Black Forest Labs发布FLUX 3 Action：7B开源世界动作模型登顶RoboLab
FLUX 3 Action（F3A）以 38.3% 的成功率在RoboLab基准上超越Cosmos 3 Nano的 36.8%，同时通过引导蒸馏将采样步数压缩到单步，推理速度较Pi0.5提升 1.34 至 2.28 倍。
AI解读：这项工作的核心矛盾在于：现有开源策略要么选世界动作模型（WAM）拿高成功率但付出高昂推理成本，要么选视觉语言动作模型（VLA）图快但成功率低。F3A想同时拿下两边——它仍是WAM，联合预测视频和动作，但骨干网络不到Cosmos 3 Nano的一半，并通过蒸馏去掉了引导步骤，把采样步数降到单步。
速度上的提升有具体数字：在B200 GPU上，Cosmos 3 Nano（FP8）每秒机器人运动需要的处理时间约为Pi0.5（BF16）的 4.7 倍；F3A则比Pi0.5快 1.34 到 2.28 倍。它还能一次预测 2.13 秒的运动，而Pi0.5只有 1.0 秒。引导蒸馏版在延迟不敏感时把成功率推到 42.2% ± 0.36。
对部署方来说，成本差异更直观。纯推理方案GPT 6 Astra在最高推理强度下每个成功任务平均花费 13.47 美元、耗时 16 分钟；F3A单独运行时每成功任务约 0.09 美元、不到两分钟，在H200上还能同时服务另外 47 条rollout。不过它无法解决所有任务。
把推理模型和F3A组合后，90% 的任务可以被解决，每个成功成本降到 8.77 美元、8 分钟，比最佳替代配置便宜 29%、快 40%。代价是纯推理的最高准确率仍然领先，可靠性与成本的权衡依然存在，只是F3A把权衡点往便宜的方向挪了。
Black Forest Labs同时公开了预训练、中训练、微调到推理优化的完整配方和权重。中训练数据混合中，19.55% 来自游戏录像，13.54% 来自带手部姿态标注的第一人称视频，14.03% 来自手持夹爪，15.93% 来自跨 14 种形态的遥操作。游戏动作空间用 64 维表示鼠标和键盘，机器人数据主要用 50 维的EE50空间。
一个值得注意的细节是预训练的作用。不做预训练、纯用DROID动作数据训练时，RoboLab成功率不到 1%；加入视频为主的多模态预训练后跳到 11.6%，随训练缓慢爬升到 12.4%。这说明动作数据本身严重不足，视频预训练提供的表征是必要的。
Black Forest Labs发布了FLUX 3 Action（F3A），一个 7B参数、开放权重的世界动作模型（World Action Model），目标是在机器人动作预测上同时拿到高成功率和低推理延迟。
在RoboLab-120基准上，F3A基础检查点取得 38.3% ± 0.38 的总体成功率，高于Cosmos 3 Nano的 36.8% 和Pi0.5的 28.0%，在表中排第一。引导蒸馏版进一步把成功率推到 42.2% ± 0.36。
F3A仍是世界动作模型——联合预测未来视频和动作——但骨干网络不到Cosmos 3 Nano的一半，并去掉了引导步骤，把采样步数压缩到单步。
速度方面，在B200 GPU上，Cosmos 3 Nano（FP8）每秒机器人运动所需的处理时间约为Pi0.5（BF16）的 4.7 倍。F3A在FP8下比Cosmos 3 Nano快 1.52 到 3.95 倍，比Pi0.5快 1.34 到 2.28 倍（跨消费级、工作站和数据中心GPU）。
F3A单次可预测 2.13 秒的运动，Pi0.5为 1.0 秒。该速度优势以实时因子衡量，而非每次调用的延迟。
Black Forest Labs同时发布了权重和完整报告，涵盖预训练、中训练、微调和推理优化，并分析了快速动作预测与前沿推理模型规划能力组合的混合系统。
RoboLab-120上的成功率和参数对比
RoboLab-120的总体成功率排名：FLUX 3 Action（开源，WAM）42.92%（表中数值，含引导蒸馏版），OASIS WAM（闭源）39.0%，Cosmos3-Nano-Policy（开源，WAM）36.8%，Phoenix（闭源）34.4%，BiMind v0.1（闭源，VLA）33.3%，π0.5（开源，VLA）28.0%，DreamZero（开源，WAM）25.7%，Cosmos3-Edge-Policy（开源，WAM）22.9%，π0-FAST（开源，VLA）15.5%，GR00T N1.6（开源，VLA）7.2%，π0（开源，VLA）5.0%，paligemma-binning（开源，VLA）3.4%。
参数规模：F3A为 7B，Cosmos 3 Nano为 16B，Pi0.5为 3.3B，Cosmos 3 Edge为 4B。F3A的骨干不到Cosmos 3 Nano的一半。
