difícil de manipular do que uma pesquisa de preferência.

A Black Forest Labs e a mimic robotics construíram o FLUX-mimic pendurando um decodificador de ações leve no caminho de vídeo do FLUX 3, e a Audi vem testando isso em trabalho de manipulação de objetos macios em produção. Em uma tarefa de kitting de objetos macios ao longo de 20 tentativas autônomas, o sucesso mediano ficou em 95% para o FLUX-mimic contra 55% da baseline pi-0.5.

O número que eu de fato usaria em uma discussão é o da condição de controle. Com o backbone congelado, o FLUX-mimic ainda alcançou 65%, enquanto um pi-0.5 congelado ficou em 0%. Congelar o backbone tira o fine-tuning da equação, então o que resta é a qualidade da representação que o modelo de vídeo já carregava. Essa é a tese inteira do lançamento, testada corretamente, com um resultado que teria sido constrangedor se tivesse saído ao contrário. Publicar mesmo assim é a coisa mais confiável de todo esse lançamento.

Também não é um ponto isolado no campo. O Gemini Robotics 2 faz uma aposta estruturalmente parecida a partir do lado da robótica, em vez do lado da geração, o que é um sinal razoavelmente bom de que a ideia subjacente não é apenas o enquadramento de um único laboratório.

A página do Self-Flow adiciona depois uma segunda camada da mesma história, dessa vez a partir da simulação. Fazendo fine-tuning das execuções multimodais ponderadas por vídeo em 675M de parâmetros e avaliando a previsão de ações no simulador SIMPLER, o Self-Flow venceu o flow matching comum em todas as tarefas no início do treinamento, aos 30 mil passos, onde o flow matching falhou completamente nas tarefas Open e Place. Aos 100 mil passos, as tarefas de objeto único já haviam convergido, enquanto o Self-Flow mantinha sua vantagem nas tarefas de múltiplos objetos e sequenciais. O padrão se mantém consistente o tempo todo: o benefício aparece nas tarefas compositivas difíceis e não nas fáceis.

Um leitor na thread capturou o detalhe que mais me convenceu, que nem sequer é uma taxa de sucesso.

"The video at around 3.30min, where the robot arm took 3 attempts to reseat the window trim, was quite unnerving - I have not seen such resolving before."

GiffertonThe3rd, Hacker News

Tentar de novo depois de uma falha, sem ser instruído a isso, é uma capacidade diferente de acertar de primeira, e é a que realmente importa quando um sistema roda sem supervisão. Eu me importo com isso pelo mesmo motivo que me importo na automação de suporte. Um sistema que sabe que falhou pode fazer o handoff; um que não sabe simplesmente registra uma resposta errada com confiança e segue em frente. Essa é a tese por trás do handoff de agentes de IA e por trás da prevenção de alucinações de IA.

Outro comentarista resumiu a aposta de arquitetura em uma única frase melhor do que o próprio post de lançamento:

"Upshot: a well trained multimodal video generation model has a world representation model trained inside it."

vessenes, Hacker News

A auditoria de evidências

Seis alegações, avaliadas pelo que foi de fato publicado, não pelo que foi demonstrado. Abra cada uma.

Onde a análise fica sem estrada

Toda análise precisa responder eventualmente "então, devo comprar?", e este é o ponto em que preciso parar.

A página de preços tem abas para FLUX.2, FLUX Tools e FLUX.1. O FLUX 3 não está nela. A escada de lançamento passa primeiro por vídeo e áudio via APIs e acesso a pesos privados, depois por previsão de ações via parceiros selecionados começando pela mimic robotics, em seguida por síntese de imagem, e por fim por acesso a pesos abertos do backbone multimodal como FLUX 3 Dev. Só o primeiro degrau começou, e o degrau de pesos abertos não tem nenhuma data associada.

Os números reais mais próximos são as tarifas do FLUX.2, e vale a pena conhecê-los porque provavelmente são o formato do que o FLUX 3 acabará cobrando:

Aqui, um megapixel significa uma saída de 1024x1024. A cobrança arredonda para cima separadamente para a saída e depois de novo para cada imagem de referência, e qualquer coisa acima de 4 MP é redimensionada para baixo. A pegadinha que costuma pegar as pessoas é essa linha de imagem de referência, já que um fluxo de edição com três referências custa bem mais do que a tarifa em destaque sugere.

O que dizem quem realmente roda esses modelos

A thread de lançamento chegou a 571 pontos em 133 comentários, a thread do mimic a 318. E a reação mais interessante ali não tinha nada a ver com qualidade. Era sobre para quem o FLUX é agora.

