FLUX 3 X Mimic: 次世代ビデオ・アクションモデル
Flux 3 X Mimic: The Next Generation of Video-Action Models
Black Forest Labs (BFL) は、ロボット学習と展開に強みを持つ Mimic Robotics と共同で、マルチモーダル基盤モデル「FLUX 3」をベースにした次世代ビデオ・アクションモデル「FLUX-mimic」を発表しました。FLUX 3 は画像、ビデオ、音声の生成を統合し、物理世界の理解に基づいたアクション予測を可能にします。FLUX-mimic は、FLUX 3 の世界モデルからアクションをデコードするアプローチを採用し、アウディの生産ラインでテスト・展開されています。このモデルは、従来のロボットでは困難だったソフトマテリアルの操作など、複雑なタスクをこなすことができ、サンプル効率と堅牢性が特徴です。FLUX-mimic のバックボーンは、NVIDIA RTX 5090 GPU 上で 80ms 未満で動作し、人間の視覚反応時間と同等の速度を実現しています。
- Black Forest LabsとMimic Roboticsが共同で、FLUX 3ベースのビデオ・アクションモデル「FLUX-mimic」を発表
- FLUX-mimicがアウディの生産ラインでテスト・展開されている
- FLUX-mimicがNVIDIA RTX 5090 GPU上で80ms未満で動作し、人間の視覚反応時間と同等の速度を実現
Black Forest LabsとMimic RoboticsによるFLUX-mimicは、マルチモーダル基盤モデルをロボット制御に応用した点が注目に値する。特に、すでにアウディの実生産ラインでテスト・展開が進んでいることは、単なる研究段階ではなく産業応用の初期フェーズに入っていることを示す。また、NVIDIA RTX 5090上で80ms未満の推論を実現し、人間の視覚反応時間並みの速度を達成している点は、リアルタイム制御への実用化が現実的であることを示唆する。ソフトマテリアル操作など従来困難だったタスクをこなせる点も、産業ロボットの適用範囲拡大につながるため、ロボティクス分野への投資テーマとして重要。