Black Forest Labs 推出 FLUX 3 Action：70 億參數開放權重機器人模型，RoboLab 基準排名第一

以圖像和影片模型起家的 Black Forest Labs（BFL），這次直接切入機器人控制核心。FLUX 3 Action 是一個 70 億參數的開放權重「World Action Model」，輸入相機畫面、機器人當前狀態與自然語言指令，輸出具體動作序列——不是生成圖片，是讓機器人動起來。

BFL 宣稱 FLUX 3 Action 在 NVIDIA 的 RoboLab-120 基準測試中拿下 42.92% 的整體成功率，超越先前榜首 OASIS WAM 的 39.0%，也比同類開放模型 NVIDIA Cosmos3-Nano-Policy 高出 6.1 個百分點。最有力的對比數字在這裡：Cosmos3-Nano-Policy 有 160 億參數，FLUX 3 Action 只有 70 億，卻快了 1.43 倍。換句話說，用不到對手一半的體積，跑出更高的分數，推論速度還贏了。BFL 同步宣布將公開模型權重、程式碼、微調配方與可重現範例，並提供搭配低成本 SO-101 機器手臂與 Hugging Face LeRobot 框架的實作示範。

不過，有幾件事值得拆開來看。RoboLab 是 NVIDIA 開發的模擬環境基準，不是真實場景測試。市場上其他競爭者——例如 Ai2 的 MolmoAct 2 和 NVIDIA 自家的 GR00T 系列——是在不同的真實世界任務集上評測，數字沒辦法直接比較。Ai2 在自己的五項 Franka 真實機械臂任務上報告了 87.1% 的成功率，但那是完全不同的評測方法論。機器人領域目前就是這個現實：沒有一個跨模擬、真實硬體、不同機器人型態的統一基準，每家公司都在自己最有利的跑道上比賽。FLUX 3 Action 的數字也是 BFL 自行提供，公開排行榜在發布前還沒更新。

架構上，FLUX 3 Action 延續 BFL 今年一路建構的核心論點：把影片生成模型訓練得夠深，它自然會學到物體運動、接觸物理、因果關係的有效表示，這些表示可以直接搬來做機器人控制，不需要另外接 CLIP 或 DINO 這類凍結的表示模型。推論時，模型同時預測未來 32 個動作序列，以及視覺場景會如何演變，機器人觀察新狀態後再重複這個迴圈。BFL 的實驗顯示，約 200 段遙操作示範就能讓模型適應新任務，且測試影片中使用的物體並未出現在訓練集裡。一段示範影片中，機器人犯錯後自行重試，BFL 研究人員的描述是「模型先失敗，然後嘗試了更好的做法」——這是選定的示範片段，不是泛化能力的系統性驗證，但代表 BFL 認為預訓練世界模型可以提供這類行為，而不需要人工示範每一種可能的失敗模式。

從商業格局來看，這次發布最值得注意的不是排行榜名次，而是 BFL 押注的路線本身。開放權重讓機器人團隊可以在自己的基礎設施上跑推論，把機器人示範資料和操作數據留在自己的環境裡，不必依賴雲端託管服務。這對製造業、倉儲物流、工廠自動化場景的自建團隊而言，意味著一個從 70 億參數基礎出發、自行收集示範、微調部署的完整路徑——而不是付費使用黑盒子 API。BFL 指出他們甚至用這個架構訓練了無人機飛行控制，以及通關《毀滅戰士》（零死亡），雖然定性為早期實驗。

關鍵問題是：在實驗室跑出來的數字，能否在外部團隊的真實機器人上重現？70 億參數的緊湊體積和開放權重，能不能讓這件事真的「夠實際」做到量產？目前 BFL 還沒公布商業授權的最終條款，也還沒有 FLUX 3 Action 的 API 端點或定價——對大多數開發者來說，現階段唯一的選項就是自己架。這個答案，要等外部團隊真正上手之後才有。