AGI Hunt· Latent Space·· 2 小时前AI 评分57
BFL 详解 FLUX 3 联合训练图像、视频与音频的视觉智能思路
FLUX 3 同时训练图像视频音频,BFL 详解视觉智能论
AI 导读
BFL 在 Latent Space 播客中解释 FLUX 3 同时使用图像、视频和声音训练,目标是让模型理解物体位置、运动规律、声音信息及跨视角的一致性。静态图像提供空间证据,视频呈现运动,撞击声补充镜头漏拍的时间信息;视频超分器则由 FLUX 3 的同一骨干派生。访谈还比较了自回归与扩散方式的取舍,并回顾了 Kontext 功能的训练和打磨过程。
来源:AGI Hunt · agihunt.info