ChatGPT
Perplexity
Claude
Gemini
Black Forest Labs abrió el acceso anticipado a FLUX 3 on July 23, and the company's own explanation of why it built the model is more interesting than any spec sheet. Images, video, and audio, in BFL's framing, are each an incomplete "projection of the same underlying reality, captured by different sensors, each of which loses some information in the process." Train a model on only one of those projections and it learns that projection. Train it on all three at once, and the sound has to match the impact, the motion has to obey the mass, the future has to follow from the past, and the model ends up learning something closer to how the world actually holds together.
Esa es una verdadera decisión de arquitectura, no lenguaje de marketing, y se nota directamente en lo que FLUX 3 puede hacer. Genera video de hasta 20 segundos con audio nativo integrado desde la misma pasada, no agregado después, junto con síntesis y edición de imágenes. Menos esperado: la misma base se extiende a la predicción de acciones. Black Forest Labs se asoció con mimic robotics para construir FLUX-mimic, un modelo de video-acción que ya funciona en las líneas de producción de Audi. La generación creativa y el control de robots físicos, saliendo del mismo modelo base, es el detalle que realmente importa aquí, más que cualquier benchmark individual.
Es fácil exagerar lo que BFL realmente afirma, así que la versión precisa es lo que importa. La empresa llama a FLUX 3 "nuestro primer modelo" construido totalmente sobre este principio de entrenamiento conjunto, not the first multimodal model industry-wide, and Google's Veo 3 already generates audio and video jointly in a single pass. BFL's own early comparisons, preferring FLUX 3 over other video models in the majority of side-by-side tests, are preliminary and self-reported, an early signal rather than a settled result. The actual signal is that a serious lab spent its resources dissolving the boundary between "image model," "video model," and "audio model" into one shared representation, and that a growing list of others are converging on the same bet from different angles, not any single superlative claim.
Once that boundary stops being architecturally necessary, it stops being a useful way to think about the tools too. A creator working with something like this doesn't start by deciding "I'm making a video" or "I'm making an image." They start with a character, a world, a physical premise, and the medium that premise ends up taking, a still frame, a twenty-second clip, a sound design choice, becomes a downstream decision rather than the first one. That's a genuinely different working process than choosing a video generator and prompting it, and it's closer to how a director thinks about a scene than how someone thinks about operating a tool.
Nada de esto significa que las etiquetas de categoría actuales vayan a desaparecer de un día para otro. Muchas herramientas seguirán presentándose como "la de video" o "la de imágenes" durante un buen tiempo, porque el lanzamiento avanza más lento que la investigación. Pero la premisa de fondo, que el video, la imagen y el audio son cosas distintas que requieren modelos distintos, es la parte que realmente está quedando obsoleta, y los creadores que más se beneficien no serán los que dominaron un modelo de video específico. Serán quienes dejaron de organizar su proceso en torno a la pregunta de qué medio abrir primero.