Flux 3, Black Forest Labs-ന്റെ ഏറ്റവും പുതിയ വീഡിയോ ജനറേഷൻ മോഡലാണ്. ഇത് ഓഡിയോ ഉൾപ്പെടുത്തിയ 20 സെക്കൻഡ് ദൈർഘ്യമുള്ള ക്ലിപ്പുകൾ നിർമ്മിക്കുന്നു. ലാബിന്റെ സ്വന്തം ബെഞ്ച്മാർക്ക് പ്രകാരം, ഇത് തങ്ങളോട് മത്സരിച്ച എല്ലാ പ്രധാന മോഡലുകളെയും മറികടക്കുന്നു. ഈ ആഭ്യന്തര പരിശോധനയിൽ Luma Ray 3.2-നെ അപേക്ഷിച്ച് Flux 3 93% മുൻഗണന നേടിയതായും, തങ്ങൾ മറികടക്കാൻ രൂപകൽപ്പന ചെയ്ത Seedance 2.0-നെ പോലും 52% മുൻതൂക്കത്തോടെ മറികടന്നതായും കാണിക്കുന്നു.

ഈ കണക്കുകൾ പ്രധാനമാകുന്നത് എന്തുകൊണ്ട്

BFL Tests എന്ന് വിളിക്കപ്പെടുന്ന BFL-ന്റെ ബെഞ്ച്മാർക്ക് രീതിയിൽ, വിവിധ പ്രോംപ്റ്റുകൾ ഉപയോഗിച്ച് മോഡലുകളെ പരസ്പരം നേരിട്ട് താരതമ്യം ചെയ്യുകയും ഏത് ഔട്ട്പുട്ട് ആണ് മികച്ചതെന്ന് മനുഷ്യരായ മൂല്യനിർണ്ണയിതാക്കളോട് ചോദിക്കുകയും ചെയ്യുന്നു. എല്ലാ വിഭാഗത്തിലും Flux 3 ഒന്നാമതെത്തി:

  • Luma Ray 3.2-നെ അപേക്ഷിച്ച് 93% മുൻഗണന
  • Runway Gen-4.5-നെ അപേക്ഷിച്ച് 77%
  • Grok Imagine Video-നെ അപേക്ഷിച്ച് 69%
  • Kling v3 Pro-നെ അപേക്ഷിച്ച് 60%
  • Seedance 2.0, Gemini Omni Flash എന്നിവയെ അപേക്ഷിച്ച് 52%

ഈ ഫലങ്ങൾ ശരിയാണെങ്കിൽ, ഡെവലപ്പർമാർക്കും കണ്ടന്റ് ക്രിയേറ്റർമാർക്കും ടെക്സ്റ്റ്-ടു-വീഡിയോ, ഇമേജ്-ടു-വീഡിയോ, വീഡിയോ-ടു-വീഡിയോ എന്നിവ ഒരൊറ്റ പാക്കേജിൽ കൈകാര്യം ചെയ്യാൻ കഴിയുന്ന ഒരു മോഡലിലേക്ക് മാറാൻ സാധിക്കും. ഇത് ഒന്നിലധികം ടൂളുകൾ ഉപയോഗിച്ച് വീഡിയോകൾ കൂട്ടിച്ചേർക്കേണ്ടി വരുന്ന സാഹചര്യം ഒഴിവാക്കും.

ഈ അവകാശവാദത്തിന് പിന്നിലെ സാങ്കേതികവിദ്യ

ഇമേജുകൾ, വീഡിയോ ഫ്രെയിമുകൾ, ഓഡിയോ ട്രാക്കുകൾ എന്നിവ ഒരേസമയം ഉൾക്കൊള്ളുന്ന “Self-Flow” എന്ന പരിശീലന രീതി Flux 3 അവതരിപ്പിക്കുന്നു. ഭാഷകൾ കലർന്ന സങ്കീർണ്ണമായ പ്രോംപ്റ്റുകൾ കൈകാര്യം ചെയ്യാനും, ഒരു ക്ലിപ്പിനുള്ളിൽ തന്നെ ബഹുഭാഷാ സംഭാഷണങ്ങൾ അനുവദിക്കാനും ഇതിന് സാധിക്കുമെന്ന് കമ്പനി അവകാശപ്പെടുന്നു. ക്ലിപ്പ് ചെയിനിംഗ് (Clip chaining) വഴി ഉപയോക്താക്കൾക്ക് 20 സെക്കൻഡ് ദൈർഘ്യമുള്ള ഒന്നിലധികം ഭാഗങ്ങളെ ചേർത്ത് ദൈർഘ്യമേറിയ കഥാസന്ദർഭങ്ങളാക്കി മാറ്റാൻ കഴിയും. മുൻകാല ജനറേറ്ററുകളുടെ ഒരു പ്രധാന പരിമിതി പരിഹരിക്കാനാണ് ഈ ഫീച്ചറിലൂടെ ശ്രമിക്കുന്നതെന്ന് BFL പറയുന്നു.

