BFL.ai가 현실 세계의 시각 지능(visual intelligence)을 목표로 하는 새로운 멀티모달 파운데이션 모델 '플럭스 3(FLUX 3)'를 발표했습니다. 이 모델은 이미지, 영상, 오디오를 단일 아키텍처 내에서 통합 학습하여, 각 모달리티(modality)가 제공하는 정보를 상호 보완적으로 활용함으로써 세상에 대한 더 깊은 이해를 구축합니다. 이는 사물이 어떻게 연결되고, 움직이며, 소리 내는지 등 현실 세계의 복잡한 역학을 포괄적으로 학습하는 데 중점을 둡니다.
플럭스 3는 '셀프-플로우(Self-Flow)'라는 접근 방식을 기반으로 개발되었으며, 이를 통해 멀티모달 생성 및 이해를 효율적으로 정렬합니다. 이 모델은 텍스트 프롬프트는 물론, 이미지나 영상 참조를 통해 최대 20초 길이의 영상과 오디오를 동시에 생성할 수 있습니다. 주요 기능으로는 텍스트-투-비디오(Text-to-video), 이미지-투-비디오(Image-to-video), 비디오-투-비디오(Video-to-video) 생성 등이 있으며, 다국어 대화 처리와 다양한 시각 스타일 및 화면 비율을 지원합니다. 초기 평가에서 플럭스 3는 그록 이매진 비디오(Grok Imagine Video), 클링 v3 프로(Kling v3 Pro) 등 경쟁 모델 대비 최대 93% 우위를 보였으며, 특히 사람의 표정 포착, 물리적 현상과 소리 연관성, 다국어 기능에서 강점을 나타냈습니다.
이러한 멀티모달 통합 학습 방식은 단순히 콘텐츠 생성에 그치지 않고, 물리적 AI(Physical AI) 분야에서도 중요한 의미를 가집니다. 플럭스 3는 세계 이해를 행동 예측으로 확장하여, 로봇 학습을 위한 백본(backbone) 모델로 활용될 수 있습니다. 실제로 미믹 로보틱스(mimic robotics)는 플럭스 3 백본을 활용한 영상-액션 모델 '플럭스-미믹(FLUX-mimic)'을 개발하여 로봇의 정교한 조작 능력을 향상시키는 데 기여했습니다. 이는 플럭스 3가 디지털 환경을 넘어 실제 물리적 환경에서 인지, 예측, 행동하는 모델로 발전할 잠재력을 시사하며, 미래 AI 기술의 핵심 기반이 될 것으로 기대됩니다.