FLUX 3 Max: наступний дубль — за 12 секунд

Вестерн знає, як нас підловити

На початку презентаційний ролик працює з очікуванням: чоботи, порожня відстань, пильні очі, рука біля кобури. Потім він руйнує власні правила зміною костюмів і динозавром, що здувається. Загальні плани задають протистояння, крупні — стискають напругу, абсурдний поворот її розряджає. Звук змінює тон разом із жартом: від вестерн-саспенсу до перебільшених комічних ефектів.

Стежте за ритмом, а не лише за окремими красивими кадрами. Тут цікаво, як знайома кіномова робить дивну ідею зрозумілою. Перед нами готовий рекламний монтаж: він не показує кількості спроб на кожен план, походження кожного звуку чи обсягу подальшої обробки.

Джерела: fal [1] · fal / X [9]

Що змінилося після FLUX 3

Max — відеомодель: адаптація базової FLUX 3 від BFL, яку виконала fal Research. Заявлена робота поєднує донавчання, навчання з підкріпленням та оптимізацію інференсу. Команда працювала і над тим, як модель виконує завдання та відтворює рух, і над швидкістю отримання результату. Тобто йдеться про більше, ніж доступ до тієї самої моделі через нову платіжну сторінку.

Це розрізнення важливе під час вибору інструмента. FLUX — назва сімейства, Max — конкретної адаптації. Результати базової FLUX 3 чи моделі для зображень зі схожою назвою не можна автоматично переносити сюди. Доступні три режими: відео з тексту, із зображення та з ключових кадрів.

Джерела: fal / PR Newswire [2] · fal / X [9]

Дванадцять секунд змінюють розмову

У поточному порівнянні fal для десятисекундних роликів 16:9 класу 720p/768p вказано 12,45 секунди для FLUX 3 Max і 277,80 секунди для Seedance 2.5. Звідси твердження про приблизно 22-кратну перевагу. Це вимір постачальника для конкретного завдання, а не обіцянка такої швидкості для будь-якого промпту й роздільності.

Для режисера виграш — у можливості не втрачати задум, поки його уточнюєш. Трохи пізніший поворот голови. Те саме кадрування, стриманіший рух. Звук на мить раніше. Після довгого очікування легко погодитися на дубль лише тому, що він уже є; коротке очікування дає змогу поставити ще одне точне запитання. Це наш висновок із заявленої швидкості, а не вимір продуктивності.

За заголовком стоїть кілька різних відліків часу. Поле inference в API вимірює денойзинг і не включає розгортання промпту, декодування та завантаження. Черга й передавання також впливають на очікування. За замовчуванням увімкнено high reasoning — у документації він описаний як повільніший. Частина матеріалів релізу досі наводить 10,95 секунди; тут використовуємо 12,45 з поточного порівняння, щоб не змішувати різні виміри.

Джерела: fal [1] · fal [3] · fal / PR Newswire [2]

Що насправді означає «поділяє перше місце»

Artificial Analysis порівнює результати за сліпим голосуванням людей. У рейтингу image-to-video зі звуком, перевіреному 20 жовтня, FLUX 3 Max входить до групи лідерів. Інтервали суттєво перетинаються: цифри підтверджують близьку конкуренцію, а не беззаперечного переможця. Рейтинг оновлюється, тому його оцінки вже трохи відрізняються від графіка в анонсі.

У text-to-video зі звуком того самого дня Wan 3.0 має 1173 ±16, FLUX 3 Max — 1159 ±16, стільки ж, скільки Seedance 2.5. Заголовок про image-to-video не варто розтягувати до лідерства в усіх завданнях. І Elo не є відсотком придатних до монтажу кадрів.

Наш висновок: додайте Max до короткого списку, якщо важливі і візуальна якість, і короткі цикли правок. Порівняйте його із Seedance та MiniMax саме на своїй сцені. Навіть fal у власному порівнянні вказує швидший H3 Max, тож слово «найшвидший» потребує уточнення щодо якості й завдання. Передавання предмета з руки в руку, вираз обличчя чи сталість персонажа після склейки допоможуть обрати інструмент краще за одну позицію в таблиці.

