Vad modellen gör
Black Forest Labs, det tyska bolag som är mest känt för sina bildgeneratorer, har släppt FLUX 3 Action, en modell på sju miljarder parametrar för att styra robotar, med öppna vikter och ett modellkort publicerade på torsdagen. Vikterna ligger på Hugging Face.
Bolaget kallar den en världshandlingsmodell. Den tar kamerabilder, robotens aktuella tillstånd och en textinstruktion, och returnerar nästa block av handlingar — framtaget samtidigt som nästa videobildrutor, så att modellen förutsäger både vad den kommer att se och vad den ska göra. Handlingsrummet har femtio dimensioner för robotar och täcker verktygets läge, handens ledvinklar och gripdonets tillstånd, med ett separat rum på sextiofyra dimensioner för mus och tangentbord.
Siffran, och vem som lämnar den
Black Forest Labs uppger 42,92 procent total framgång på RoboLab-120, Nvidias simulerade manipulationstest. I bolagets egen tabell är det 6,1 procentenheter före Cosmos 3 Nano, hittills den bästa öppna modellen på den publika listan, som har 16 miljarder parametrar mot FLUX 3 Actions sju. Vision-språk-handlingsmodellen π0.5 anges till 28,0 procent.
Det är siffror lämnade av tillverkaren på ett test tillverkaren valt, och modellkortet är inte konsekvent på decimalen: den destillerade varianten anges till 42,2 och 42,24 procent i texten medan jämförelsetabellen har 42,92. Påståendena om storlek och hastighet är lättare att kontrollera än poängen — bolaget anger fördröjningen till 41,06 millisekunder per handlingsblock vid FP8 på en Nvidia B200, och säger att modellen kör mellan 1,34 och 3,95 gånger snabbare än de den jämför sig med.
En siffra som inte kom från tillverkaren
Den mest användbara uppgiften i släppet kommer utifrån. Positronic Robotics testade modellen på en Franka-arm över tio uppgifter ur DROID-datamängden och rapporterade 28 lyckade försök av 30, alltså 93,3 procent, mot 90 procent för Cosmos 3 Nano, 66,7 för DreamZero och 43,3 för π0.5. Det är ett litet urval och en enda arm, men det är fysiskt och inte simulerat.
Licensen, och vad som är värt att bevaka
Släppet har öppna vikter, inte öppen källkod: Black Forest Labs publicerar vikterna och erbjuder separata kommersiella villkor, samma upplägg som bolaget använt för sina bildmodeller. Den skillnaden avgör vem som faktiskt kan driftsätta detta, och den är det första ett robotikteam bör läsa.
Nästa siffra att följa är oberoende utvärdering i skala. En modell på sju miljarder parametrar som svarar på fyrtio millisekunder per block är liten nog att sitta på roboten i stället för i en datorhall, och det är, mer än listplaceringen, det som skulle ändra hur de här systemen byggs.
