前瞻與傳聞
Black Forest Labs 談 FLUX 3:影像、影片、音訊三種訊號一併訓練
Latent Space單一來源
核實資料不足
目前依單一來源整理,這是來源數量描述,不是對消息真假的判定。
本次未取得足夠原文證據

Latent Space 訪談 Black Forest Labs 共同創辦人 Andreas Blattmann 與 Dustin Podell。兩人來自 Stable Diffusion 團隊,Stability AI 解體後,核心成員在 Anj Midha 協助下分拆出 BFL。BFL 主張 FLUX 3 應同時以影像、影片與音訊訓練:靜態影像顯示物體位置,影片顯示其如何抵達,撞擊聲則可標出接觸時刻,即使鏡頭沒拍到。影片放大器與 FLUX 3 共用同一主幹,目的是避免逐幀獨立放大造成的閃爍。訪談中也談到,移動鏡頭的二維影片隱含物體在其他角度的外觀資訊,但主持人指出這不足以證明模型「理解物理」。另一項內容是自回歸與擴散模型的取捨:自回歸可同時從訓練樣本的所有 token 學習,擴散端則可把長採樣過程蒸餾為少數步驟,哪項優勢重要取決於成本落在訓練還是推論。BFL 的 Kontext 早期實驗,以數小時的訓練讓模型把標誌放上襯衫,之後才投入數月於資料與模型。使用者端則有人用 FLUX 修復老舊家庭照片後拿給家人看,Dustin 表示未預料到此用途。以上皆為訪談中的說法,未經獨立驗證;材料未提供 FLUX 3 的參數、價格或評測數據,節目章節列出的世界行動模型與機器人方向也未展開。
讀原始報導背景
擴散模型(diffusion model)的訓練目標,是逐步去除加在訓練圖片上的雜訊。潛在擴散模型(Latent Diffusion Model)則改在潛在空間(latent space)中進行擴散運算,由慕尼黑大學 CompVis 團隊開發。Stable Diffusion 於 2022 年 8 月由 Stability AI 發布,是一個擁有 8.6 億參數的去噪潛在擴散模型。