Black Forest Labs 发布了 FLUX 3 Action，这是一款用于机器人控制的 7B 参数开放权重世界动作模型（WAM），在 RoboLab-120 排行榜上以 42.92% 的任务成功率位居第一。

  • 该模型通过读取相机帧、机器人状态和文本指令，联合预测未来的视频帧和机器人动作。
  • 其性能比 NVIDIA 的 Cosmos 3 Nano 高出 6.1 个百分点，同时参数量减少了 56%。
  • BFL 提供了三种检查点配方：Base、Guidance-distilled（速度快 1.8 倍至 2 倍）和 Step-distilled（速度最快可达 4 倍）。
  • 该模型支持通过 LoRA 进行微调，并已集成到 Hugging Face LeRobot 中，以便在 NVIDIA Jetson 上进行边缘部署。
  • 在 Franka 机械臂上的真实硬件评估显示，FLUX 3 Action 完成了 93.3% 的尝试，超过了 Cosmos 3 Nano 的 90%。

此次发布提供了一种可部署的解决方案，平衡了视频预测模型的高精度与视觉-语言-动作模型的速度。