A Black Forest Labs está construindo um modelo de IA que não apenas vê o mundo, mas entende como ele funciona
A maioria dos modelos de geração de vídeo com IA foi construída para criar conteúdo visualmente convincente. O Sora, o Veo, o Kling: todos são avaliados pela qualidade visual dos vídeos gerados, pela fidelidade ao prompt, pela coerência entre frames. A pergunta central é se o resultado parece real.
O Flux 3 da Black Forest Labs está fazendo uma pergunta diferente: o modelo entende como o mundo físico realmente funciona? Não apenas como ele parece, mas como os objetos se movem, como as físicas se comportam, como ações causam consequências no ambiente.
Essa distinção importa para criação de conteúdo, mas importa muito mais para uma aplicação que a Black Forest está explorando desde o primeiro dia do Flux 3: treinar robôs. E essa aposta diferencia o modelo de praticamente tudo que existe nessa categoria.
O que é o Flux 3 tecnicamente e o que o Self-Flow representa
O Flux 3 foi treinado com imagens, vídeos e áudio numa arquitetura unificada, o que significa que os três tipos de dados são processados numa representação compartilhada em vez de módulos separados que depois são conectados. O resultado é um modelo com inteligência visual do mundo real que pode perceber, prever e agir em diferentes ambientes, sejam digitais ou físicos.
A inovação técnica central é o Self-Flow, método desenvolvido pela própria Black Forest Labs para que modelos consigam gerar conteúdo e entender o contexto dentro da mesma arquitetura simultaneamente. Em vez de um pipeline onde primeiro você entende e depois você gera, o Self-Flow integra esses processos de forma que a compreensão informa a geração em tempo real.
Na prática, isso significa que o Flux 3 não está apenas prevendo quais pixels devem aparecer no próximo frame de um vídeo. Está mantendo um modelo interno de como a física do ambiente funciona e usando esse modelo para gerar conteúdo que é coerente não apenas visualmente, mas fisicamente.
O modelo consegue gerar vídeos de até 20 segundos a partir de texto, imagem ou vídeo como entrada, criar trilhas de áudio incluindo diálogos em diferentes idiomas, e produzir vídeos com áudio nativo integrado, o que ainda é raro entre modelos de geração de vídeo.
Por que 95% do compute foi para previsão de ações
A Black Forest Labs revelou um dado técnico que ilumina onde estava a dificuldade central do desenvolvimento do Flux 3: 95% do poder computacional usado no treinamento foi consumido pela previsão de ações em vídeos. Não pela geração de conteúdo visualmente atraente, mas por aprender o que acontece quando algo age no ambiente.
Essa proporção conta uma história sobre o que é genuinamente difícil em IA para o mundo físico. Gerar um vídeo que parece real é tecnicamente difícil, mas é um problema de correspondência visual: aprender a distribuição de como coisas parecem em vídeo. Prever o que vai acontecer quando um braço robótico toca um objeto, quando uma força é aplicada em determinada direção, quando dois objetos colidem: isso exige aprender a física do mundo, não apenas sua aparência.
É esse segundo problema que o Flux 3 está tentando resolver, e é por isso que o modelo tem aplicação em robótica que modelos de vídeo convencionais não têm.
A parceria com a Mimic Robotics e o que o Flux-mimic representa
A colaboração com a Mimic Robotics é onde a aposta técnica do Flux 3 encontra o mundo real de forma mais concreta. Juntas, as empresas criaram o Flux-mimic, um modelo de vídeo e ação treinado a partir do Flux 3 com dados de robôs e wearables da Mimic Robotics, rodando numa única GPU no local.
O problema que o Flux-mimic está tentando resolver é central para a robótica industrial: quanto você precisa demonstrar uma tarefa para que um robô a aprenda? Com modelos convencionais, a resposta costuma ser “muitas vezes”, porque o robô precisa construir do zero seu entendimento de como cada tarefa funciona. Com um modelo que já tem entendimento das dinâmicas do mundo físico, o Flux-mimic pode aprender uma nova tarefa com muito menos demonstrações.