Джерела: Artificial Analysis [6] · Artificial Analysis [7] · fal [1]

Найцікавіші характеристики — це важелі керування

Задокументована тривалість — 5–20 секунд; є горизонтальні, квадратні й вертикальні формати. Генерацію звуку ввімкнено за замовчуванням, її можна вимкнути. У режимі image-to-video можна додати фінальне зображення. Сторінка моделі описує 1080p як варіант з апскейлом — це не доказ генерації в нативному 1080p.

Звук перетворює зображення на подію. Крок може передати вагу, подих — змінити зміст крупного плану. Проте звук у згенерованому ролику ще не означає окремих чистих доріжок діалогу, ефектів і атмосфери для постпродакшну. Перевірте синхронність, розбірливість і небажану музику, перш ніж вирішувати, що залишити. Приклади релізу допомагають сформулювати ці питання, але не замінюють власної перевірки.

Джерела: fal [3] · fal [5] · Black Forest Labs / X [12]

Десять зображень як режисерське завдання

Окремий режим keyframes приймає до десяти зображень, кожне з унікальною позицією кадру у відео 24 fps. Це конкретніше за прохання про «кінематографічну трансформацію». Можна задати початкову позу, вирішальний момент посередині та фінальну композицію — і попросити модель їх поєднати.

Це орієнтири, а не таймлайн гарантованих поз. Важливо перевірити рух між опорними точками: чи правдоподібно переміщується тіло, чи залишається предмет у потрібній руці, чи виправданий перехід рухом камери. Почніть із трьох чітких зображень, перш ніж додавати ще сім. Додаткові обмеження корисні тоді, коли описують узгоджену дію.

Джерела: fal [4]

Рахуйте вартість дубля, який залишиться

fal тарифікує тривалість згенерованого відео. За перевіреними акційними ставками десять секунд коштують $0,425 у 720p або $0,725 з опцією 1080p. Поточна сторінка моделі вказує 7 листопада як дату завершення акції. Далі заявлена ціна десяти секунд — відповідно $1,70 і $2,90. Це плата за генерацію, не повний бюджет виробництва.

Уявімо двадцять десятисекундних спроб у 720p заради одного придатного варіанта. Це $8,50 під час акції або $34 за звичайним тарифом — ще до монтажу й фінальної обробки. Це наш розрахунок; двадцять спроб — умовний приклад, а не вимір частоти невдач. Він допомагає поставити правильне запитання: скільки коштує прийнятий кадр?

Джерела: fal [5]

Невеликий тест, який скаже більше за нарізку

Для першої виробничої перевірки ми обрали б звичайну дію: виконавець входить у кадр, ставить склянку на стіл і повертає погляд на звук за кадром. Залиште незмінними референс, тривалість і задум камери. За одну спробу змінюйте одну вказівку. Це запропонований нами тест, не вже згенерований матеріал.

Подивіться, як пальці відпускають склянку. Чи збігається звук із дотиком? Чи зрозуміло, куди спрямовано погляд? Чи не змінюється обличчя під час повороту? Потім поставте результат поруч із планом, з яким його треба змонтувати. Красивий окремий ролик усе ще може не працювати в монтажі.

Виміряйте весь запит, збережіть налаштування й порахуйте відхилені спроби разом із вдалою. Так вражаюча заява з презентації стає даними про ваш процес. Заодно стане зрозуміло, чи допомагає повільніший режим reasoning саме у вашому завданні.

Джерела: fal [3]

Перевага — ще одна усвідомлена спроба

FLUX 3 Max вартий уваги завдяки практичному поєднанню: сильні незалежні оцінки, швидка заявлена генерація, звук і конкретні візуальні орієнтири. Ми почали б із коротких рекламних ідей, візуальних тритментів і планів, у яких легко оцінити виконання. Надійність довгих сцен чи готовність до фінальної здачі з презентаційного ролика не випливають.

Вестерн завершується безглуздим образом, який здається доречним, бо ролик його підготував. У цьому й залишається робота: створити очікування, обрати мить, точно виконати поворот. Швидша генерація може дати більше спроб знайти цю мить. Зрозуміти, що її вже знайдено, — усе ще режисерське рішення.

Джерела: fal [1] · Artificial Analysis [6] · fal [4]