Black Forest Labs Flux 3 ಅನ್ನು ಅನಾವರಣಗೊಳಿಸಿದೆ: ವಿಡಿಯೋ ಮತ್ತು ಆಡಿಯೋದಲ್ಲಿ ಮಲ್ಟಿಮೋಡಲ್ ಪ್ರಗತಿ

Black Forest Labs (BFL) ತನ್ನ Flux 3 ಅನ್ನು ಬಿಡುಗಡೆ ಮಾಡುವ ಮೂಲಕ "ವರ್ಲ್ಡ್ ಮಾಡೆಲ್ಸ್" (world models) ಎಂಬ ಹೊಸ ಮೈಲಿಗಲ್ಲನ್ನು ಅಧಿಕೃತವಾಗಿ ತಲುಪಿದೆ. ಇದು ಡಿಜಿಟಲ್ ಜನರೇಷನ್ ಮತ್ತು ಭೌತಿಕ ಬುದ್ಧಿವಂತಿಕೆಯ ನಡುವಿನ ಅಂತರವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಮಲ್ಟಿಮೋಡಲ್ ಫೌಂಡೇಶನ್ ಮಾಡೆಲ್ ಆಗಿದೆ. ಚಿತ್ರಗಳು, ವಿಡಿಯೋ ಮತ್ತು ಆಡಿಯೋಗಳ ಮೇಲೆ ಏಕಕಾಲದಲ್ಲಿ ತರಬೇತಿ ನೀಡುವ ಮೂಲಕ, Flux 3 ಸಂವೇದನಾತ್ಮಕ ಏಕತೆಯನ್ನು (sensory cohesion) ಸಾಧಿಸಿದೆ, ಇದನ್ನು ಸಾಂಪ್ರದಾಯಿಕ ಸಿಂಗಲ್-ಮೋಡಾಲಿಟಿ ಮಾಡೆಲ್‌ಗಳು ಅನುಕರಿಸಲು ಕಷ್ಟಪಡುತ್ತವೆ.

ಮಲ್ಟಿಮೋಡಲ್ ತರಬೇತಿ ಮತ್ತು ನೇಟಿವ್ ಆಡಿಯೋದ ಶಕ್ತಿ

ಶಬ್ದವನ್ನು ಸಿಂಕ್ ಮಾಡಲು ಪ್ರತ್ಯೇಕ ಪ್ರಕ್ರಿಯೆಗಳ ಅಗತ್ಯವಿರುವ ಹಿಂದಿನ ತಲೆಮಾರಿನ ವಿಡಿಯೋ ಮಾಡೆಲ್‌ಗಳಿಗ Unlike, Flux 3 ಗರಿಷ್ಠ 20 ಸೆಕೆಂಡುಗಳ ವಿಡಿಯೋ ಕ್ಲಿಪ್‌ಗಳಿಗಾಗಿ ನೇಟಿವ್ ಆಡಿಯೋ ಜನರೇಷನ್ ಅನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ. ಯಾವುದೇ ಒಂದೇ ಮೋಡಾಲಿಟಿ (modality) ವಾಸ್ತವವನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಸೆರೆಹಿಡಿಯಲು ಸಾಧ್ಯವಿಲ್ಲ ಎಂಬ BFL ನ ತತ್ವದ ಮೇಲೆ ಈ ಬೆಳವಣಿಗೆಯನ್ನು ರೂಪಿಸಲಾಗಿದೆ. ಚಿತ್ರಗಳು ಸ್ಥಳಿಕ ರಚನೆಯನ್ನು (spatial structure) ನೀಡಿದರೆ ಮತ್ತು ವಿಡಿಯೋ ಕಾಲಾನುಕ್ರಮದ ಬದಲಾವಣೆಗಳನ್ನು (temporal changes) ನೀಡಿದರೆ, ಆಡಿಯೋ ಯಾಂತ್ರಿಕ ಘಟನೆಗಳು ಮತ್ತು ಅವುಗಳ ಶಬ್ದಗಳ ನಡುವಿನ ಕಾರಣಾತ್ಮಕ ಸಂಬಂಧಗಳನ್ನು (causal links) ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ.

