ロボット制御向けAIモデル「FLUX 3 Action」をBlack Forest Labsが公開

Black Forest LabsのマルチモーダルAIモデル「FLUX 3」から派生した、ロボット制御向けの世界行動モデル「FLUX 3 Action」が公開されました。

FLUX 3 Action: A 7B World Action Model for Robot Control | Black Forest Labs
https://bfl.ai/models/flux-3-action

世界行動モデル(WAM：World Action Model)は、動画生成モデルを用いて「何かを行ったとき現実世界がどのように変化するか」という未来予測を行った上で、逆動力学モデル(IDM：Inverse Dynamics Model)によって目指す結果に向けての動きを作り出します。一般的なロボットであれば、カメラで周囲の様子を捉えて段階的に対応していくことになりますが、WAMは動作を行う前に未来に向けてのシミュレーションを行えるので、試行錯誤のコストを抑えることができます。

ロボットの動作制御のベンチマークとして用いられる「Robolab-120」では、これまでクローズドモデルの「OASIS WAMNVIDIA」が成功率39.0％でトップ、NVIDIAが2026年6月に公開した「Cosmos 3」ファミリーの「Cosmos3-Nano」が成功率36.8％で2位に入っていました。

NVIDIAが高性能画像生成モデル＆動画生成モデルを含むフィジカルAI基盤モデル群「Cosmos 3」を公開 - GIGAZINE

しかし今回、Black Forest Labsの公開した「FLUX 3 Action」はRobolab-120で成功率42.92％を記録し、両者のスコアを上回りました。
FLUX 3 Actionのパラメータ数は70億で、Cosmos3-Nanoの120億に比べて小さい規模で高いスコアを達成。また、FLUX 3 ActionはCosmos3-Nanoと比べて最大3.95倍高速に動作するとのこと。

100ドル(約1万5800円)・10分あたりの3つの推論負荷レベルの期待成功数を、OpenAIの「Astra」のみ、ロボット制御モデル・π0.5＋Astra、FLUX 3 Action＋Astraの3つのモデルで比較すると、いずれの負荷においてもFLUX 3 Action＋Astraの組み合わせが高いパフォーマンスを発揮しました。

FLUX 3 Actionは独自のデモデータを用いて、特定のロボットやタスク向けのポリシーを作成することが可能で、Black Forest LabsはNVIDIAと共同で、Hugging Faceのオープンソースロボットプラットフォーム「LeRobot」にFLUX 3 Actionをネイティブに統合し、微調整用レシピやNVIDIA Jetson上でのエッジデプロイメント機能も搭載したとのこと。

Black Forest LabsはFLUX 3 Actionについて、ロボット工学以外にもゲームや車両の制御、コンピューター操作など、モデルが視覚的な環境を理解した上で次の行動を選ぶ必要があるシミュレーション環境で、タスクに特化したポリシーを学習させることで有望な結果が得られていると述べています。