Redaksi akdah.ac.id – Black Forest Labs (BFL) baru saja meluncurkan FLUX 3, sebuah model fondasi multimodal yang mampu belajar dari berbagai jenis data seperti gambar, video, dan audio dalam satu arsitektur. Model ini merupakan langkah maju dalam pengembangan teknologi pembelajaran mesin, di mana FLUX 3 menjadi model pertama yang mampu menggabungkan prediksi video, audio, dan aksi hanya dengan satu set bobot.
FLUX 3 dirancang dengan pandangan bahwa tidak ada satu modalitas pun yang dapat memberikan deskripsi lengkap mengenai dunia. Setiap modalitas, baik itu gambar, video, maupun audio, memiliki kekuatan dalam menyampaikan aspek tertentu dari kenyataan. Gambar menangkap struktur spasial dalam satu momen, video mengembalikan dimensi waktu dan dinamika fisik, sementara audio memberikan informasi mengenai hubungan kausal antara peristiwa mekanis dan suara. Masing-masing dianggap sebagai proyeksi yang hilang dari realitas yang sama.
Metode di Balik FLUX 3: Self-Flow
FLUX 3 dibangun di atas metode yang dikenal sebagai Self-Flow, yang merupakan cara BFL untuk menyelaraskan generasi dan pemahaman multimodal dalam satu arsitektur. Self-Flow menggabungkan tujuan pencocokan aliran dengan tujuan rekonstruksi fitur yang diawasi sendiri. Dalam pengembangannya, BFL menyatakan telah meningkatkan sumber daya komputasi dan data untuk melatih FLUX 3 secara bersamaan di berbagai modalitas.
Model ini mampu menghasilkan klip video hingga 20 detik dalam satu generasi, lengkap dengan audio. Beberapa mode yang didukung mencakup text-to-video, image-to-video, dan video-to-video dari klip referensi. BFL juga mengklaim bahwa FLUX 3 sangat unggul dalam menginterpretasikan ekspresi wajah manusia dan mengaitkan suara dengan peristiwa fisik.
Kinerja dan Pemilihan Preferensi
BFL juga merilis hasil awal mengenai preferensi manusia terhadap FLUX 3. Dalam percobaan yang dilakukan, klip video selama 10 detik dengan resolusi 720p dan audio ditunjukkan untuk dibandingkan. FLUX 3 mendapat prefensi lebih tinggi dibandingkan dengan model lain, seperti Luma Ray 3.2 dan Runway Gen-4.5. Angka ini menunjukkan bahwa FLUX 3 lebih unggul dalam mayoritas perbandingan yang dilakukan, menunjukkan hasil yang meyakinkan bagi pengembangan lebih lanjut dalam bidang ini.
Keberhasilan FLUX 3 dalam menarik perhatian tidak hanya terletak pada kemampuannya yang teknis, tetapi juga pada relevansi aplikasi nyata dari model ini. Dengan adanya kemampuan multimodal yang terintegrasi, FLUX 3 dapat digunakan dalam berbagai sektor, dari hiburan hingga pendidikan dan penelitian ilmiah.
Kesimpulan
Peluncuran FLUX 3 oleh Black Forest Labs menjadi sebuah tonggak penting dalam pengembangan teknologi berbasis kecerdasan buatan. Dengan kemampuan untuk mengintegrasikan gambar, video, dan audio, model ini menawarkan potensi yang signifikan untuk berbagai aplikasi di masa depan. Keberhasilan dalam pengujian preferensi mungkin menjadi indikasi awal atas penerimaan yang baik dalam kalangan profesional dan publik. FLUX 3, dengan segala kemampuannya, berpeluang untuk membawa inovasi baru dalam cara kita berinteraksi dengan data multimodal.
