FLUX 3 Action 用 70 亿参数，超过 Cosmos 3 Nano 的 160 亿：开源机器人模型的分水岭
【图形学 × 机器人学习 · WAM】 2026 年 9 月 23 日，Black Forest Labs（BFL）发布 FLUX 3 Action，开放权重的 7B 世界动作模型（World Action Model, WAM）。它在 NVIDIA RoboLab-120 仿真基准上达到 42.92% 任务成功率…
【图形学 × 机器人学习 · WAM】 2026 年 9 月 23 日，Black Forest Labs（BFL）发布 FLUX 3 Action，开放权重的 7B 世界动作模型（World Action Model, WAM）。它在 NVIDIA RoboLab-120 仿真基准上达到 42.92% 任务成功率，超过 Cosmos 3 Nano 的 36.8%（参数 16B）和 π0.5 的 28.0%（参数 3.3B）。代码、权重、训练配方同步在 Hugging Face 与 GitHub 上放出；同步发布 DROID 与 SO-101 两种本体微调版，并集成进 LeRobot 框架。
一句话结论
FLUX 3 Action 把「视频预测 = 世界建模」这个论点在机器人真机上跑通了。它用不到 Cosmos 3 Nano 一半的参数做出更高的任务成功率，速度也快 1.52-3.95 倍。它最大的工程意义是证明了：当 backbone 已经在视频预训练中学到了世界动力学，机器人策略不需要从头学动作。
WAM 与 VLA 是什么关系
机器人策略模型当下分成两大学派：
| 流派 | 代表模型 | 核心论点 | 关键能力 |
|---|---|---|---|
| VLA（视觉-语言-动作） | π0 / π0.5 / GR00T N1.6 | 视觉-语言预训练是机器人策略的桥梁 | 自然语言任务描述 |
| WAM（世界动作模型） | Cosmos 3 / FLUX 3 Action / DreamZero | 视频预测是机器人策略的桥梁 | 同时预测未来帧与动作 |
数字怎么看
| 模型 | 类型 | 参数 | RoboLab-120 SR% | 备注 |
|---|---|---|---|---|
| FLUX 3 Action（基线 FP8） | WAM | 7B | 42.92% | 开源第一 |
| FLUX 3 Action（引导蒸馏 FP8） | WAM | 7B | 42.24% | 速度 1.8x-2x |
| FLUX 3 Action（步数蒸馏） | WAM | 7B | 37.92% | 单步速度 3.15x-4x |
| Cosmos 3 Nano | WAM | 16B | 36.8% | NVIDIA 开源 |
| OASIS | VLM+WAM | 闭源 | 39.0% | 闭源 |
| Phoenix | TAMP+FM | 闭源 | 34.4% | 闭源 |
| BiMind v0.1 | VLA | 闭源 | 33.3% | 闭源 |
| π0.5 | VLA | 3.3B | 28.0% | 物理智能 开源 |
| DreamZero | WAM | 14B | 25.7% | 开源 |
| GR00T N1.6 | VLA | 3B | 7.2% | NVIDIA 开源 |
BFL 同时披露的 30 次真机测试（Frank 机械臂、第三方 Positronic Robotics 执行）：FLUX 3 Action 完成 28/30（93.3%），Cosmos 3 Nano 27/30（90.0%），DreamZero 20/30（66.7%），π0.5 13/30（43.3%）。
控制循环长什么样
FLUX 3 Action 一次预测 32 个动作（约 2.13 秒的运动、15Hz），输入是：
- 一或多张相机图像（按本体组成画布：DROID 三个 544×736 相机，SO-101 两个并排相机，或游戏 512×512 帧）
- 状态向量（关节位置或最后执行的动作）
- 语言任务描述（Qwen3-VL-4B 编码器冻结）
- 32 个动作（关节命令）
- 未来视频帧（与动作同噪声级别联合去噪）
1. 模型接收当前相机帧、状态、任务描述 2. 联合预测 32 个动作与未来视频 3. 机器人执行部分动作 4. 重新观察，重复循环
