FLUX.1 Kontext

Black Forest Labs 把自己定位为前沿视觉智能实验室，官网目前主推 FLUX 3。与只做文生图的早期印象不同，FLUX 3 被描述为一个多模态模型，图像、视频、音频与动作预测共用同一个底座。对开发者来说，它的价值不只在模型本身，还在 API、开放权重、企业授权与在线 Playground 四条并行的路径。

核心能力

• 多模态统一模型：官方称一个模型覆盖图像、视频、音频与动作预测，不必为每类内容分别接不同供应商。
• 视频生成：官方描述为风格多样、不止电影感，单次生成带原生音频，最长 20 秒，可从文本、图像或关键帧起步，一次产出多个镜头。
• 音频与多语言语音：视频生成时可同步产出多语言对白、音效与环境声，官方称语音与画面一起生成，省掉后期配音环节。
• 图像生成：强调贴合真实世界、风格覆盖面广、文字渲染准确，以及能处理复杂提示词。
• 机器人动作预测：同一模型接收视觉观察与文本指令，输出预测的物理结果与机器人控制动作，官方称统一了感知、仿真与执行。
• 四种接入方式：API 面向规模化生产，开放权重可下载到自有基础设施微调，企业方案把 API 与权重授权嵌进产品，Playground 在浏览器里免代码试用。

适合谁

• 做图像或视频产品的开发者：需要稳定 API 与清晰的商用授权路径。
• 有自建算力的团队：希望用开放权重自行微调与私有部署。
• 广告与影视前期：用关键帧控制镜头，快速试不同风格。
• 机器人、具身智能研究团队：关注从视觉到动作的预测能力。
• 需要合规背书的企业：官方页面标注了 SOC 2 与 ISO 27001。
• 内容团队：想用同一模型跑通图、视频与配音，少对接几家供应商。

使用建议

• 先在 Playground 摸清提示词风格与风格边界，再决定走 API 还是权重部署，避免一开始就写集成代码。
• 视频最长 20 秒且可多镜头，长片建议按镜头分段生成再剪，别指望一次出完整叙事。
• 开放权重不等于可无条件商用，授权范围以官方许可为准，企业场景走企业方案更稳。
• 图像里的文字渲染虽被官方强调，实际落地仍要逐字校对，尤其是中文与小字号。
• 本条目原名 FLUX.1 Kontext，官网现已转向 FLUX 3 系列，模型版本与命名以官方文档为准；官方规则可能调整，商用前再核一次。
• 有明确构图需求时先定首尾关键帧，再让模型补中间，比纯文本描述可控。