A Audi está testando e implementando o Flux-mimic em suas operações. A Mimic Robotics descreve o que está sendo possível como “manipulações complexas em múltiplas etapas que eram há muito consideradas impossíveis para automação convencional.” Para uma montadora que precisa automatizar tarefas de manipulação manual que resistiram à automação por exigirem destreza e adaptação a variações que robôs industriais convencionais não conseguem lidar, isso é uma mudança qualitativa, não incremental.
As avaliações preliminares e o que elas revelam sobre preferência dos usuários
A Black Forest Labs publicou resultados de avaliações comparativas do Flux 3 contra modelos de vídeo estabelecidos, com metodologia de preferência humana. Os números são suficientemente fortes para chamar atenção: 93% de preferência sobre o Luma Ray 3.2, 77% sobre o Runway Gen-4.5, 69% sobre o Grok Imagine Video.
A empresa é cuidadosa em chamar esses resultados de “preliminares”, o que é cientificamente honesto. Avaliações de preferência humana em modelos de vídeo são notoriamente sensíveis a como são conduzidas: quais prompts são usados, qual público avalia, quais aspectos são enfatizados. Resultados preliminares com metodologia não totalmente publicada precisam ser tratados com ceticismo proporcional.
O que os números sugerem, com a devida cautela, é que o Flux 3 entrega resultados que usuários de outros modelos de vídeo consideram superiores para os casos de uso testados. Se isso reflete uma vantagem real e generalizada ou é resultado de seleção de prompts onde o Flux 3 tem vantagem específica é algo que só avaliações independentes mais extensas vão determinar.
O que a preferência sobre Gemini Omni Flash revela
Especialmente interessante é o resultado de 52% de preferência do Flux 3 sobre o Gemini Omni Flash, o modelo de vídeo do Google que o próprio Google posicionou como avanço significativo no I/O 2026. 52% não é uma vantagem esmagadora, mas ser preferido por maioria de usuários sobre um modelo de um dos maiores laboratórios do mundo, numa comparação direta, é um resultado que a Black Forest Labs tem razão em destacar.
O contexto é relevante: a Black Forest Labs é uma startup alemã com recursos muito menores que os dos hyperscalers. Que um modelo desenvolvido por ela seja competitivo com ou superior a modelos de Google e SpaceXAI em avaliações de usuários é um dado sobre a democratização da fronteira técnica em geração de vídeo, além de ser um resultado comercial para a empresa.
O que o Flux 3 revela sobre onde IA generativa está indo
O Flux 3 é a manifestação mais concreta até agora de uma tese que está ganhando força no campo de IA: que a próxima fronteira não é apenas gerar conteúdo mais realista para consumo humano, mas desenvolver sistemas que entendem o mundo físico suficientemente bem para interagir com ele de formas úteis.
A Nvidia lançou o Cosmos 3 com arquitetura de physical AI focada em robótica e sistemas autônomos. A DeepMind tem trabalhado em modelos de mundo físico que alimentam controle de robôs. A Meta está desenvolvendo capacidades similares para robótica com os modelos Muse. E agora a Black Forest Labs, que construiu sua reputação em geração de imagem com os modelos Flux anteriores, está expandindo para essa fronteira com o Flux 3.
A convergência de múltiplos labs trabalhando no mesmo problema com abordagens diferentes é um sinal de que a questão de “IA que entende física” está amadurecendo de área de pesquisa para competição de produto. O Flux-mimic rodando em fábrica da Audi é o tipo de caso de uso que transforma essa competição em algo com consequências econômicas reais e mensuráveis.
O acesso ao Flux 3 está em prévia limitada, e a Black Forest Labs está coletando inscrições para expandir gradualmente. O que acontece quando modelos que entendem física se tornam amplamente acessíveis é uma das questões mais importantes sobre o futuro da automação industrial, da robótica e da forma como a IA vai interagir com o mundo material.
