FLUX 3 Action. Otwarty model Black Forest Labs do sterowania robotami

Czym jest FLUX 3 Action

FLUX 3 Action to tak zwany world action model (WAM), czyli model, który łączy przewidywanie ruchu z przewidywaniem przyszłego obrazu. Dostaje klatkę z kamery, aktualne położenie przegubów robota i polecenie w języku naturalnym, na przykład prośbę o odłożenie kostki do miski. W odpowiedzi zwraca pakiet kolejnych ruchów oraz przewidywanie, jak scena będzie wyglądać po ich wykonaniu.

Model wyrasta z rodziny FLUX, znanej dotąd z generowania i edycji obrazów. Black Forest Labs wykorzystała doświadczenie z modeli obrazu i wideo, a polecenia tekstowe koduje zamrożonym modelem Qwen3-VL-4B. To pierwszy model tej firmy przeznaczony do sterowania urządzeniami fizycznymi.

Black Forest Labs to niemiecka firma założona w 2024 roku we Fryburgu Bryzgowijskim przez badaczy, którzy wcześniej współtworzyli technologię stojącą za Stable Diffusion.

Jak model steruje robotem

Robot nie wykonuje całego zadania na podstawie jednej odpowiedzi. Model przewiduje krótki pakiet ruchów, robot wykonuje jego część, kamera robi nowe zdjęcie i cykl się powtarza. Dokumentacja opisuje to jako pętlę: wykonaj, obserwuj, zaplanuj ponownie.

• Ramię Franka (zbiór DROID): trzy kamery, osiem wartości sterujących (siedem przegubów i chwytak), 32 ruchy w pakiecie przy 15 Hz.
• Ramię SO-101 z projektu LeRobot: dwie kamery, sześć poleceń dla przegubów, 42 ruchy w pakiecie przy 30 Hz.
• Gry wideo i dron w symulatorze: jedna klatka obrazu, trzy lub cztery wartości sterujące, np. ruch do przodu, na boki, w górę i obrót.

Wyniki w benchmarku RoboLab-120

Najważniejszą liczbą w materiałach producenta jest wynik 42,92 proc. udanych prób w benchmarku RoboLab-120, przygotowanym przez NVIDIA. Model dostrojono na zbiorze DROID, zawierającym nagrania pracy ramienia robota. Black Forest Labs podaje, że w dniu premiery był to najlepszy wynik na publicznej tablicy rezultatów.

Raport techniczny podaje też 38,3 proc. dla podstawowego punktu kontrolnego, który generuje odpowiedź w jednym kroku. Nawet ten wariant wypadł lepiej od najmocniejszego wcześniej otwartego modelu. Wynik z tablicy rezultatów uzyskał mocniejszy wariant modelu. Producent podaje liczby dla kilku wariantów, dlatego przy porównaniach trzeba sprawdzić, którego z nich dotyczą.

• FLUX 3 Action, 7 mld parametrów: 42,92 proc.
• Cosmos3-Nano-Policy (NVIDIA), 16 mld parametrów: 36,8 proc.
• π0.5 (Physical Intelligence), 3,3 mld parametrów: 28,0 proc.

Co pokazano poza benchmarkiem

Na tanim ramieniu SO-101 model wykonywał zadania chwytania i odkładania przedmiotów po dostrojeniu na około 200 demonstracjach nagranych przez operatora. Według producenta radził sobie z przedmiotami, pojemnikami i ustawieniami kamery, których nie widział podczas treningu, oraz z inaczej sformułowanymi poleceniami.

Firma przeszkoliła też osobne wersje do sterowania dronem w pomieszczeniu i do grania w dwie przygotowane przez siebie gry: strzelankę GRUNT i wyścigi VECTOR. Do każdej gry użyto 800 nagranych rozgrywek. Black Forest Labs przedstawia te wyniki jako wczesne eksperymenty, a w teście wyścigów model spowodował jedną kolizję w ciągu 60 sekund, podczas gdy skryptowany bot nie miał żadnej.

Licencja i koszt dla firm

Wagi są dostępne w serwisie Hugging Face w kolekcji FLUX 3 Action, a kod w repozytorium black-forest-labs/flux-action na GitHubie. Model działa jako klasa polityki w bibliotece LeRobot, więc zespoły korzystające z tego ekosystemu mogą go trenować i uruchamiać istniejącymi narzędziami. Producent nie podał wymagań pamięci GPU ani cennika API dla tego modelu.

Licencja FLUX Kommunity v1.0 dzieli użytkowników według przychodu. Badania, nauka i testy poza środowiskiem produkcyjnym są bezpłatne dla wszystkich. Użycie komercyjne bez osobnej umowy przysługuje tylko firmom, których roczny przychód łącznie z podmiotami powiązanymi wynosi mniej niż 5 mln USD. Według średniego kursu NBP z 28 września 2026 roku (3,8478 zł za dolara) to około 19,2 mln zł.

Większe firmy muszą wykupić licencję komercyjną u Black Forest Labs. Licencja zakazuje też zastosowań wojskowych, nadzoru, przetwarzania danych biometrycznych oraz używania wyników modelu do ulepszania konkurencyjnych modeli AI. Enkoder tekstu Qwen3-VL-4B jest objęty osobną licencją Apache 2.0.

Ograniczenia i niewiadome

Wszystkie opisane wyniki pochodzą od producenta i z benchmarku w symulacji. Na dzień sprawdzenia nie znaleźliśmy recenzowanej publikacji naukowej opisującej model. Pojedynczy benchmark nie przesądza, jak model zachowa się na innym robocie, w innym oświetleniu czy przy zadaniach wymagających siły lub precyzji.

Raport przyznaje, że sama polityka ruchu nie rozwiązuje złożonych zadań, np. wyszukiwania przedmiotów w dużym bałaganie. Każdy nowy typ robota wymaga też dostrojenia na własnych demonstracjach, co oznacza koszt sprzętu, nagrań i czasu operatora.

Znaczenie dla polskich zespołów robotyki

Dla polskich uczelni, kół naukowych i małych firm robotycznych najważniejszy jest niski próg wejścia. Ramię SO-101 i biblioteka LeRobot są popularne w projektach edukacyjnych, a około 200 demonstracji to zakres możliwy do nagrania w kilka dni. Mały integrator z przychodem poniżej progu licencji może dodatkowo użyć modelu w komercyjnym prototypie bez negocjowania umowy.

W ocenie redakcji dailyAI przed wdrożeniem poza laboratorium trzeba zaplanować ocenę ryzyka. Robot sterowany modelem AI w zakładzie w UE podlega przepisom o bezpieczeństwie maszyn, a firma powinna sprawdzić także obowiązki wynikające z AI Act. Warto zacząć od zadań, w których pomyłka robota nie zagraża ludziom, i porównać model z dotychczasowym programowaniem ruchów.