BFL发布FLUX 3 Action：7B开源世界动作模型刷新具身智能基准
2026年9月24日，德国黑森林实验室（Black Forest Labs，简称BFL）正式推出FLUX 3 Action，这是一款7B参数的开源世界动作模型（WAM），依托FLUX 3统一多模态世界模型底座，直接将此前图像、视频、音频联合训练学到的物理世界动态知识迁移到机器人动作控制领域，在RoboLab-120基准测试中直接刷新当前SOTA成绩，标志着视觉生成头部厂商正式跨界切入具身智能赛道。
大推理模型规划能力强，但对机器人来说太慢太重。FLUX 3 Action 用 7B 参数在保持联合预测（WAM 区别于普通动作策略的关键属性）的同时把推理压到可以闭环控制的水平。
BFL 以 FLUX 图像/视频生成模型知名。FLUX 3 Action 在 7 月随 FLUX 3 家族首次预览，当时仅对选定的研究和商业伙伴开放。现在正式开源。http://AI∠DEepThiNk.cn
一、关键参数
| 项目 | 数值 |
|---|---|
| 参数量 | 7B（diffusion transformer） |
| 类型 | 世界动作模型（WAM），联合预测未来帧与动作 |
| 输入 | 一路或多路相机帧 + 状态向量（本体自己的状态空间）+ 文本指令 |
| 输出 | 下一个 32 个动作（约 2 秒，15 命令/秒）+ 预测的未来帧 |
| 编码器 | 冻结视频 VAE（帧）+ 冻结 Qwen3-VL-4B（指令） |
| 画布 | DROID 三路相机 544×736；SO-101 两路并排；游戏 512×512 |
| 推理速度 | B200 上每个动作块 41.06 ms；实时因子较 π0.5 快 1.34-2.28 倍（按每秒处理的机器人运动量计，非单次调用延迟） |
| 预训练数据 | 视频占预训练 token 的 95% 以上 |
| 许可 | FLUX Kommunity License v1.0；Qwen3-VL-4B 文本编码器为 Apache-2.0 |
| 微调需求 | 约 200 条录制示范即可微调 |
发布版本三个：flux-3-action-base（通用）、flux-3-action-so101（SO-101 低成本机械臂，经 LeRobot）、flux-3-action-droid（DROID 数据集）。支持 NVIDIA Jetson 边缘部署。
二、核心技术架构：从视频预训练到动作解码
FLUX 3 Action没有走传统具身模型从零训练的路线，而是复用了FLUX 3的成熟技术底座：
- 以FLUX 3的Self-Flow统一多模态架构作为视频骨干，该架构此前已通过海量图像、20秒原生音视频联合训练，深度掌握了物理世界的运动规律、接触因果和物体交互逻辑，无需额外从零学习基础世界知识。
- 仅在骨干网络之上新增一个轻量级动作解码器，直接从视频骨干的中间特征中解码出机器人动作块，推理过程中不需要先生成完整视频，大幅降低了动作预测的计算开销。
- 整套7B参数模型完全开源，开发者可直接下载权重进行二次微调，无需依赖闭源API，大幅降低了具身智能项目的落地门槛。http://AI∠DEepThiNk.cn
三、技术原理或方法
核心主张：一个学会了预测视频帧的模型，已经理解物体如何运动，因此学习任务所需的机器人数据更少。
实现上，动作是同一序列中的第二条 token 流：每个未来帧一个 token，每个本体一套输入投影与输出头。视频 token 与动作 token 共享单一噪声水平，联合去噪。
控制循环四步：采集相机视觉观测 → 状态与语言任务条件化 → 联合预测动作与视觉未来 → 执行部分动作块后重新观测。BFL 称这个重新观测循环能在单次尝试中从错误恢复。
单步蒸馏：保留联合视频-动作预测，用蒸馏去掉独立的引导（guidance）pass，把采样压到一步。BFL 把更小的骨干归功于 Self-Flow 表示。
