Le laboratoire Black Forest Labs, déjà connu pour ses générateurs d'images, a dévoilé le 23 juillet 2026 FLUX 3, un modèle qui ambitionne de tout faire en même temps. Comprendre et produire des images, des vidéos accompagnées de leur son, et même anticiper les gestes d'un robot, le tout à partir d'une seule et même architecture.

Une seule IA pour l'image, la vidéo et le son

La plupart des systèmes actuels assemblent des modèles séparés, un pour l'image, un pour la vidéo, un pour l'audio, derrière une interface commune. FLUX 3 prend le contre-pied. Il est entraîné d'un bloc sur toutes ces modalités à la fois. Résultat, il produit des clips allant jusqu'à vingt secondes où le son est fabriqué en même temps que l'image et calé sur ce qui se passe à l'écran, dialogues, bruitages, ambiance sonore. Le modèle sait aussi retoucher une image, capter les expressions d'un visage et gérer plusieurs langues.

Robin Rombach, cofondateur et patron du laboratoire, résume sa conviction.

On ne triche pas avec la réalité. Un modèle qui n'apprend que des images ne saura générer que des images.

Des scores supérieurs à Runway et Luma

Dans des évaluations où des personnes comparent les résultats deux à deux, FLUX 3 a été préféré à Runway Gen-4.5 dans 77% des cas et à Luma Ray 3.2 dans 93%. Le laboratoire, installé à Fribourg, en Allemagne, et à San Francisco, réunit une centaine de personnes issues des équipes à l'origine de Stable Diffusion. Il a levé plus de 450 millions de dollars depuis sa création. Plusieurs plateformes créatives le testent déjà, parmi lesquelles Canva, Krea, Magnific, Picsart et le groupe Burda.

Cap sur les robots

FLUX 3 ne s'arrête pas à l'écran. Une déclinaison, baptisée FLUX-mimic, prédit les actions d'un robot et peut apprendre une nouvelle tâche avec seulement trente minutes de données, là où il fallait auparavant plus de trente heures. Elvis Nava, directeur technique de la société mimic robotics, témoigne.

Chaque nouvelle tâche demandait normalement des heures de répétition au robot. Là, il l'assimile en quelques minutes.
Le laboratoire collabore aussi avec le Production Lab d'Audi sur cette "IA physique", qui relie les modèles visuels au monde réel.

Entraîner une même IA sur le son, l'image et le geste n'est pas qu'une prouesse technique. L'idée est de donner au modèle une forme de bon sens sur la manière dont le monde bouge, une balle qui rebondit, une bouche qui articule un mot, une main qui saisit un objet. C'est ce socle commun qui lui permet ensuite de passer de la vidéo à la commande d'un robot sans repartir de zéro.

Pour les créateurs, l'intérêt est direct. Une seule IA pour imaginer une scène, l'animer et l'habiller de son, sans jongler entre plusieurs outils. Pour l'industrie, l'arrivée d'un même modèle capable de guider un bras robotisé montre que ces IA visuelles ne visent plus seulement les écrans. Reste une limite de taille. Pour l'instant, seules la vidéo et la partie robotique sont accessibles, et uniquement à des partenaires triés. La génération d'images est annoncée pour les semaines qui viennent, et la version à poids ouverts, la plus attendue des développeurs, n'arrivera que plus tard dans l'année. Le grand public devra donc patienter avant de juger sur pièces.