预训练、中训练与动作空间设计
预训练沿用FLUX 3的配方，混合图像、视频和音频数据，其中视频占训练token的 95% 以上。
评估预训练检查点的动作预测能力时，遵循类似Cosmos 3的协议：加入随机初始化的动作头，在DROID上微调，然后在RoboLab上评估。
无预训练时成功率不到 1%；有预训练后跳到 11.6%，继续增长到 12.4%。报告认为这表明纯DROID动作训练受数据严重制约，视频为主的多模态预训练可以克服这一限制。
动作中训练阶段使用混合数据：36.95% 的样本为带音频的视频（占token 39.00%），19.55% 为游戏录像（token 21.85%），13.54% 为带手部姿态标注的第一人称视频（token 13.78%），14.03% 为手持夹爪（token 13.99%），15.93% 为跨 14 种形态的遥操作（token 11.37%）。
游戏动作空间为 64 维：前两维编码鼠标x/y移动，接下来两维编码左右鼠标按键，剩余 60 维编码键盘按键，二值通道在训练中去量化。
多数姿态类数据集使用 50 维的EE50动作空间：前 25 维用于左/主末端执行器，后 25 维用于右/次末端执行器；每 25 维中前三维编码平移，接着六维编码旋转，剩余 16 维编码手部姿态角度或夹爪状态（0 为闭合，1 为张开）。未使用的维度补零。
部分机器人数据集使用 14 维动作空间，F3A直接在 6 个关节状态和 1 个夹爪状态上训练，因为团队没有该形态的正向动力学模型。所有动作数据集的频率在 5 Hz到 30 Hz之间。
EE50空间下，末端执行器姿态相对于锚定帧（最后一个条件帧）表示，手部关节和夹爪值保持绝对值，每个EE50维度按形态特定的z-score归一化。
噪声到信号的转变与时间步分布
扩散和流模型学习反转一个时间索引的前向过程zt = (1−t)x₀ + tε，将数据x₀ 与噪声 ε ∼ N(0,1) 混合。视频和动作两种模态的噪声到信号转变区域可能不同，联合预测时需要考虑两者的相互作用。
报告分别计算视频和动作的x₀ 重建损失，对多个检查点取逐点最小值，得到归一化的最小包络，近似信号噪声剖面。视频的包络呈S形，转变点在 σ(t) = 3.3 或t ≃ 0.964。
团队假设模型容量最好花在信号转变高的区域，因此使用概率密度函数与S形剖面导数成比例的时间步分布。用sigmoid近似得到logit空间的logistic分布（logit-logistic），用高斯CDF近似得到logit-normal分布。
在网格搜索中，除logit-normal和logit-logistic外，还纳入NVIDIA等人 2026 年使用的Waver（mode-sampler）时间步分布。位置参数通过零中心基础分布加移位函数t ↦ αt / (1 + (α−1)t) 构造，α 取 {24, 33, 42}，对应视频和动作估计的众数及一个中间值。
另一个参数是动作表示的尺度s。当s > 1 时，破坏动作信号需要更多噪声，动作曲线右移，从而控制两种模态建模的相对关系，相当于在联合流匹配下近似p(m₁, s·m₂) = p(m₁ | s·m₂) p(s·m₂)。
与推理模型混合的成本与效率
报告分析了快速动作预测与前沿推理模型规划能力结合的混合系统。GPT 6 Astra在最高推理强度下能解决Su等人（2026）基准中的全部任务，但单次推理调用每秒机器人运动增加约 35.77 秒，每个成功平均花费 13.47 美元、耗时 16 分钟。
F3A单独运行时每秒机器人运动仅需 21.08 毫秒，在H200 GPU（3 美元/小时）上每个成功花费约 0.09 美元、平均不到两分钟。这两分钟里大部分时间F3A处于空闲，等待机器人运动，理论上还能同时服务另外 47 条rollout而不增加成本。主要缺点是它无法解决所有单个任务。
让推理模型把控制权委托给高效策略、只在需要时介入。在Su等人的设置中，用Pi0.5作为策略时混合方案几乎没有改善：最佳混合每个成功花费 12.28 美元、13.5 分钟，纯推理为 13.47 美元、14 分钟。
改用F3A作为策略后，委托策略开始起作用：混合方案仍解决 90% 的回合（包括纯动作策略无法解决的复杂任务），每个成功成本降至 8.77 美元、8 分钟，比最佳替代配置便宜 29%、快 40%。
纯推理在最高努力下仍达到最高准确率，可靠性与成本的权衡依然存在，但更好的快速策略改变了权衡点的位置。报告称对推理与快速动作预测深度集成的探索还只是第一步，目标是“用尽可能多的推理，且尽可能少”。
FLUX 3 Action的作者提到，快速控制能让具身推理在成本和效率上更优，最高可达每美元成功率提升 53.64%。