它是什么：一个输出动作而不是输出图的世界模型

FLUX 3 Action 是从 Black Forest Labs 自家的多模态 FLUX 3 底座衍生出的 7B「世界动作模型」，预训练数据是视频、图像与音频的大规模集合，其中视频占主要部分。用法很直接：给一帧相机画面和一句文本指令，模型返回接下来约 2 秒的动作序列。它的定位是「可微调的开源策略」，而不是一个只能演示的闭源服务。

官方给出的数字

  • RoboLab-120：单步检查点成功率 38.3%±0.38，对照上一代最强开源模型 Cosmos 3 Nano（16B）的 36.8%；
  • 引导蒸馏检查点把同一榜的成绩推到 42.2%±0.36；
  • 速度：相对 Pi0.5，在桌面级与数据中心级 GPU 上按机器人运动每秒计算有 1.34× 到 2.28× 的提升；FP8 下相对 Cosmos 3 Nano（同为 FP8）有 1.52× 到 3.95× 的加速；
  • Hugging Face 博客补充：用 DROID 微调后成功率 42.92%，对照 36.8%；同时在 SO-101 机械臂上做了微调，两个检查点都已接入 LeRobot。

读速度数字要看清口径

官方特意加了一句限定：这个速度优势是「实时倍率」而不是单次调用延迟——因为作为世界动作模型，它一次可以预测 2.13 秒的运动，而 Pi0.5 是 1.0 秒。也就是说，它用更长的预测跨度换来更少的推理次数。对需要在固定节拍里闭环控制的场景，这个差别很关键：跨度长意味着对突发变化反应更慢，得靠上层策略补偿。

一个容易被忽略的方向：把游戏当作动作预测的试验场

官方博客在动机部分聊了一段很实际的话：真实机器人上能安全、大规模评测的操作任务只是视觉智能的一小片，而「在陌生地形里朝目标导航」「识别几乎与背景同色的物体」「预判其他主体的行为并调整」这些能力没办法在现实里安全地规模化评测；游戏则为此而生，能并行、能快于实时、没有风险，而且会玩游戏的 agent 离操作其他软件只差一步。

该拿它做什么

  1. 用 LeRobot 里的检查点在你自己的一条机械臂上做微调，先测「多少次示范能学会一个新任务」；
  2. 如果你在评估开源策略的基座大小，把 RoboLab 分数与实时倍率分开看，别把速度优势和低延迟混为一谈；
  3. 世界动作模型仍在早期，先按「能不能省示范数据」而不是「能不能替代现有控制栈」来衡量它。
参数减半还能赢，说明这个位置的瓶颈已经不在模型容量上了。