FLUX 3、ロボット制御にも対応—ビデオ生成と物理世界の理解を統合した基盤モデル

要約

Black Forest Labs と mimic robotics は、画像・動画・音声を統合学習した基盤モデル FLUX 3 を、ロボット制御に拡張した FLUX-mimic を共同開発した。FLUX 3 の訓練では動画予測が計算コストの 95% 以上を占め、モデルは接触・重力・因果関係など物理法則を習得し、その世界モデルを複数の用途に活用可能にした。アクション予測をカリキュラムに追加した初期段階で動画生成品質が最大 10% 低下したが、3,500 ステップで完全に回復し、同一バックボーンで動画生成とロボット制御の両立が実証された。FLUX-mimic は軽量なアクションデコーダを FLUX 3 の中間表現に乗せ、実工場での部品キッティングや生産・物流業務に導入され、業界要件に適応した次世代の汎用マニピュレーションモデルとなった。