BFL、画像・動画・音声を統合生成する「FLUX 3」を発表

ドイツのAI企業Black Forest Labs（BFL）は、マルチモーダルモデル「FLUX 3」を発表した。同モデルは1つのプロンプトから画像、または音声付き動画（最長20秒）を生成できる。同社にとって初めての動画生成モデルの公開となる。

BFLはこれまで画像生成モデル「FLUX」シリーズで知られてきた。今回のFLUX 3は、画像・動画・音声をそれぞれ別々のモデルで処理するのではなく、単一のアーキテクチャ（設計基盤）の上でまとめて学習している点が特徴だ。同社はこのアプローチを「ビジュアルインテリジェンス」と呼び、クリエイティブ制作から企業向けシミュレーション、コンピュータ操作、さらにロボットの動作制御までを一つの能力で横断する構想を描いている。

FLUX 3は「FLUX 3 Video」「FLUX 3 Image」「FLUX 3 Action」、そして後に公開予定のオープンソース版「FLUX 3 Dev」の4製品ラインで提供される。現時点では、音声生成オプション付きのFLUX 3 VideoとFLUX 3 Actionが「アーリーアクセス」プログラムに入っており、申請は誰でもできるが、利用にはBFLの承認が必要だ。APIや外部パートナー経由での一般公開はまだ行われておらず、FLUX 3 Imageは数週間以内、その後に一般提供の順で展開される予定だとBFLは説明している。

一方、現段階ではいくつかの重要な情報が明らかになっていない。価格、サービス品質の保証（SLA）、評価手法の詳細、ベンチマークのサンプル数や評価者数、画像モデルとしての比較指標など、企業が導入コストや性能を客観的に判断するために必要な情報が未公開のままだ。また、モデルの重みデータ（ローカル環境で動かすためのファイル）も現時点では公開されていない。オープンウェイト版については今年後半にリリース予定とされており、FLUX 3 DevはFLUX初のマルチモーダル対応のオープン版になるとBFLは述べている。ただし、以前のFLUX Devシリーズが画像のみを対象としていたのに比べ、今回の対象範囲は動画・音声・アクション予測にまで及ぶ、より広い約束となっている。

段階的な公開という今回の方針は、AnthropicやOpenAIなど米国の主要AIラボが最近とっているリリース戦略と似ている。ただし、それらのケースでは安全性への懸念や政府の要請が背景として挙げられていた。BFLが今回の段階的公開の理由として何を示しているかは、現時点では明確に示されていない。

FLUXシリーズはこれまで、モデルの重みを無料で公開するオープンウェイト戦略によって開発者コミュニティからの支持を集めてきた。その観点から見ると、今回のリリースでオープン版の提供が後回しにされたことは、既存のユーザー層にとって物足りない点として映る可能性がある。BFLの開発コミュニティへの貢献姿勢自体が否定されたわけではないが、オープン版の公開が遅れることへの影響は無視できないという見方ができる。

マルチモーダル統合という設計思想は、個別モデルを組み合わせるアプローチに比べ、整合性や開発効率の面で優位性があると位置づけられている。ただし、その優位性が実際の製品品質にどう反映されるかは、価格やベンチマークの詳細が公開され、企業や開発者が独立して検証できるようになって初めて判断できる。今後の情報開示の内容と速度が、FLUX 3の実際の普及度合いを左右する重要な要素になるという見方ができる。