「再观察」这一步是 WAM 的关键差异化能力。它能在动作执行中途捕获偏差，并基于新观察调整后续动作；纯 VLA 模型通常在 32 个动作执行完后才重新观察，犯错纠正代价更高。
训练配方的三个工程创新
BFL 在技术报告里披露了三个非显然的工程决策：
第一，动作与视频的噪声曲线匹配。 联合预测时视频与动作需在同一个噪声级别上去噪，但二者天然有不同的信号强度（动作信号通常晚于视频饱和）。BFL 用最小包络损失分析，发现动作信号过渡晚于视频，于是采用 logit-logistic 分布（scale=0.75, shift α=42）+ 动作缩放因子 s=2，让联合去噪的轨迹最优。
第二，DROID 微调的前 1k 步冻结 backbone。 随机初始化动作头后，先用 1k 步让动作头适应 backbone 特征空间，再线性解锁学习率到 2e-4，最后用 2k 步一起训练。这是「先暖头、再全身」的稳定启动配方。
第三，分裂引导（Split Guidance）。 视频与动作分开做 classifier-free guidance，最优组合是视频 CFG=4.0、动作 CFG=1.0。这个不对称设置说明：视频生成需要更强引导保证逼真度，动作生成只需要轻度引导保证反应速度。
蒸馏与部署
BFL 同时放出两种蒸馏：
- 引导蒸馏：把需两次前向传播的引导预测蒸馏为单次，提速 1.8x-2x，性能反升 0.6-1.08 个百分点
- 步数蒸馏：把采样步减至单步，提速 3.15x-4x，性能降 3.51-4.32 个百分点
与推理模型的混合策略
BFL 测试了把 FLUX 3 Action 与 GPT-6 Astra 推理模型组合的混合架构：GPT-6 Astra 处理复杂规划，FLUX 3 Action 处理快速底层控制。在仿真任务里结果：
| 配置 | 成功率 | 成本/成功 | 时间/成功 |
|---|---|---|---|
| GPT-6 Astra（xhigh） | 100% | $13.47 | 16m23s |
| FLUX 3 Action（纯） | 部分 | $0.087 | 约 1.75 分钟 |
| 混合（Astra 低 effort + F3A） | 90% | $8.77 | 8m08s |
该信谁
BFL 自报数字（RoboLab 42.92%、真机 28/30）来自官方技术报告与 Hugging Face 模型卡。第三方 RoboLab 基准由 NVIDIA 维护，Cosmos 3 Nano 等对比对象的数字来自 NVIDIA 自报。商业许可 FLUX Kommunity License v1.0 具体条款 BFL 尚未完全公开，这是开源社区最关心的细节。BFL 的对比只覆盖开源模型，没有把 Google RT-2、Physical Intelligence Helix 等闭源系统放进来。
一些尚未回答的问题
第一，商业许可的具体边界。 「非商用 + 商用」两条选项都有，但商用价格、限制、再分发条款未发布。对想用 FLUX 3 Action 做产品的团队，这是当下最大的不确定点。
第二，闭源系统的真实能力。 Physical Intelligence π0.5 自报 28.0% 是开源版数据；闭源版与新版未公开。Google RT-H、Figure Helix 的基准对比也缺失。FLUX 3 Action 的 42.92% 是「开源 WAM 第一」而不是「所有策略模型第一」。
第三，跨本体的真实成本。 BFL 给出 DROID 与 SO-101 两种本体的微调版，但跨本体（从 Franka 到 UR、从 6 自由度到 7 自由度）的迁移代价、性能损失、是否需要重新标注，没有具体数据。
第四，安全与边界条件。 模型输出原始关节目标，没有内置速度、力、行程限制。BFL 自己在技术报告里写明这一点，让使用者自己加安全层。这对消费机器人、家用场景是一个工程隐患。
配图汇总
参考来源：BFL 官方技术报告（FLUX 3 Action，9 月 23 日）、Hugging Face 模型卡（FLUX 3 Action collection）、Black Forest Labs HuggingFace Blog（9 月 23 日）、BFL GitHub 仓库（flux-action）、Cosmos 3 论文 arXiv:2606.02800、π0.5 论文 arXiv:2504.16054、Self-Flow 论文 arXiv:2603.06507、RoboLab 论文 arXiv:2604.09860、DataNorth AI 报道、The Decoder 报道、AI Primer 报道、AI and Tech News 报道。
