让机器人把零件拿起、放准，看似只是“看见以后动手”，实际还要判断空间位置、预测动作后果，并连续控制机械臂。Black Forest Labs如今把图像生成模型沿这条路径推向现实世界：据公司7月23日发布的信息，其多模态模型FLUX 3会在统一架构中学习图像、视频和音频，还可扩展到动作预测。
公司同时与mimic robotics公布FLUX-mimic——一种视频—动作模型，也就是把画面变化与下一步控制动作联系起来的模型，面向抓取、放置、装配等通用机器人操作。Black Forest Labs称，它已在包括Audi在内的制造企业测试和部署；针对特定操作微调时，视难度而定，最少只需30分钟机器人数据，而以往方法需要30小时或更多。
值得注意的不是一家图像公司突然“做机器人”，而是生成视觉厂商的扩张路线变清楚了：从合成画面，走向理解现实场景，再预测机器该怎么动。不过上述数据均来自公司材料；FLUX 3 Action目前仅开放early access，完整方法和基准结果要等更广泛开放时公布。