BFL ನ ಸ್ವಂತ "Self-Flow" ವಿಧಾನವನ್ನು ಆಧರಿಸಿದ ಮಲ್ಟಿಮೋಡಲ್ ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್ ಅನ್ನು ಬಳಸುವ ಮೂಲಕ, ಈ ಮಾಡೆಲ್ ಚಿತ್ರಗಳು, ವಿಡಿಯೋ, ಆಡಿಯೋ ಮತ್ತುសನ್ನಿವೇಶಗಳನ್ನು (actions) ಒಂದು ಹಂಚಿಕೆಯ ಆಂತರಿಕ ಪ್ರಾತಿನಿಧ್ಯವಾಗಿ (shared internal representation) ಪರಿವರ್ತಿಸುತ್ತದೆ. ಈ ಏಕೀಕೃತ ತರಬೇತಿಯು ಮಾಹಿತಿಯ ಕೊರತೆಯನ್ನು ತುಂಬಲು ಮಾಡೆಲ್‌ಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ—ಉದಾಹರಣೆಗೆ, ದೃಶ್ಯ ಚಲನೆಯ ಭೌತಿಕ ವಿಜ್ಞಾನವನ್ನು ಉತ್ತಮವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಆಡಿಯೋ ಸೂಚನೆಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳಬಹುದು. Flux 3 ಮಾಡೆಲ್ text-to-video, image-to-video, keyframe-based transitions ಮತ್ತು ಬಹುಭಾಷಾ ಸಂಭಾಷಣೆ ಸೇರಿದಂತೆ ಹಲವಾರು ಸುಧಾರಿತ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ.

ಉದ್ಯಮದ ದೈತ್ಯರೊಂದಿಗೆ Flux 3 ನ ಹೋಲಿಕೆ (Benchmarking)

720p ರೆಸಲ್ಯೂಶನ್‌ನಲ್ಲಿ 10 ಸೆಕೆಂಡುಗಳ ಕ್ಲಿಪ್‌ಗಳನ್ನು ಬಳಸಿ ನಡೆಸಿದ ಪ್ರಾಥಮಿಕ ಮೌಲ್ಯಮಾಪನಗಳಲ್ಲಿ, Flux 3 ಗಮನಾರ್ಹ ಸ್ಪರ್ಧಾತ್ಮಕ ಅನುಕೂಲಗಳನ್ನು ಪ್ರದರ್ಶಿಸಿತು. ಬಳಕೆದಾರರ ಆದ್ಯತೆಯ ಪರೀಕ್ಷೆಗಳಲ್ಲಿ (user preference tests), 93% ಸಂದರ್ಭಗಳಲ್ಲಿ Flux 3 ಅನ್ನು Luma Ray 3.2 ಗಿಂತ ಮತ್ತು 77% ಸಂದರ್ಭಗಳಲ್ಲಿ Runway Gen-4.5 ಗಿಂತ ಹೆಚ್ಚು ಇಷ್ಟಪಡಲಾಗಿದೆ ಎಂದು BFL ವರದಿ ಮಾಡಿದೆ.

ಪ್ರಮುಖ ಸ್ಪರ್ಧಿಗಳ ವಿರುದ್ಧ ಅಂತರವು ಕಡಿಮೆಯಾಗಿದ್ದರೂ, Flux 3 ಇಂದಿಗೂ Grok Imagine Video (69%) ಮತ್ತು Kling v3 Pro (60%) ಗಿಂತ ಮುನ್ನಡೆ ಸಾಧಿಸಿದೆ. ಇದು 52% ಆದ್ಯತಾ ದರದಲ್ಲಿ Seedance 2.0 ಮತ್ತು Gemini Omni Flash ಅನ್ನು ಹಿಂದಿಕ್ಕಿದೆ. ಈ ಫಲಿತಾಂಶಗಳು Flux 3 ಜನರೇಟಿವ್ ವಿಡಿಯೋ ಮಾಡೆಲ್‌ಗಳ ಅತ್ಯುನ್ನತ ಮಟ್ಟದಲ್ಲಿ ತನ್ನ ಸ್ಥಾನವನ್ನು ಸ್ಥಾಪಿಸಿಕೊಳ್ಳುತ್ತಿದೆ ಮತ್ತು ಈಗಾಗಲೇ ವೃತ್ತಿಪರ ಹಾಲಿವುಡ್ ವರ್ಕ್‌ಫ್ಲೋಗಳಲ್ಲಿ ಬಳಕೆಯಾಗುತ್ತಿರುವ ವ್ಯವಸ್ಥೆಗಳೊಂದಿಗೆ ಸ್ಪರ್ಧಿಸುವ ಸಾಮರ್ಥ್ಯ ಹೊಂದಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತವೆ.

