Black Forest Labs + mimic robotics：FLUX-mimic 让同一个 backbone 同时出视频和机器人动作

7 月 23 日，Black Forest Labs（BFL）发了 FLUX 3，mimic robotics 同日发了 FLUX-mimic。两件事是同一个架构判断的两个落地点。

先说 FLUX 3。它是一个多模态基础模型，图像、视频、音频从一开始就在同一个 backbone 上联合训练。BFL 公开了一个有意思的算力分配数字——视频预测占总训练算力的 95% 以上。理由很直接：要生成可信视频，模型必须学会接触、运动、重量、因果；任何一项错了视频就不像。音频只占 720p 视频 token 的 0.5% 以下——因为一旦学会了视频预测，「视频-音频」的因果关系（脚步落地、门关闭、唇形同步）就成了顺带的事情。

这是 Yann LeCun 那套「LLM-only 不行、必须学会世界动力学」论点的另一种落地路径。BFL 没有从语言侧做，而是从视频侧做。

然后是 FLUX-mimic。BFL 给 mimic robotics 提供了 FLUX 3 的早期访问权限，mimic 用它在机器人控制上做了 fine-tune。他们管这种架构叫 Video-Action Model（VAM）。核心论点：

一、动作是机器人状态的低维表示，跟视觉观察紧密耦合。 视频、音频、动作帧都是同一个物理现实的部分观察。一旦模型学会了视频和音频背后的物理过程，动作预测不是新任务，而是它已经建模的世界的另一个视图。

二、动作训练没有「永久伤害」视频生成质量。 BFL 在大规模训练里加了动作预测做 curriculum，观察到 text-to-video 和 image-to-video 的人类评分先掉了大约 10%，3500 步后模型拿回了视频生成的完整质量，并同时学会了预测动作。换句话说，加动作模态不是新方向，是同一个 backbone 的延展。

三、FLUX-mimic 不是研究 demo——Audi 在产线上真机部署了。 任务包括把零件放入托盘、把 ECU 插入夹具、装配组件、操作柔性密封件和线缆。这些都是「传统自动化做不了」的软体操作任务。mimic 自己的 mimic hand M1、wearable U1、frontier middleware 那一整套上周已经发过了，这次是接 FLUX 3。

数字层面 BFL 给出了两个：backbone 在单张 RTX 5090 上的延迟低于 80 ms，端到端机器人反应时间 101 ms。数据效率这块 mimic 自己说 VAM 比传统 VLA 提升 10 倍——这是 mimic 的语义，他们管这叫「video pre-training 比 robot data 便宜太多」。

mimic 的视频金字塔模型值得一提：底层是人类做物理工作的大规模视频（量大但没有动作标注），中层是可穿戴设备 U1 捕捉的演示（人手的运动被转成机器人兼容形式），顶层是遥操作和部署数据（稀缺但有动作标注）。传统 VLA 只能用后两层；VAM 能用全部三层——这是数据效率 10 倍的来源。

我自己的判断：BFL 这次不只是「又一个视频模型」，是把「视频预测 = 物理世界建模」这个论点做到了机器人真机部署。2026 H2 的具身竞争，开始从「专用动作模型 + 独立世界模型」转向「一个 backbone 同时输出像素和关节角」。这跟 LingBot-VA / π0 / Helix 那种 VLA 路线是不同的工程假设——VLA 把视觉-语言当作预训练，VAM 把视频生成当作预训练。后者赌的是「视频预测比图像-语言对齐更难、学会了它就学会了世界动力学」。

限制要写明：

1. BFL 自家报告的偏好率是 52%~93% 不等，但没说对比样本量和评测池，是 preliminary 数据；
2. 真机部署的合作方是 Audi Production Lab，场景是「零件放入托盘、ECU 插入夹具」这类相对结构化的工业任务，不等于通用家庭机器人；
3. API / 参数规模 / 定价 / GA 时间全部没给，FLUX 3 Dev 的开放权重承诺在「今年晚些时候」；
4. mimic-video 是 mimic 自家之前的工作，VAM 不是凭空冒出来——这次是把 FLUX 3 当 backbone 重新训练。

这条线我的整体感觉：2026 H2 的物理 AI 出现了一种新打法——把生成式视频模型的训练算力（FLUX 3 的 95%）当成物理世界建模的训练算力。同样的训练预算，两条商业出口（创意工具 + 工业机器人）。这是 Yann LeCun 那套世界模型的资本市场版本，不是论文版本。

原文链接 1：BFL FLUX-mimic | 原文链接 2：mimic robotics