"Given that Martin Scorsese is now an 'advisor', I suspect BFL will continue to position itself as the research lab for filmmakers."

jarjoura, Hacker News

Essa leitura se encaixa melhor nas evidências do que a alternativa. Um modelo precificado para pipelines de VFX é um produto diferente de um modelo precificado para geração de conteúdo em massa, e o material de lançamento pende para o primeiro. Se o seu plano era volume barato, é no nível [klein] do FLUX.2 que esse volume barato vive, não aqui.

Isso é útil de esclarecer cedo, porque decide se o FLUX 3 sequer cabe no seu orçamento. Uma equipe que produz um vídeo destaque por trimestre e uma equipe que produz quarenta clipes sociais por semana querem coisas opostas de um fornecedor, e só uma dessas equipes deveria estar de olho neste lançamento. O lado de SEO desse pipeline costuma acabar sendo a restrição real, mais do que o custo de renderização.

O que eu levo disso se comprar IA é o meu trabalho

Não vou fingir que um modelo de vídeo é um helpdesk. O que se transfere é a disciplina de análise, e essa parte se transfere exatamente.

O padrão deste lançamento é o mesmo padrão da maioria dos discursos de venda de IA que vejo do outro lado da mesa: o que impressiona e o que é comprável são coisas diferentes, e o marketing não separa isso para você. A Black Forest Labs foi mais honesta do que a maioria, e mesmo assim foi preciso ler a página de preços para descobrir que o produto não está à venda. Fornecedores de IA generativa para atendimento ao cliente raramente são tão transparentes.

A versão específica disso que custa dinheiro às equipes de suporte é a confiança. Um comprador em uma ligação de vendas do eesel descreveu esse modo de falha melhor do que eu poderia.

"The AI will never be able to answer 100% of the questions, but if it tries and just answers 'sorry I don't know this,' I cannot go and check all my 7,000 tickets to see if the AI actually made a good answer. I need an AI who is only handling the tickets that it's confident to handle and all the other ones, leave them alone."

uma líder de CX que lida com 7 mil tickets por mês, de uma ligação de vendas do eesel

Esse é o mesmo instinto de se importar com o número de backbone congelado em vez do vídeo de destaque. O que se quer saber é o comportamento no limite, não o melhor caso possível. É por isso que definir limiares de confiança é a primeira decisão de configuração que apresento a qualquer pessoa, antes de qualquer coisa sobre tom ou cobertura, e é por isso que agentes de IA versus chatbots tradicionais gira exatamente em torno dessa propriedade.

Analisar um modelo de IA que você não pode rodar é frustrante. Analisar um agente de IA antes de se comprometer com ele não deveria ser. Essa é a única coisa que eu pediria a qualquer fornecedor deste espaço, eesel incluído: mostre-me meus próprios números antes que eu assine qualquer coisa. Com o eesel, você o aponta para o seu helpdesk, ele reproduz seus tickets históricos, e o que você recebe de volta é a taxa de resolução no seu próprio backlog, em vez de uma pontuação de preferência tirada dos prompts de outra pessoa. Cada ação cai em um log de atividade que você pode auditar linha por linha. Grátis para testar, e leva minutos em vez de um formulário de solicitação. Experimente o eesel

Se você quiser a versão mais aprofundada desse argumento, deflexão de tier-1 com IA cobre o que realmente é automatizado, e IA generativa para equipes de suporte cobre a implantação.

O veredito

O FLUX 3 é o lançamento de modelo mais bem documentado que li este ano e também um dos menos úteis. Se você constrói robôs ou trabalha em um pipeline de VFX, vale a pena entrar na lista de acesso antecipado, porque aquele resultado de backbone congelado diz que a representação é real. Se você precisa entregar imagens ou clipes neste trimestre, use algo com tabela de preços real e volte a conferir quando houver um preço. E se você está aqui porque avaliar fornecedores de IA é literalmente o seu trabalho, o que vale a pena roubar deste lançamento não é o modelo em si. É o hábito de publicar a condição de controle.

Para o que você pode comprar hoje em vez disso, meu resumo de alternativas ao FLUX 3 coloca preço em oito delas no mesmo clipe de dez segundos, e as melhores ferramentas de IA generativa cobre o campo mais amplo.

Se você está escolhendo modelos de texto na mesma leva, as três opções de baixo custo com as quais eu faço benchmark são DeepSeek V4 Flash, Gemini 3.5 Flash-Lite e Qwen 3.7 Flash.

No extremo de fronteira estão o GPT-5.6 e o Claude Opus 4.6, e qual LLM é melhor para suporte cobre a leitura específica de suporte sobre todos eles.

Sources

• FLUX 3 launch announcement, Black Forest Labs
• FLUX 3 x mimic, the video-action thesis
• Self-Flow research page, arXiv preprint 2603.06507
• FLUX 3 model page
• Black Forest Labs pricing
• FLUX.2 overview docs
• Launch thread, Hacker News, 571 points
• mimic thread, Hacker News, 318 points