Black Forest Labs telah merilis FLUX 3 Action, model aksi dunia (WAM) dengan bobot terbuka berukuran 7B parameter untuk kontrol robot yang menempati peringkat pertama di papan peringkat RoboLab-120 dengan tingkat keberhasilan tugas sebesar 42,92%.

  • Model ini memprediksi frame video masa depan dan aksi robot secara bersamaan dengan membaca frame kamera, keadaan robot, dan instruksi teks.
  • Model ini mengungguli Cosmos 3 Nano milik NVIDIA sebesar 6,1 poin persentase sambil menggunakan parameter lebih sedikit sebanyak 56%.
  • BFL menyediakan tiga resep checkpoint: Base, Guidance-distilled (1,8x hingga 2x lebih cepat), dan Step-distilled (hingga 4x lebih cepat).
  • Model ini mendukung fine-tuning melalui LoRA dan terintegrasi ke dalam Hugging Face LeRobot untuk penyebaran di tepi pada NVIDIA Jetson.
  • Evaluasi perangkat keras nyata pada lengan Franka menunjukkan FLUX 3 Action menyelesaikan 93,3% upaya, melampaui Cosmos 3 Nano yang mencapai 90%.

Rilis ini menawarkan solusi yang dapat disebarluaskan yang menyeimbangkan akurasi tinggi dari model prediktif video dengan kecepatan model aksi bahasa-penglihatan.