TL;DR:
- Black Forest Labs presentó el 23 de julio de 2026 FLUX 3, un modelo multimodal entrenado a la vez con imagen, video y audio, y abrió acceso anticipado a FLUX 3 Video y FLUX 3 Action.
- Con la suiza mimic robotics desarrolló FLUX-mimic, que según el anuncio conjunto se ajusta a una tarea de manipulación con 30 minutos de datos de robot donde los métodos previos pedían 30 horas o más.
- Audi ya prueba y despliega esos robots en piezas blandas como sellos y cables; ninguna de las dos empresas ha dicho si la prueba llegará a la planta de Puebla.
La empresa alemana que puso a medio internet a generar imágenes con FLUX acaba de meter la mano en una planta de autos. Black Forest Labs anunció el jueves 23 de julio de 2026 su nuevo modelo FLUX 3, entrenado desde el principio con imagen, video y audio dentro de una sola arquitectura, capaz de generar clips de hasta 20 segundos con sonido nativo en una sola pasada. En el mismo movimiento presentó, junto con la startup suiza mimic robotics, un segundo modelo llamado FLUX-mimic que convierte esa comprensión del mundo en movimientos de robot. Y no se queda en el laboratorio: Audi ya lo prueba y lo despliega sobre tareas reales de producción.
FLUX 3 es un modelo multimodal que genera imagen, video y audio de forma conjunta y puede extenderse para predecir acciones físicas. La compañía, con sede en Freiburg y oficina en San Francisco, viene de FLUX 1 y FLUX 2, que solo generaban imágenes y hoy alimentan funciones dentro de Adobe Photoshop y Picsart. Canva, Burda, Magnific (antes Freepik), Krea y Picsart ya están probando la nueva versión.
Por qué un modelo que genera video puede mover un brazo robótico
La tesis de Black Forest Labs no es que hayan construido dos cosas distintas, sino una sola. Para generar un video que no se vea mal, un modelo tiene que aprender contacto, peso, movimiento y causa y efecto; si falla en alguno, el resultado canta. Aprender a renderizar el mundo, dice la empresa, es aprender cómo se comporta el mundo.
De ahí sale el número que ordena todo el proyecto: la predicción de video se llevó más del 95% del costo total de cómputo del entrenamiento. El audio, en comparación, es la parte barata, menos del 0.5% de los tokens de un video de 720p con sonido. Las acciones de un robot entran en la misma familia: una representación de baja dimensión, pegada a lo que el modelo ya ve.
"Un modelo que solo aprende imágenes solo puede generar imágenes. Pero el mundo no está hecho de fotogramas fijos."
Robin Rombach, cofundador y CEO de Black Forest Labs
La prueba de que la teoría aguanta la dieron ellos mismos: al meter predicción de acciones en el entrenamiento, la calidad de generación de video evaluada por humanos cayó hasta 10%, y a los 3,500 pasos el modelo ya había recuperado su nivel anterior mientras predecía acciones. El backbone no se partió en dos. Aprendió a hacer otra cosa con lo que ya sabía.
30 minutos de datos donde antes hacían falta 30 horas
Ahí es donde la noticia deja de ser arquitectura y empieza a ser dinero. Elvis Nava, CTO de mimic robotics, lo plantea sin rodeos: el cuello de botella de la robótica son los datos, y cada tarea nueva significa horas de un robot repitiéndose a sí mismo. Como FLUX-mimic se apoya en un modelo de video que ya entiende cómo responde el mundo físico, según Nava aprende una tarea nueva en minutos y no en días.
El comunicado de lanzamiento pone la cifra: dependiendo de la dificultad, el modelo puede afinarse para una tarea concreta de manipulación con 30 minutos de datos de robot, frente a las 30 horas o más que pedían los métodos anteriores. Los números que reportan las dos empresas alrededor de ese salto:
- En una tarea de kitting con material blando, FLUX-mimic acertó el 95% de las veces sin ajuste fino para esa tarea, contra 55% de una versión adaptada de pi0.5 y 70% de una política de flow matching muy entrenada para ese caso específico, según mimic.
- El modelo corre localmente sobre el robot con una sola NVIDIA RTX 5090, sin datacenter de por medio.
- El backbone pasa de la entrada a su representación del mundo en menos de 80 milisegundos, y el sistema completo reacciona en 101 milisegundos.
- mimic levantó datos de más de 100 casos de uso reales de fábrica, mezclando teleoperación con sus propios robots y captura de manos humanas con dispositivos vestibles.
El video que mimic publicó junto al anuncio muestra las tareas: piezas acomodadas en charolas, componentes electrónicos insertados en alojamientos apretados y el arnés de una puerta de auto.
Audi pone la fábrica, y la pregunta cruza el Atlántico
Audi opera una de las redes de producción más automatizadas de la industria, y justo por eso sabe con precisión dónde se detiene la automatización clásica. Las tareas con piezas flexibles y manipulación fina siguieron siendo manuales por una razón económica simple: la diversidad de versiones en un auto premium vuelve carísimo reprogramar una celda robótica para cada caso.
"Hemos visto a estos robots resolver trabajo complejo de manipulación de cuerpos blandos que habría sido simplemente imposible con robótica convencional."
Christoph Schneider, Audi Production Lab
Para el lector de este lado del mundo, el detalle que importa está en el tipo de tarea. Cables, sellos y arneses son exactamente el trabajo que se sigue haciendo a mano en buena parte de la industria automotriz de habla hispana, y Audi produce el Q5 y el Q5 Sportback en San José Chiapa, Puebla, su primera planta en suelo americano. Ni Audi ni mimic han dicho una palabra sobre extender estas pruebas a México, y conviene no adelantarse: lo que hoy existe es un despliegue en curso con el Production Lab de Audi, no un plan de instalación global.
El dinero, mientras tanto, ya está apostando a esta categoría. Black Forest Labs, valuada en 3,250 millones de dólares, ha levantado más de 450 millones con NVIDIA, a16z, Salesforce Ventures, General Catalyst, Adobe Ventures, Figma Ventures, Canva y T.Capital de Deutsche Telekom en su lista de inversionistas, con un equipo de 100 personas. mimic robotics nació en 2024 como spin-off de ETH Zúrich y hoy pasa de 50 empleados entre Zúrich y San Francisco.
Dilis Salazar
Lo que está disponible desde el 23 de julio es el acceso anticipado a FLUX 3 Video, con audio nativo opcional, y a FLUX 3 Action. FLUX 3 Image llega en las próximas semanas y la versión de pesos abiertos, FLUX 3 Dev, quedó anunciada para más adelante este año. Esa última pieza es la que puede cambiar el cálculo para talleres, integradores y universidades fuera de Alemania: pesos abiertos significan que un robot puede correr el modelo en su propia máquina, sin mandar cada fotograma de la línea de producción a la nube de nadie.
