Laut BFL-Ankündigung und The Decoder ist Flux 3 ein multimodales Foundation-Modell, das Bilder, Videos und Audio in einer einheitlichen Architektur gemeinsam verarbeitet und um eine erweiterbare Handlungs-Komponente für Robotik ergänzt wird. Das Modell erzeugt in einem Durchgang Videos von bis zu 20 Sekunden Länge, wobei alle Ausgaben nativen Ton mitbringen. Zu den Funktionen zählen Text-zu-Video, Bild-zu-Video, Video-zu-Video, Keyframe-basierte Übergänge, mehrsprachige Dialoge und das agentische Aneinanderreihen von Clips für längere Sequenzen; BFL betont besondere Stärken bei menschlicher Mimik und dem Abgleich von Geräuschen mit physischen Ereignissen.
Die Leistungsangaben sind ausdrücklich selbstberichtet und vorläufig: In eigenen Bewertungen von 10-Sekunden-720p-Clips wurde Flux 3 gegenüber Luma Ray 3.2 in 93 Prozent, gegenüber Runway Gen-4.5 in 77 Prozent, gegenüber Grok Imagine Video in 69 Prozent, gegenüber Kling v3 Pro in 60 Prozent sowie gegenüber Seedance 2.0 und Gemini Omni Flash in je 52 Prozent der Fälle bevorzugt. BFL hält fest, dass unabhängige Evaluierungen noch nicht vorliegen.
Für die Robotik hat BFL mit dem Partner mimic robotics das Video-Action-Modell Flux-mimic entwickelt, das nach eigener Darstellung bereits in realen Produktionsaufgaben bei Audi getestet wird. Verfügbarkeit: Flux 3 Video ist ab sofort im Early Access verfügbar; Flux 3 Image soll „in den kommenden Wochen“ folgen, der Zugang zur Handlungsvorhersage zunächst auf ausgewählte Partner beschränkt bleiben. Zusätzlich kündigt BFL offene Gewichte des multimodalen Backbones unter dem Namen Flux 3 Dev an.