Black Forest Labs、ロボット制御向け「FLUX 3 Action」をオープンウェイトで公開 ― 70億パラメータの「ワールドアクションモデル」

画像生成モデル「FLUX」で知られるBlack Forest Labs(BFL)は2026年9月23日、ロボット制御向けのオープンウェイトモデル「FLUX 3 Action(F3A)」を公開しました。70億パラメータの「ワールドアクションモデル」で、FLUX 3の基盤モデルをベースに、未来の映像フレームとロボットの動作を同時に予測します。FLUX 3ファミリーで重みが公開されたのはこれが初めてです。

詳細

• 公開内容: ベース、ガイダンス蒸留、ステップ蒸留の3種のチェックポイント。重みはHugging Face(flux-3-action コレクション)、コードはGitHubで公開され、事前学習から中間学習、ファインチューニング、推論最適化までをまとめた技術レポートも併せて公開
• シミュレーション評価(RoboLab-120): シングルステップのベースモデルで成功率38.3%。NVIDIAのCosmos 3 Nano(160億パラメータ)の36.8%を上回り、ガイダンス蒸留版では約42%に達した
• 実機評価: Positronic RoboticsがFrankaアームでDROIDの10タスクを評価したところ、F3Aは30回中28回成功(93.3%)。Cosmos 3 Nanoは27/30、DreamZeroは20/30、π0.5は13/30だった
• 速度: ロボット動作1秒あたりの処理はワークステーション/データセンター向けGPUでπ0.5の1.34〜2.28倍高速(ただしRTX 5090などの一般向けGPUでは低速)。FP8ではCosmos 3 Nanoの1.52〜3.95倍。予測ホライズンは2.13秒で、π0.5の1.0秒を上回る
• 推論モデルとの組み合わせ: 推論モデルGPT 6 Astraが高速な制御方策としてF3Aに処理を引き渡す構成では、成功率90%、1回の成功あたり推定8.77ドル・8分を達成。BFLによれば、次点の構成より29%安く40%速い
• エコシステム: NVIDIA Jetsonでのローカル実行のほか、Hugging FaceやLeRobotとの連携に対応。学習にはNVIDIA GB200システムを使用
• 注意点: 単独ですべてのタスクをこなせるわけではないとBFL自身が認めており、ゲームプレイのデモ映像はリアルタイムではなく後から早送りしたもの。ライセンス条件はブログでは明示されていない

その後

F3Aは、BFLが7月のFLUX 3発表で掲げた「FLUX 3は単なる画像生成器ではなく汎用的な『現実世界モデル』である」という構想を、FLUX 3 VideoやFLUX-mimicとのロボティクス協業に続いて最も具体的な形で示した成果です。その3週間後、BFLはオープンウェイトの「FLUX 3 Image Klein」で本来のユーザー層へと立ち返りました。2つのリリースを合わせて見ると、BFLが同じFLUX 3の基盤をクリエイティブな画像生成から身体性を持つAIへと広げつつ、コミュニティを築いてきたオープンウェイト戦略を維持していることがわかります。