ಕಂಟೆಂಟ್ ಕ್ರಿಯೇಷನ್ ಮೀರಿ: ರೋಬೋಟಿಕ್ಸ್ ಕಡೆಗೆ ಪಯಣ

Flux 3 ನ ಅತ್ಯಂತ ಮಹತ್ವಾಕಾಂಕ್ಷೆಯ ಅಂಶವೆಂದರೆ ಅದರ "ರಿಯಲ್-ವರ್ಲ್ಡ್ ವಿಶುವಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್" (real-world visual intelligence) ಕಡೆಗಿನ ಪ್ರಗತಿ. BFL ಕೇವಲ ಒಂದು ಸೃಜನಾತ್ಮಕ ಸಾಧನವನ್ನು ನಿರ್ಮಿಸುತ್ತಿಲ್ಲ; ಅವರು ಗ್ರಹಿಸಲು, ಮುನ್ಸೂಚನೆ ನೀಡಲು ಮತ್ತು ಕಾರ್ಯನಿರ್ವಹಿಸಲು (perceive, predict, and act) ಸಾಧ್ಯವಿರುವ ಮಾಡೆಲ್ ಅನ್ನು ನಿರ್ಮಿಸುತ್ತಿದ್ದಾರೆ. ತನ್ನ ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್ ಆರ್ಕಿಟೆಕ್ಚರ್‌ನಲ್ಲಿರುವ ಮೀಸಲಾದ ಆಕ್ಷನ್ ಕಾಂಪೊನೆಂಟ್ ಮೂಲಕ, ಈ ಮಾಡೆಲ್ ಅನ್ನು "Flux-mimic" ಎಂಬ ವಿಡಿಯೋ-ಆಕ್ಷನ್ ಮಾಡೆಲ್ ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಬಳಸಲಾಗುತ್ತಿದೆ.

ಪ್ರಮುಖವಾದ ನೈಜ-ಜಗತ್ತಿನ ಅನ್ವಯಿಕೆಯಲ್ಲಿ, BFL ಈ ತಂತ್ರಜ್ಞಾನವನ್ನು Audi ನ ಉತ್ಪಾದನಾ ಕಾರ್ಯಗಳಲ್ಲಿ ಪರೀಕ್ಷಿಸಲು Mimic Robotics ನೊಂದಿಗೆ ಪಾಲುದಾರಿಕೆ ಮಾಡಿಕೊಂಡಿದೆ. ಇದು Flux 3 ನ ಮೂಲ ಆರ್ಕಿಟೆಕ್ಚರ್ ರೋಬೋಟಿಕ್ಸ್‌ಗೆ ಅಡಿಪಾಯವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಉದ್ದೇಶವನ್ನು ಹೊಂದಿದೆ ಎಂಬುದನ್ನು ಸೂಚಿಸುತ್ತದೆ, ಅಲ್ಲಿ ಪ್ರಪಂಚದ ಭೌತಿಕ ನಿಯಮಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ವಿಡಿಯೋವನ್ನು ತಯಾರಿಸುವುದಷ್ಟೇ ಮುಖ್ಯವಾಗಿದೆ.

