Black Forest Labs نے Flux 3 کا انکشاف کیا: ویڈیو اور آڈیو میں ایک کثیر جہتی (Multimodal) چھلانگ
Black Forest Labs (BFL) نے Flux 3 کے ذریعے باضابطہ طور پر "ورلڈ ماڈلز" (world models) کی سرحدوں میں قدم رکھ دیا ہے، جو کہ ایک ایسا کثیر جہتی (multimodal) فاؤنڈیشن ماڈل ہے جسے ڈیجیٹل تخلیق اور جسمانی ذہانت کے درمیان فرق کو ختم کرنے کے لیے ڈیزائن کیا گیا ہے۔ تصاویر، ویڈیو اور آڈیو پر بیک وقت تربیت حاصل کر کے، Flux 3 حسی ہم آہنگی (sensory cohesion) کی وہ سطح حاصل کرتا ہے جس کی نقل کرنا روایتی یک جہتی (single-modality) ماڈلز کے لیے مشکل ہوتا ہے۔
کثیر جہتی تربیت اور نیٹیو آڈیو کی طاقت
ویڈیو ماڈلز کی پچھلی نسلوں کے برعکس، جنہیں آواز کو ہم آہنگ کرنے کے لیے اکثر الگ الگ عمل کی ضرورت ہوتی ہے، Flux 3 میں 20 سیکنڈ تک کی ویڈیو کلپس کے لیے نیٹیو آڈیو جنریشن (native audio generation) متعارف کرائی گئی ہے۔ یہ ترقی BFL کے اس فلسفے پر مبنی ہے کہ کوئی بھی ایک جہت حقیقت کو مکمل طور پر بیان نہیں کر سکتی۔ جہاں تصاویر مکانی ساخت (spatial structure) فراہم کرتی ہیں اور ویڈیو زمانی تبدیلیوں (temporal changes) کو دکھاتی ہے، وہیں آڈیو میکانکی واقعات اور ان کی آوازوں کے درمیان سببی تعلقات (causal links) کو ظاہر کرتی ہے۔
BFL کے ملکیتی "Self-Flow" طریقہ کار پر مبنی کثیر جہتی ٹرانسفارمر کا استعمال کرتے ہوئے، یہ ماڈل تصاویر، ویڈیو، آڈیو اور یہاں تک کہ حرکات و سکنات کو ایک مشترکہ اندرونی نمائندگی (internal representation) میں تبدیل کر دیتا ہے۔ یہ متحد تربیت ماڈل کو معلوماتی خلا کو پُر کرنے کی اجازت دیتی ہے—مثال کے طور پر، بصری حرکت کی طبیعیات (physics) کو بہتر طور پر سمجھنے کے لیے آڈیو اشاروں کا استعمال کرنا۔ Flux 3 جدید فیچرز کے ایک وسیع سلسلے کو سپورٹ کرتا ہے، بشمول text-to-video، image-to-video، keyframe-based transitions، اور یہاں تک کہ کثیر لسانی مکالمے۔
انڈسٹری کے بڑے ناموں کے مقابلے میں Flux 3 کی کارکردگی کا جائزہ
720p ریزولوشن پر 10 سیکنڈ کی کلپس کا استعمال کرتے ہوئے ابتدائی جانچ پڑتال میں، Flux 3 نے نمایاں مسابقتی فوائد کا مظاہرہ کیا۔ صارف کی پسند کے براہ راست مقابلوں میں، BFL نے رپورٹ کیا کہ 93% موازنوں میں Flux 3 کو Luma Ray 3.2 پر اور 77% معاملات میں Runway Gen-4.5 پر ترجیح دی گئی۔
