FLUX 3: por qué Black Forest Labs entrena con imagen, video y audio a la vez
Un modelo que ve un balón volando y mueve la mano antes de que llegue no resolvió ninguna ecuación de física: vio mucho movimiento antes. Esa es la tesis con la que Black Forest Labs (BFL) entrena FLUX 3, su modelo multimodal que aprende de imágenes, video y audio dentro de una misma arquitectura. La diferencia práctica para quien construye productos con IA es concreta: los modelos que solo vieron fotos fijas tienen que inferir la dinámica; los que ven movimiento y escuchan el impacto, no.
Andreas Blattmann y Dustin Podell, dos de las cabezas del laboratorio alemán, lo explicaron en el podcast Latent Space. Blattmann co-inventó el método de difusión latente detrás de Stable Diffusion; Podell fue autor principal de SDXL y lideró FLUX Kontext. Su argumento no es filosófico, es de ingeniería: cada señal aporta algo que las otras no tienen.
¿Por qué entrenar con imagen, video y audio a la vez?
Blattmann usa un ejemplo que se puede probar con una sola mano. Si alguien te lanza una pelota, tu mano empieza a moverse antes de que la pelota llegue. Puedes hacerlo sin saber escribir la trayectoria. Ese es el tipo de conocimiento al que se refiere cuando habla de inteligencia visual.
¿Y esto cómo se aplica en tu negocio?
Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.
👥 Quiero el Kit →- Una imagen fija te dice dónde está la pelota.
- Un video te dice cómo llegó hasta ahí.
- El sonido del impacto te dice cuándo golpeó algo, incluso si la cámara no captó el contacto.
Entrenar las tres señales juntas es la apuesta central de FLUX 3. En el anuncio del modelo de julio de 2026, el CEO y cofundador Robin Rombach planteó que las imágenes transmiten estructura, que el video enseña dinámica y que las acciones revelan relaciones causales, y agregó que el audio aporta el timing y los eventos físicos que la visión no captura. La compañía enmarca todo esto bajo una sola idea: inteligencia visual, es decir, modelos que perciben, predicen y actúan en entornos físicos y digitales.
¿Qué aprende un modelo cuando la cámara se mueve?
Supón que la cámara arranca frente a una persona y gira a su alrededor. En algún punto, el modelo tiene que entregar la parte de atrás de la cabeza. Blattmann sostiene que el video bidimensional común contiene mucha evidencia sobre cómo se ven los objetos desde otros ángulos.
Eso no cierra el debate sobre si un modelo entiende la física; en el episodio van y vienen sobre ese punto. Pero sí ofrece una prueba mucho mejor que preguntar si un fotograma suelto parece convincente. Para un equipo de producto, esa es la diferencia entre evaluar con una captura de pantalla y evaluar con un clip completo.
El detalle que casi nadie mira: consistencia temporal
Hay un ejemplo de ingeniería que aparece tarde en el episodio y que sirve para cualquier equipo que trabaje con video. Si mejoras la nitidez de cada fotograma de un clip por separado, cada fotograma puede verse excelente. Le das play y el detalle extra empieza a vibrar, porque el upscaler tomó una decisión ligeramente distinta cada vez.
BFL deriva su upscaler de video del mismo backbone de FLUX 3. La lección: la consistencia temporal importa incluso cuando el usuario solo pidió un archivo de mayor resolución.
¿Autoregresión o difusión? La pregunta de dónde gastar cómputo
Una de las preguntas del episodio fue si la autoregresión se está quedando con la generación de imágenes. Blattmann le da su lugar a la otra vereda:
- Un modelo autoregresivo puede aprender de todos los tokens de un ejemplo de entrenamiento a la vez.
- Del lado de la difusión, el equipo puede destilar un proceso de muestreo largo hasta unos pocos pasos.
Cuál de las dos ventajas importa depende de si estás pagando por entrenar el modelo o esperando a que termine una imagen. Es una forma útil de enmarcar la decisión técnica: no hay arquitectura ganadora en abstracto, hay un trade-off entre costo de entrenamiento y latencia de inferencia.
Kontext: cómo se decide dónde invertir meses de trabajo
El experimento temprano de Kontext que cuenta Podell es un buen ejemplo de método. Sospechaba que un modelo de imagen capaz de dibujar un perro con sombrero ya sabía algo sobre dónde van los sombreros. Junto a un colega armó un set pequeño de fotos etiquetadas con relaciones. Una corrida de entrenamiento de unas pocas horas logró que el modelo pusiera un logo sobre una camiseta. Era tosco, pero alcanzó para llevarlo al siguiente offsite. Después el equipo dedicó meses a los datos y al modelo.
La secuencia es replicable en cualquier startup con menos recursos: validar la hipótesis con un experimento barato y recién entonces invertir en datos.
