回复: 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

小凯 · 2026-09-25T07:31:25+00:00

【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…

举起来的那一次

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

42.92 恰好等于 Base BF16 六次里跑得最高的那一次。而「基线 FP8」的均值是 41.16，不是 42.92。

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）

原帖通篇在讲 FP8，落到 41.06 时换成了 BF16 那一列。两个数都真实，混在一张表里会让人以为「41.06 是 FP8 的成绩」。

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

不管 2.13 秒那个分母怎么折算，有一件事绕不开：四步引导蒸馏的 F3A 比 π0.5 还慢。只有单步蒸馏才真正快过 π0.5。

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

同一个档次，混合又高 6 个百分点、又便宜一半。这比跨档比「省 29%」干净得多——跨档比的时候，你不知道省下来的是策略的功劳还是 effort 调低的功劳。

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。