ನಿಯೋಜನೆ (Deployment) ಮತ್ತು "Flux 3 Dev" ಓಪನ್-ವೇಟ್ ವಾಗ್ದಾನ

ಸುರಕ್ಷತೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಮತ್ತು ಬಳಕೆದಾರರ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪಡೆಯಲು BFL ಹಂತ ಹಂತದ ಬಿಡುಗಡೆ ತಂತ್ರವನ್ನು ಅನುಸರಿಸುತ್ತಿದೆ. Flux 3 Video ಪ್ರಸ್ತುತ ಲಭ್ಯವಿದ್ದು, Flux 3 Image ಮುಂದಿನ ಕೆಲವು ವಾರಗಳಲ್ಲಿ ಅರ್ಲಿ ಅಕ್ಸೆಸ್ (early access) ಮೂಲಕ ಬಿಡುಗಡೆಯಾಗುವ ನಿರೀಕ್ಷೆಯಿದೆ. ಭವಿಷ್ಯದ ದೃಷ್ಟಿಯಿಂದ, BFL "Flux 3 Dev" ಎಂಬ ಹೆಸರಿನಲ್ಲಿ ಮಲ್ಟಿಮೋಡಲ್ ಬ್ಯಾಕ್‌ಬೋನ್ ಅನ್ನು ಓಪನ್-ವೇಟ್ (open-weight) ಮೂಲಕ ಬಿಡುಗಡೆ ಮಾಡಲು ಬದ್ಧವಾಗಿದೆ. ಈ ಕ್ರಮವು ಜಾಗತಿಕವಾಗಿ ಡೆವಲಪರ್‌ಗಳು ಮತ್ತು ಸಂಶೋಧಕರು ತಮ್ಮ ಆರ್ಕಿಟೆಕ್ಚರ್ ಮೇಲೆ ಹೆಚ್ಚಿನ ಕೆಲಸ ಮಾಡಲು ಶಕ್ತಿ ತುಂಬಲಿದೆ.

ಪ್ರಮುಖ ಅಂಶಗಳು

• ನೇಟಿವ್ ಮಲ್ಟಿಮೋಡಾಲಿಟಿ: Flux 3 ಚಿತ್ರ, ವಿಡಿಯೋ ಮತ್ತು ಆಡಿಯೋ ತರಬೇತಿಯನ್ನು ಒಂದೇ "Self-Flow" ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್‌ನಲ್ಲಿ ಸಂಯೋಜಿಸುತ್ತದೆ, ಇದು 20 ಸೆಕೆಂಡುಗಳ ವಿಡಿಯೋಗಳನ್ನು ಸಿಂಕ್ ಮಾಡಲಾದ ನೇಟಿವ್ ಆಡಿಯೋದೊಂದಿಗೆ ಸೃಷ್ಟಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
• ಉನ್ನತ ಮಟ್ಟದ ಕಾರ್ಯಕ್ಷಮತೆ: ಆರಂಭಿಕ ಪರೀಕ್ಷೆಯಲ್ಲಿ, Flux 3 ಮಾಡೆಲ್ Luma Ray 3.2 (93% ಆದ್ಯತೆ) ಮತ್ತು Runway Gen-4.5 (77% ಆದ್ಯತೆ) ಸೇರಿದಂತೆ ಪ್ರಮುಖ ಪ್ರತಿಸ್ಪರ್ಧಿಗಳನ್ನು ಹಿಂದಿಕ್ಕಿದೆ.
• ರೋಬೋಟಿಕ್ಸ್ ಸಂಯೋಜನೆ: ಈ ಮಾಡೆಲ್‌ನಲ್ಲಿ ಆಕ್ಷನ್-ಪ್ರೆಡಿಕ್ಷನ್ ಕಾಂಪೊನೆಂಟ್ ಇದ್ದು, ಇದನ್ನು Mimic Robotics ಮೂಲಕ Audi ನ ಉತ್ಪಾದನಾ ರೋಬೋಟಿಕ್ಸ್ ಕಾರ್ಯಗಳಿಗಾಗಿ ಪ್ರಸ್ತುತ ಪರೀಕ್ಷಿಸಲಾಗುತ್ತಿದೆ.