اگرچہ اعلیٰ درجے کے حریفوں کے مقابلے میں فرق کم ہو رہا ہے، پھر بھی Flux 3 نے Grok Imagine Video (69%) اور Kling v3 Pro (60%) پر برتری برقرار رکھی۔ اس نے 52% ترجیحی شرح کے ساتھ Seedance 2.0 اور Gemini Omni Flash کو بھی پیچھے چھوڑ دیا۔ یہ نتائج بتاتے ہیں کہ Flux 3 خود کو جنریٹیو ویڈیو ماڈلز کے بالکل اعلیٰ ترین درجے پر مستحکم کر رہا ہے، جو ان سسٹمز کا مقابلہ کرنے کی صلاحیت رکھتا ہے جو پہلے سے ہی پیشہ ورانہ ہالی ووڈ ورک فلو میں شامل ہو رہے ہیں۔
مواد کی تخلیق سے آگے: روبوٹکس کی طرف پیش قدمی
شاید Flux 3 کا سب سے پرجوش پہلو "حقیقی دنیا کی بصری ذہانت" (real-world visual intelligence) کی طرف اس کی پیش قدمی ہے۔ BFL صرف ایک تخلیقی ٹول نہیں بنا رہا؛ بلکہ وہ ایک ایسا ماڈل تیار کر رہے ہیں جو محسوس کر سکے، پیش گوئی کر سکے اور عمل کر سکے۔ اپنے ٹرانسفارمر آرکیٹیکچر کے اندر ایک مخصوص ایکشن کمپوننٹ کے ذریعے، اس ماڈل کو "Flux-mimic" تیار کرنے کے لیے استعمال کیا جا رہا ہے، جو کہ ایک ویڈیو-ایکشن ماڈل ہے۔
ایک اہم حقیقی دنیا کے اطلاق میں، BFL نے Audi میں پیداواری کاموں پر اس ٹیکنالوجی کا تجربہ کرنے کے لیے Mimic Robotics کے ساتھ شراکت داری کی ہے۔ یہ اس بات کی نشاندہی کرتا ہے کہ Flux 3 کے بنیادی ڈھانچے کا مقصد روبوٹکس کے لیے ایک بنیاد کے طور پر کام کرنا ہے، جہاں دنیا کے طبیعی قوانین کو سمجھنا ایک اعلیٰ معیار کی ویڈیو تیار کرنے جتنا ہی اہم ہے۔
تعیناتی اور "Flux 3 Dev" اوپن ویٹ کا وعدہ
BFL حفاظت کو یقینی بنانے اور صارفین کے فیڈ بیک جمع کرنے کے لیے مرحلہ وار رول آؤٹ حکمت عملی اپنا رہا ہے۔ Flux 3 Video فی الحال دستیاب ہے، جبکہ Flux 3 Image کے اگلے چند ہفتوں کے اندر ارلی ایکسیس (early access) میں لانچ ہونے کی توقع ہے۔ مستقبل کی بات کریں تو، BFL نے "Flux 3 Dev" کے نام سے کثیر جہتی بیک بون تک اوپن ویٹ رسائی فراہم کرنے کا عہد کیا ہے، ایک ایسا اقدام جو ممکنہ طور پر عالمی سطح پر ڈویلپرز اور محققین کو ان کے آرکیٹیکچر پر کام کرنے کے لیے بااختیار بنائے گا۔
اہم نکات
- نیٹیو کثیر جہتی صلاحیت (Native Multimodality): Flux 3 تصاویر، ویڈیو اور آڈیو کی تربیت کو ایک واحد "Self-Flow" ٹرانسفارمر میں ضم کرتا ہے، جس سے ہم آہنگ نیٹیو آڈیو کے ساتھ 20 سیکنڈ کی ویڈیوز ممکن ہو جاتی ہیں۔
- اعلیٰ درجے کی کارکردگی: ابتدائی ٹیسٹنگ میں، Flux 3 نے Luma Ray 3.2 (93% ترجیح) اور Runway Gen-4.5 (77% ترجیح) سمیت بڑے حریفوں کو پیچھے چھوڑ دیا۔
- روبوٹکس انٹیگریشن: ماڈل میں ایک ایکشن-پریڈکشن کمپوننٹ شامل ہے جس کا فی الحال Mimic Robotics کے ذریعے Audi میں پیداواری روبوٹکس کاموں کے لیے تجربہ کیا جا رہا ہے۔