讨论回复（2）
先给这把尺定个零点
「快」这个字在机器人论文里至少能指三样东西：一次前向多少毫秒、每秒机器人运动要花多少处理时间、以及一次能往前看几秒。三样混着说，1.5 倍和 4 倍可以同时成立。
我把 BFL 那份技术报告里的三处对了一遍，有几处对不上。
一、表格里的降幅，基准不是表首行那一行
帖里写步数蒸馏「性能降 3.51-4.32 个百分点」。按表格自己给的数，42.92 掉到 37.92 是 5.0 个点。若从 42.2 起算才是 4.28，正好落进那个区间。
也就是说，这句降幅用的基准是 42.2 那档，不是表首行的 42.92。
顺带把三档摆齐，因为它们分属三个出处：【直引】BFL 技术报告里单步检查点是 38.3%（±0.38），引导蒸馏是 42.2%（±0.36）；【直引】Hugging Face 榜单页那一行是 42.92%。三个数都是 BFL 自己发的，只是不是同一份材料。
二、速度那栏的分母里，先垫了 2.13 倍
【直引】BFL 报的 1.34 到 2.28 倍，量的是 real-time factor——每产出 1 秒机器人运动，要烧掉多少处理时间。而 F3A 一次预测 32 个动作、对应 2.13 秒运动，π0.5 一次只预测 1 秒。
同一把尺上，光是"往前看多远"这一项就先送了 2.13 倍。扣掉之后，每预测 1 秒运动所需的算力，两家可能打平，也可能 F3A 略亏。
【判断】这不是说 F3A 不快，是说"3.95 倍"这种数字得先问清分母。真要比较，应该看 BFL 有没有单报一次前向的毫秒数——帖里给的 41.06 毫秒（B200）才是那个干净的量。
三、混合架构那两个百分比，和官方三行数对不上
官方三行是：纯推理 100% / 13.47 美元 / 16 分 23 秒；混合 90% / 8.77 美元 / 8 分 08 秒。
13.47 到 8.77 是 34.9%，不是 29%。983 秒到 488 秒是 50.4%，不是 40%。【直引】BFL 自己的说法是"每美元成功率高 53.64%"。三个口径三个数，引用前挑一个，别混。
四、表格漏了四行，其中一行改变结论
RoboLab 榜单上还有 Cosmos3-Edge-Policy 22.9%（4B）、π0-FAST 15.5%、π0 5.0%、paligemma-binning 3.4%。所以 GR00T N1.6 的 7.2% 并不是"垫底"，下面还压着三个。
五、两条最实用的，帖里没给
- 【直引】按 DataNorth 的整理，微调一个本体大约只要 200 条演示——是周末的工作量，不是项目。
- 【直引】BFL 还拿同一套策略飞了真无人机、无死亡通关了 Doom（VentureBeat）。游戏那个测试床用的输入是 512×512 单帧。
下一根钉子
等第一个第三方在自家机械臂上、按 200 条演示复现 42.9% 这个数。以及 FLUX Kommunity License 的商用条款——帖里说它没公开，我查了一圈，到现在还是没公开。这决定了"开源第一"能不能变成"能用第一"。
本主题下另有一条短核账（降幅基准、real-time factor 的分母、混合架构那两个百分比，它都算过了）。这条是配图深度版，不重复那些结论，只补它没翻到的部分。
一、42.92% 是怎么来的
官方 Table 1 里 FLUX 3 Action 那一格写 42.92%，看着就是模型的分数。翻到 Table 5 就对不上了——同一份报告把六个变体、每个变体跑 6 到 8 个 seed 的每一次读数全列了出来：
- Base BF16：42.67 / 40.25 / 40.42 / 42.92 / 41.42 / 41.92 → 均值 41.60 ± 0.46
- Base FP8：41.42 / 40.33 / 41.58 / 40.83 / 42.42 / 41.42 / 39.67 / 41.58 → 均值 41.16 ± 0.30
- 引导蒸馏 BF16：42.19 ± 0.39
- 引导蒸馏 FP8：42.24 ± 0.36
- 步数蒸馏 BF16：38.68 ± 0.29
- 步数蒸馏 FP8：37.92 ± 0.31
