FLUX 3 Action 开源机器人模型发布：7B参数登顶RoboLab基准

Black Forest Labs（BFL）于9月23日发布 FLUX 3 Action——一个70亿参数的开源「世界动作模型」（World Action Model），能根据摄像头画面、机械臂状态和文本指令预测下一步动作，并同步生成未来场景视频。这是 FLUX 3 多模态底座发布以来首个开源权重版本。BFL 宣称该模型在 NVIDIA RoboLab-120 仿真基准上创下成功率纪录，参数规模不到此前最佳开源模型的一半，推理速度快至3.95倍。

什么是 FLUX 3 Action

FLUX 3 Action 是一个流匹配（flow-matching）模型，将文本、最近视频和机械臂状态转为 token 后联合去噪「未来视频」和「下一个动作」，而非传统的「视觉语言模型+动作头」分立结构。这种联合预测让模型在执行动作前就能模拟场景变化，减少试错成本。

该模型基于 FLUX 3 多模态底座训练——95%以上的预训练数据为视频，另有少量图像和音频。随后的「动作中间训练」阶段混合了游戏画面、第一视角人类手部视频、带夹爪的遥控操作数据，来自14种不同机械臂形态。BFL 数据显示，SO-101 机械臂仅用约200条遥控演示就学会了抓取放置任务。

模型	参数量	RoboLab-120成功率	推理速度（vs Cosmos3-Nano）
FLUX 3 Action	7B	42.92%	3.95x faster
Cosmos3-Nano（NVIDIA）	12B+	36.8%	baseline
OASIS WAM（闭合模型）	—	39.0%	—
π0.5	—	28.0%	—

发布内容一览

权重文件托管于 Hugging Face 的 FLUX 3 Action 集合，遵循 FLUX Kommunity License v1.0；训练和推理代码在 GitHub 仓库（Apache-2.0）开源。发布内容包括：

共享基础检查点：含视频 VAE 和 Qwen3-VL-4B-Instruct 文本编码器
预制策略：DROID 配置（Franka 臂+三摄像头）和低成本 SO-101 臂（通过 Hugging Face LeRobot 框架用 LoRA 微调）
三种推理配方（各含 BF16 和 FP8 版本）：基础模型（4步采样+引导）、引导蒸馏版、单步蒸馏版（单步推理）

模型卡明确禁止用于「在无人监督情况下以危害人员的方式控制机器」。

真实机械臂测试结果

BFL 委托 Positronic Robotics 对 Franka 机械臂进行盲测：10项 DROID 任务，每项3次尝试，240秒上限。FLUX 3 Action 完成30次中的28次；Cosmos3-Nano 完成27次，DreamZero 20次，π0.5 仅13次。两者在简单拾放任务上基本持平，差异主要体现在模型规模和速度上。

BFL 还在游戏、无人机、控制软件等数字场景展示了微调版本。BFL 观点是：「能玩游戏体的智能体距离操控其他软件只差一小步」。

与推理模型配合：快策略+慢规划

大推理模型（如 OpenAI Astra）规划能力强，但速度慢、成本高。BFL 测试显示：单独使用 Astra 每次成功成本约13.47美元、耗时16分钟；让 Astra 只在必要时介入，日常控制交由 FLUX 3 Action 处理，成功率保持90%的同时成本降至8.77美元、耗时约8分钟，比最优替代方案便宜29%、快40%。

这种「快速策略模型+慢速规划模型」的组合预计是此类系统在实际部署中的主流用法。

当前局限性

BFL 坦诚表示：「仍有一些任务是所有策略（包括自家的）无法独立解决的」。基准测试成绩由 BFL 自行提供，NVIDIA 公开排行榜尚未更新。真实机械臂测试也仅覆盖简单拾放任务。不过开源权重意味着这些结果现在都可以被独立验证。

小结

FLUX 3 Action 的发布再次证明视频生成模型是机械臂控制的强力底座。对研究者而言，关键吸引力在于：7B 开源模型可在单卡运行、有低成本爱好者机械臂的 LeRobot 配方、微调代码完全公开。相比排行榜上多数方案，这些条件让独立复现的门槛低得多。结合大推理模型的规划能力，FLUX 3 Action 有望成为机器人物的大脑+小脑组合中的「小脑」角色。

新闻来源：NYU Shanghai RITS – Black Forest Labs Releases FLUX 3 Action

延伸阅读

AI 自学笔记 每天更新 AI 前沿动态，订阅 RSS，或按 Ctrl/⌘+D 收藏本站，明天见。