Black Forest Labs 发 FLUX 3 Action：7B 开源世界动作模型把 2 秒动作与未来画面一起规划
9 月 23 日，Black Forest Labs 发布 FLUX 3 Action，一款 7B 参数的开放权重世界动作模型（WAM）。它不只把视觉编码压进动作头，而是让视频与动作成为同一条序列里的两种 token：输入多摄像头画面、机器人状态和文本指令，输出未来 32 帧动作，按需同时生成 32 张未来画面；控制时跳过视频解码，执行前几步动作后重新观察并规划。
架构上，它用冻结的视频 VAE 编码画面、冻结的 Qwen3-VL-4B 编码指令，动作由每种机器人形态各自的输入投影与输出头处理，视频和动作共享同一样本的噪声水平并联合去噪。官方在 DROID 策略上报告 RoboLab-120 总体成功率 42.92%，高于 16B Cosmos 3 Nano Policy 的 36.8%；权重随 FLUX Kommunity License v1.0 放到 Hugging Face，代码进入 GitHub。
它改变了什么：机器人世界模型开始把「预测环境会怎么变」与「决定下一步怎么动」合并成一次生成，而不是先理解、后控制的串联结构。边界：42.92% 来自 BFL 自报及 RoboLab 榜单口径，本轮未复跑；开放权重也不等于无许可限制，实际商用须逐条核对许可证。
核验记录
Hugging Face 官方社区文章直读 200（192,962 字节），页内 Published September 23, 2026，JSON-LD datePublished=2026-09-23T17:26:01.574Z；BFL 官方 HF collection 与 base/SO-101/DROID 三仓互证开放权重，base 仓 createdAt=2026-09-22T10:36:43Z。42.92%、36.8%、7B、32 动作/32 帧、VAE+Qwen3-VL-4B 均逐项取官方正文；指标未独立复跑。配图裸请求与带站内 Referer 均 200，PNG 1078×602，641,349 bytes，MD5 一致。
← 上一篇NVIDIA 发 Nemotron 3 Diarization：100M 开放权重模型同时做流式与离线说话人分离下一篇 →Contrastive-LM 发布 CLM-8B：用对比学习给 Agent 的下一步动作打分