你对机器人说：“把这个零件装进卡槽。”难点不在听懂“装进去”，而在接下来的每一秒：机械臂要看清零件，判断位置，控制力度，抓空了还得补救。Black Forest Labs（BFL）过去以图像生成模型闻名，如今它把生成视频的能力搬进了机器人控制。这个转向值得看，因为生成模型厂商开始把“预测下一帧”变成“预测下一步怎么动”。
据 BFL 官方 Hugging Face 页面，FLUX 3 Action 系列于 2026 年 9 月发布，包括基础模型、面向 SO-101 机械臂的策略，以及基于 DROID 数据适配的 Franka Panda 策略。目前公开信息主要来自 BFL 与 Hugging Face 官方材料，尚无独立评测；“7B”参数规模见于发布帖标题，所给模型说明没有进一步佐证。
它不只预测动作，也预测接下来会看到什么
机器人策略模型，是机器人从“观察”走到“控制”的决策层：它接收相机画面、机器人自身状态和任务指令，再给出下一段动作。
据 Hugging Face LeRobot 官方文档，FLUX 3 Action 会同时处理这三类输入。冻结的视频 VAE——把画面压缩成模型容易处理的表示、且训练机器人时不再更新的编码器——负责读取视觉信息；冻结的 Qwen3-VL 负责理解文字指令。随后，扩散 Transformer 联合预测未来画面和机器人动作分块。
“扩散”原本常见于图像生成：模型从模糊或带噪的状态逐步得到结果。这里被生成的不只是未来画面，还有机器人接下来的一小段动作。动作分块（action chunking）指一次预测未来连续几步，而不是每走一步都停下来重新计算。它通常有助于降低控制延迟，也让动作更连贯。
这套思路的关键，是把视频模型学到的“世界接下来可能怎样变化”，接到机器人的控制信号上。好比一个人伸手拿杯子时，不只决定手往哪儿走，也会预想杯子在视野里如何移动。模型把这两件事放在一起预测，试图让视觉变化与实际动作互相约束。
从基础模型到具体机械臂
FLUX 3 Action collection 不只放出基础模型，也提供共享的冻结视频与文本编码器。对 SO-101，官方给出了 LeRobot policy、保存好的 processors，以及 task-LoRA 配方。Processors 可以理解为整理模型输入和输出的转换组件；LoRA 则是一种只训练少量附加参数的适配办法，让团队不必从头训练整个大模型。
官方配方允许用 LoRA 调整主干，同时完整训练机器人的动作头和条件输入模块。动作头负责把模型内部表示变成机械臂可执行的动作；条件输入模块则接入机器人状态等信息。换句话说，大部分通用能力保留，只重点改造真正连接具体机械臂的部分。
该系列还提供 DROID policy。官方称根目录版本已经过验证，并在子目录放置可选的 optimization variants。不过，现有材料没有说明“验证”覆盖哪些任务、使用什么指标，也没有解释这些优化版本具体改了什么、收益多大。
为什么这是个醒目信号？
BFL 的尝试并非只停在实验室演示。据 BFL 介绍，公司曾把尚未公开的 FLUX 3 交给瑞士机器人公司 mimic，后者将联合模型带进 Audi Production Lab，测试把电子控制单元放入紧配合夹具，以及处理密封条、线缆等柔性物件。一次演示里，机器人抓取落空后自行再次抓取。双方将这种训练示范未逐一规定的补救行为，视为视频模型所学物理先验可能迁移到机器人控制的迹象。
这里应注意“迹象”二字。单次演示不能证明模型已经具备稳定的纠错或泛化能力。但路线本身很清楚：BFL 不再只让模型生成看起来合理的世界，而是尝试让模型依据这种预测去改变真实世界。对一家以图像生成闻名的公司来说，这比单纯增加一个机器人产品更有象征性。
许可也决定了谁能使用它。BFL 官方许可证称，FLUX Kommunity License 允许非商业研究、测试和非商业机器人用途；年收入低于 500 万美元的“合格用户”，在遵守内容过滤、标注等条款时，可将输出用于商业用途。其他未经许可的商业使用，需要另向 BFL 申请授权。
局限与未知
- “7B”目前只有发布帖标题支持，现有说明未给出参数配置依据。
- 官方没有披露成功率、泛化能力、推理速度或与其他机器人模型的对比数据，因此不能判断它是否领先。
- “validated DROID policy”与“optimization variants”缺少任务、指标、基线和收益说明，现阶段更适合视为官方产品描述，而非已被独立验证的效果结论。