El uso que nadie había previsto
Cerca del final aparece la historia de usuario favorita del episodio. Personas que alimentaban FLUX con fotos familiares viejas y degradadas, las restauraban y después mostraban las imágenes a sus familias. Podell dice que no había previsto ese uso. Después de hablar de preservar la identidad de alguien a través de ediciones y entre fotogramas, es un recordatorio de quién nota cuando el trabajo está bien hecho.
¿Qué tan grande es la apuesta de Black Forest Labs?
BFL no juega solo con el modelo. Según TechTimes, la compañía tiene sede en Friburgo, Alemania, unos 100 empleados a agosto de 2026 (30 de ellos en San Francisco), y fue fundada en agosto de 2024 por Rombach, Blattmann, Patrick Esser y Dominik Lorenz. Alcanzó una valuación de 3.250 millones de dólares tras una Serie B de 300 millones en diciembre de 2025 liderada por AMP y Salesforce Ventures, con financiamiento total por encima de 450 millones e inversores como Andreessen Horowitz, General Catalyst, NVIDIA, Canva y Figma Ventures.
La familia FLUX 3 se desplegó por partes: el modelo multimodal se presentó el 23 de julio de 2026, FLUX 3 Video quedó público el 4 de agosto de 2026, Flux 3 Image llegó el 1 de octubre de 2026 y FLUX 3 Max, post-entrenado junto a fal, se lanzó el 19 de octubre de 2026. Según el anuncio de fal, FLUX 3 Max alcanzó 1.139 de Elo en evaluaciones preliminares de preferencia humana en Artificial Analysis Video Arena sobre 4.868 votos, y genera un video de 10 segundos en 10,95 segundos, más de 22 veces más rápido que Seedance 2.5 (277,80 segundos) con el mismo Elo reportado.
El precio también es un dato de contexto: fal listó el modelo a 0,0425 dólares por segundo de video 720p, un 75% por debajo del precio de lista de 0,17 dólares por segundo, con el descuento de lanzamiento vigente hasta el 7 de noviembre de 2026, según unite.ai.
¿Qué significa esto para tu startup?
Elige el modelo por la tarea, no por el ranking. Si tu producto necesita que el audio y la imagen estén sincronizados (un demo de producto, un clip con voz, una animación con impacto), un modelo entrenado con las tres señales tiene una ventaja estructural frente a uno que solo vio fotos. Si lo que necesitas es una imagen fija de alta calidad, esa ventaja no te sirve y pagas latencia extra.
Mira el costo por segundo, no el precio por generación. Con FLUX 3 Max el precio de lista quedó en 0,17 dólares por segundo de video 720p. Un clip de 30 segundos son 5,10 dólares a lista. Haz la cuenta con tu volumen real antes de prometer generación ilimitada en tu plan.
Trata el layout como estado de proyecto. En Flux 3 Image, según TechTimes, cada elemento de la escena lleva un ID único y coordenadas en una grilla normalizada de 0 a 1000, y los píxeles fuera de la caja seleccionada quedan numéricamente intactos. Para un pipeline con agentes eso significa que puedes editar un elemento sin que el resto del frame acumule desviaciones entre turnos: el layout funciona como un registro de base de datos.
Valida con un experimento de horas antes de invertir meses. El caso Kontext muestra el patrón: una corrida corta con pocos datos etiquetados alcanza para saber si la hipótesis tiene sustancia. Si funciona tosco, ahí sí vienen los meses de datos.
Conclusión
La apuesta de BFL es que la próxima ventaja competitiva en generación visual no viene de un modelo más grande de imágenes, sino de uno que aprendió del movimiento y del sonido al mismo tiempo. Para un founder, la lectura práctica es doble: hay capacidades nuevas (consistencia temporal, edición sin desviación, preservación de identidad) que habilitan productos que antes no se podían construir de forma confiable, y hay un costo por segundo que conviene calcular antes de diseñar el pricing. La parte que el episodio deja abierta es si esto equivale a entender el mundo físico o solo a modelarlo mejor. Para construir producto, la segunda opción alcanza.
Fuentes
- Why FLUX 3 Trains on Images, Video and Sound — Andreas Blattmann & Dustin Podell, Black Forest Labs (fuente original)
- Black Forest Labs Unveils FLUX 3, A New Multimodal Frontier Model For Visual Intelligence
- fal Launches FLUX 3 Max, Delivering #1-Tier Image-to-Video Quality at Industry-Leading Speeds
- Fal Debuts FLUX 3 Max Video Model Post-Trained With Black Forest Labs
- Black Forest Labs Launches Flux 3 Image: JSON Bounding Boxes Lock Unchanged Pixels Numerically
¿Y esto cómo se aplica en tu negocio?
Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.
👥 Quiero el Kit →