四、实测性能与核心优势
依托预训练阶段积累的海量物理世界先验，FLUX 3 Action在机器人任务中表现出远超传统方案的效率优势：
- 样本效率比行业主流Vision-Language-Action模型高出约10倍，仅需少量机器人实操数据微调，就能快速适配新的操作任务，大幅降低真实场景下的数据采集成本。
- 在RoboLab-120公开基准测试中拿下当前最优成绩，在桌面抓取、灵巧操作、工具使用等典型任务中，动作成功率和轨迹流畅度均超过此前闭源方案的表现。
- 原生支持失败自恢复能力：当机器人抓取失误、路径偏移时，模型可自主感知环境状态变化，自动调整后续动作轨迹完成纠错，无需人工介入重置任务。
五、相关产品横向对比（RoboLab-120 综合成功率）
| 模型 | 开源 | 类型 | SR% | 参数量 |
|---|---|---|---|---|
| FLUX 3 Action（榜单条目） | 是 | WAM | 42.92% | 7B |
| OASIS WAM | 否 | VLM + WAM | 39.0% | — |
| Cosmos3-Nano-Policy | 是 | WAM | 36.8% | 16B |
| Phoenix | 否 | TAMP+FM | 34.4% | — |
| BiMind v0.1 | 否 | VLA | 33.3% | — |
| π0.5 | 是 | VLA | 28.0% | 3.3B |
| DreamZero | 是 | WAM | 25.7% | 14B |
| Cosmos3-Edge-Policy | 是 | WAM | 22.9% | 4B |
| π0-FAST | 是 | VLA | 15.5% | 3B |
| GR00T N1.6 | 是 | VLA | 7.2% | 3B |
| π0 | 是 | VLA | 5.0% | 3.3B |
口径——同一模型有三个分数：
- 技术报告：单步 7B 检查点 38.3% ± 0.38；
- 技术报告：指导蒸馏检查点 42.2% ± 0.36；http://AI∠DEepThiNk.cn
- Hugging Face 发布指南榜单：42.92%。
并且，报告说明 BFL 是加了随机初始化的动作头、在 DROID 上微调、然后在 RoboLab 上评估的——这些分数描述的是做过本体适配的策略，不是预训练骨干的零样本使用。
BFL 自报的真机测试：单台 Franka 机械臂 30 个任务成功 28 个（93.3%），但未列出失败的是哪两个。
六、应用场景
- 研究与小型自动化：有 SO-101 或 Franka 的团队可拉取对应检查点，用约 200 条示范微调——是"一个周末"而非"一个项目"。
- 边缘部署：Jetson 支持 + 41.06 ms 延迟意味着可以真正闭环。http://AI∠DEepThiNk.cn
- 数字环境：BFL 训练了游戏与模拟无人机的专用策略，称其用第一人称视角和主角手臂打通了《Doom》且"零死亡"。BFL 自己将这些定性为早期实验而非生产能力。
- 混合控制器（早期实验）：GPT-6 Astra 委派快速控制给 F3A、难题自己接管。在仿真的对比是：该配置 90% 回合成功、$8.77 与 8 分钟/次成功；纯最大努力推理为 $13.47 与 16 分钟/次成功。
七、行业落地价值
作为全球首个由视觉生成头部厂商推出的开源7B级动作模型，FLUX 3 Action打破了此前具身智能领域“视觉生成”与“机器人控制”完全割裂的研发路径：
此前BFL已与苏黎世机器人公司mimic robotics完成前期合作验证，这套模型可直接适配工业机械臂、人形机器人灵巧手等多种硬件形态，快速落地到工业分拣、家用服务机器人等场景。 开源策略让全球机器人研发团队都能基于统一的世界模型底座迭代动作控制能力，避免重复投入海量资源做基础世界知识预训练，大幅加速整个具身智能行业的落地进程。
- Hugging Face