📖 AI 总结

Black Forest Labs发布了FLUX 3 Action，一个70亿参数的开源权重世界动作模型，专用于机器人控制。该模型能够同时读取摄像头画面、机器人状态和文本指令，并联合预测未来视频帧与动作序列。在RoboLab-120基准测试中，它以42.92%的任务成功率排名第一，超越了NVIDIA Cosmos 3 Nano的36.8%和VLA模型π0.5的28.0%。其核心突破在于通过更小的骨干网络和蒸馏技术，在保留视频与动作联合预测能力的同时缩小了与快速VLA模型之间的速度差距。模型基于多模态FLUX 3骨干，预训练数据中视频占比超过95%，中期训练混合了预训练数据与动作对齐视频，覆盖14种具身形态。预训练对性能影响显著：无预训练时DROID数据训练成功率不足1%，加入预训练后提升至11.6%。部署方面，DROID策略在BF16下需约32GB显存，经FP8量化后可适配24GB显卡，许可证限制为非商业用途。