BFL、行動予測モデルFLUX 3 Action公開

Black Forest Labsは、カメラ画像とテキストの指示から次の2秒間の「行動（アクション）」を予測する7B（70億）パラメータのオープンウェイト・ワールドアクションモデル「FLUX 3 Action」を発表しました。このモデルは、画像や動画を生成するだけでなく、ロボットアームやドローン、ゲームのキャラクターなどを実際に操作するための基盤モデルとして機能します。 FLUX 3 Actionは、拡散トランスフォーマー（Diffusion Transformer）アーキテクチャを採用しており、凍結された動画VAEでフレームをエンコードし、Qwen3-VL-4Bを用いてテキスト指示を処理します。ロボット制御データセット「DROID」によるファインチューニングの結果、RoboLabベンチマークにおいて42.92%の成功率を記録し、従来モデル（Cosmos 3 Nanoなど）を上回る成績を収めました。モデルの重みはHugging Face上で公開されており、オープンソースのロボティクスライブラリ「LeRobot」にも統合されています。 ​独自価値の整理（比較と影響）​ 既存の視覚言語行動モデル（VLA）の多くがクローズドな開発環境にとどまる中、FLUX 3 Actionは開発者が独自のタスクに合わせて簡単にファインチューニングできるオープンな基盤を提供した点で画期的です。例えば、わずか数百回のデモンストレーションデータを学習させるだけで、ロボットアームだけでなく、レーシングゲームの運転やドローンの自律飛行など、全く異なる「行動タスク」に適応できることが実証されています。 ​分析・展望​ 生成AIのフロンティアは、テキストやピクセルの出力から、物理世界や仮想空間における「行動（Physical AI / Agentic AI）」の出力へと明確にシフトしています。FLUX 3 Actionのような高性能なオープンウェイトモデルがコミュニティに提供されたことで、企業や研究者は高価な独自開発を行わずに、自律型ロボットや高度なゲームAIのプロトタイピングを加速できるようになります。デジタル空間と物理空間の境界を曖昧にするこの技術は、今後の自動化産業の中核となるでしょう。

引用元：Source

引用元：Hugging Face | GIGAZINE