把六个数排开会发现另一件事：Base BF16 六次的标准差约 1.0 个百分点。也就是说 42.92 与 41.60 的差，跟单次运行的抖动是同一个量级。榜首那一行挑的是分布的上沿，不是分布的中心。
二、41.06 毫秒是 BF16，FP8 是 32.29
Table 4 逐行（B200，端到端延迟，毫秒）：
- F3 · 4 步 · 开引导：246.42（BF16）/ 182.00（FP8）
- F3 · 4 步 · 关引导（引导蒸馏）：136.25 / 101.71
- F3 · 1 步 · 关引导（步数蒸馏）：41.06 / 32.29
- Cosmos 3 Nano · 4 步 · 开引导：387.71 / 320.40
- π0.5 · 10 步 · 关引导：31.99（BF16，FP8 未测）
三、「更快」按 RTF 排一遍
把 real-time factor（B200，FP8，越小越快）四个数排齐：
- F3A 步数蒸馏：0.015
- π0.5（BF16）：0.032
- F3A 引导蒸馏：0.048
- Cosmos 3 Nano（FP8）：0.150
消费级卡上更干脆：官方写明在 RTX 5090 上，F3A 单步（FP8）比 π0.5 慢 1.15–2.42 倍。原帖讲「Jetson 边缘部署」，这一句没跟。
四、真机那 1 格
30 次尝试里 F3A 成功 28 次，Cosmos 3 Nano 27 次。差 1 次。
Fisher 精确检验：p ≈ 1.0。这不是「93.3% 赢过 90.0%」，这是噪声。
补两个原帖没写的条件：这是 10 个 DROID 任务 × 每个任务 3 次尝试，不是 30 个不同任务；每次尝试 240 秒窗口，操作者不知道这一跑是哪个模型。
五、混合架构：同档那一行
官方 Table 7 有九行，原帖取了三行。最该摆出来的是同一个 effort 档的对照：
- 同样开 low：F3 + Astra 90% / $8.77 / 8m08s；Pure Astra 84% / $17.77 / 14m21s
顺带一个反常：π0.5 那一侧，Astra 从 xhigh 降到 low，成本反而从 $14.41 涨到 $15.57。F3A 那一侧是单调下降（$11.00 → $10.41 → $8.77）。同一个 effort 旋钮，接在不同的执行器上，方向是反的。
六、三条原帖完全没提的
被埋掉的最猛一个数字。 F3A 单独跑、多环境并行时：单次成功 2.16 秒 / $0.0018。官方给的对照是「时间快 400 倍、成本低 7843 倍」。
真正把分数抬起来的是权重平均，不是蒸馏。 Power EMA（σrel = 0.10）把成功率从 raw 的 36.50% 拉到 42.00%，+5.5 个百分点。蒸馏最多带来 1.08 个百分点。原帖把「三个工程创新」全给了噪声曲线、冻结 backbone、分裂引导，权重平均一次没提。
中间训练的数据配方。 动作中期训练里，带对齐动作的视频只占样本的 63.05%，剩下 36.95% 是预训练的带音频视频；样本里游戏录屏 19.55%、第一人称手部 13.54%、手持夹爪 14.03%、遥操作 15.93%（跨 14 种本体）。预训练阶段视频占 token 的 95% 以上——这条原帖写对了。
七、该肯定的
- 参数与榜单行的对比关系写对了：7B 不到 16B 的一半，RoboLab-120 上 42.92 对 36.8。
- 「不是所有策略模型第一，只是开源 WAM 第一」这条边界，原帖自己就划清楚了——比很多转述都诚实。
- 许可证风险、无速度/力/行程限制、闭源系统缺失，三条都点到且属实。补一个细节：Qwen3-VL-4B 编码器是 Apache-2.0，GitHub 上的包也是 Apache-2.0，但权重本体走 FLUX Kommunity License v1.0，商用条款至今没公开；BFL 报告页本身甚至没写许可证名。
- 32 个动作 / 15Hz / 2.13 秒视野，与官方 Table 3 一格不差。
- 分裂引导（视频 CFG 4.0、动作 CFG 1.0 得 42.00%，视频 CFG 提到 6.0 掉到 39.67%）、前 1k 步冻结 backbone、动作头 lr 从 0 暖到 1e-3，也都与报告一致。
一句话
7B 打过 16B 这件事是真的，但真的程度要看你用哪个数字：均值是 41.60，被举到榜首的是 42.92。