മീഡിയ നിർമ്മാണത്തിനപ്പുറം

BFL കേവലം കണ്ടന്റ് നിർമ്മാണത്തിൽ മാത്രം ഒതുങ്ങുന്നില്ല. Mimic Robotics-മായുള്ള പങ്കാളിത്തത്തിലൂടെ, ഭൗതിക റോബോട്ടുകൾക്ക് ആവശ്യമായ പ്രവർത്തനങ്ങൾ നിർദ്ദേശിക്കാൻ കഴിയുന്ന “Flux-mimic” എന്ന മോഡൽ അവർ പുറത്തിറക്കി. Audi ഈ വീഡിയോ-ആക്ഷൻ വേരിയന്റിനെ പ്രൊഡക്ഷൻ ലൈൻ ജോലികൾക്കായി പരീക്ഷിച്ചുവരികയാണ്. ജനറേറ്റീവ് AI വിനോദത്തിന് പുറമെ യഥാർത്ഥ ലോകത്തെ പ്രവർത്തനങ്ങളെയും സ്വാധീനിക്കുന്ന ഒരു ഭാവിയിലേക്കാണ് ഇത് വിരൽ ചൂണ്ടുന്നത്.

വിട്ടുപോയ ഭാഗം

ഈ വലിയ പ്രചാരമെല്ലാം BFL-ന്റെ ആഭ്യന്തര പരിശോധനകളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. ഇതുവരെ ഒരു മൂന്നാം കക്ഷി ബെഞ്ച്മാർക്കും പ്രസിദ്ധീകരിച്ചിട്ടില്ല, കൂടാതെ മുൻഗണന സ്കോറുകൾക്ക് പിന്നിലെ രീതിശാസ്ത്രവും പരസ്യമായിട്ടില്ല. പുറത്തുള്ള ലാബുകൾ ഈ ഫലങ്ങൾ വീണ്ടും തെളിയിക്കുന്നത് വരെ, Flux 3 ആണ് ഏറ്റവും മികച്ചത് എന്ന അവകാശവാദം താൽക്കാലികം മാത്രമാണ്.

ശ്രദ്ധിക്കേണ്ട കാര്യങ്ങൾ

  • സ്വതന്ത്രമായ മൂല്യനിർണ്ണയങ്ങൾ – വിവിധ ലാബുകളോ അക്കാദമിക് ഗ്രൂപ്പുകളോ സ്വന്തമായി താരതമ്യ പഠനങ്ങൾ നടത്താൻ സാധ്യതയുണ്ട്; BFL-ന്റെ കണക്കുകളിൽ നിന്ന് വ്യത്യസ്തമായ ഫലങ്ങൾ വന്നാൽ അത് വിപണിയിലെ കാഴ്ചപ്പാടിനെ സ്വാധീനിക്കും.
  • ആദ്യകാല ആക്സസ് റോളൗട്ട് – Flux 3-ന്റെ ഇമേജ്-ജനറേഷൻ പതിപ്പ് വരും ആഴ്ചകളിൽ പുറത്തിറക്കി അതിന്റെ ഇക്കോസിസ്റ്റം വിപുലീകരിക്കാൻ BFL പദ്ധതിയിടുന്നു.
  • Audi-യുടെ പ്രൊഡക്ഷൻ ഫലങ്ങൾ – Flux-mimic പരീക്ഷണങ്ങളിൽ നിന്നുള്ള കൃത്യമായ ഫലങ്ങൾ, ജനറേറ്റീവ് വീഡിയോകൾക്ക് റോബോട്ടിക് പ്രവർത്തനങ്ങളെ വിശ്വസനീയമായി നയിക്കാൻ കഴിയുമോ എന്ന് തെളിയിച്ചേക്കാം.