FLUX 3 Image vs FLUX 3: Två namn, två produkter, nio veckor isär

Sedan den 1 oktober 2026 har "FLUX 3" betytt två olika saker, och den andra betydelsen är den som har en prislista. FLUX 3 Image är den bildnivå som gick live den dagen på api.bfl.ai/v1/flux-3-image, debiteras per bild från $0,041. FLUX 3 är den större helhet som den tillhör – den enhetliga multimodala modellen som Black Forest Labs tillkännagav den 23 juli 2026 och sedan dess har levererat i delar, varav video och ett actionhuvud för robotik är de delar som redan körs i produktion. Detta är inte en jämförelse mellan en flaggskeppsmodell och dess mindre syskon. Det är en jämförelse mellan en hel familj och en av dess tre fungerande delar.

Den distinktionen är lätt att tappa bort, och BFL:s egen namngivning hjälper inte: familjesidan, videodokumentationen, licensvillkoren och API-referensen nämner alla FLUX 3 på ställen där de avser något snävare. Om du har läst ett specifikationsblad för FLUX 3 och efteråt är osäker på om det beskriver en bildmodell, en videomodell eller ett forskningsprogram, är det inte du som är slarvig. Båda namnen används aktivt för överlappande delmängder av samma utgåva.

De två datum som spelar roll

• 23 juli 2026 — FLUX 3 tillkännagavs under en Early Access-banner. En Self-Flow-arkitektur som spänner över bild-, video- och ljudgenerering plus aktionsprediktion. Compute-redovisningen är det intressanta: mer än 95 % av träningscomputen gick till video, och färre än 0,5 % av tokens tilldelades ljud.

• 1 oktober 2026 — bildnivån öppnas som en avgiftsmättad slutpunkt. Det lämnar en lucka på ungefär tio veckor mellan tillkännagivandet och ankomsten av den modalitet som de flesta antog att "FLUX 3" syftade på.

Att läsa den där beräkningsfördelningen säger dig vad Black Forest Labs ansåg var det svåra problemet. En modellfamilj som lägger nästan hela sin träningsbudget på video optimerar inte för stillbilder och behandlar rörelse som ett tillägg. Det är tvärtom, och bildnivån ärvde vad videoförst-träningen än producerade.

Vad varje nivå innebär och vad den kostar

Tre av de fyra modaliteter som tillkännagavs i juli har släppts. Bildnivån är den nyaste, och den är den enda som beter sig som ett konventionellt betald API.

• FLUX 3 Image — en POST, en x-key-header och en URL för polling i retur. Pris per bild beroende på upplösningsnivå: 0,041 $ vid 768sq, 0,048 $ vid 1K (standard), 0,07 $ vid 1.5K, 0,10 $ vid 2K och 0,607 $ vid 4K. En lanseringsrabatt på 50 % gäller till 15:00 UTC den 8 oktober. Referenser och promptlängd ingår; misslyckade och modererade förfrågningar debiteras inte. Den tar emot upp till tio referensbilder mellan 256×256 pixlar och 16 megapixlar vardera.

• FLUX 3 Video — allmänt tillgänglig och debiteras per sekund i stället för per bild. Text-till-video och bild-till-video kostar 0,06 USD/s i Draft HD, 0,17 USD/s HD, 0,29 USD/s FHD, 0,40 USD/s QHD och 0,80 USD/s UHD, medan video-till-video är dyrare rakt igenom. Klipp kan vara upp till 20 sekunder med inbyggt synkroniserat ljud, och lägena omfattar nyckelbild-till-video och fortsättning. Draft-läget är endast HD. QHD- och UHD-utdata kom den 10 september 2026.

• FLUX 3 Action — en 7B världsaktionsmodell, och den enda delen av FLUX 3 vars parametrar du kan ladda ner. Tre checkpoints dök upp på Hugging Face den 22 september 2026: en bas-checkpoint, en SO-101-armvariant och en DROID-variant. Åtkomst är begränsad till partners snarare än öppen, med robotmanipulation som den demonstrerade användningen.

• Vad som inte har släppts — en öppen vikt-backbone för FLUX 3. BFL:s nivåer för egen hostning omfattar fortfarande endast FLUX.2 [klein] och FLUX.2 [dev]. Specifikt för bildnivån finns kommersiella vikter under en förhandlad licens, och offentliga öppna vikter beskrivs som några veckor bort.

Kostnadsjämförelsen ingen gör

Prissättning per bild och per sekund verkar ojämförbar, vilket är precis varför det är värt att göra räkningen en gång.

Fem sekunder av text-till-video i standard-HD kostar 0,85 dollar. Fem sekunder i UHD kostar 4,00 dollar. En enskild 4K-stillbild från bildnivån kostar 0,607 dollar i listpris, eller 0,3035 dollar inom lanseringsfönstret – och medan bildnivåns "4K" anger en pixelbudget snarare än en fast bildruta (BFL:s exempelutdata är 5456 × 3072, cirka 16,8 megapixlar, mot UHD 2160p:s 8,3), är det samma storleksordning på upplösning som videonivån tar betalt per sekund för att flytta.

Konsekvensen är att generera en UHD-nyckelbild kostar en bråkdel av att generera en sekund UHD-video, och nyckelbilden är det du skulle generera upprepade gånger medan du itererar. Om din pipeline är "få bildrutan rätt, animera den sedan" är bildnivån den billiga halvan med mer än en tiopotens, och det är den halva som har funnits tillgänglig under kortast tid.

Det finns en brasklapp på bildsidan som videosidan inte har. Ett 4K-bildanrop kan ta flera minuter, och det returnerade provet kan laddas ner i en timme. Att vara långsam och endast hämtbar under en timme är en annan operativ form än ett videojobb, och det är den typen av detalj som avgör om en batch-pipeline behöver en kö.

Avgränsningsrutor finns under ett av dessa två namn.

Kontrolytorna delas inte mellan nivåer, och detta är den skarpaste praktiska skillnaden mellan namnet och familjen.

Bildnivån tar en JSON-array som läggs till i prompten, med koordinater på ett 0–1000-rutnät på båda axlarna och där varje box skrivs [top, left, bottom, right]. Du skickar en tabell med element som har ett id, en bbox och en desc, samt en global bildtext som hänvisar till dessa id:n — BFL:s exempel använder namn som animal_1. Samma koordinatsystem styr redigeringen: behåll en region, flytta en region, generera en ny i en målbox eller ta bort en källbox. Flera operationer skickas i en enda begäran, där ref_image_0 namnger den första posten i referenslistan. Pixlar utanför de redigerade boxarna, säger dokumentationen, "förblir vanligtvis identiska" — en gardering värd att tolka bokstavligt.

Grundning är på som standard i bildnivån: en webb- och bildsökning körs före generering. Utdatadimensionerna avrundas till multiplar av 16 och det realiserade värdet returneras som output_mp.

Inget av detta förekommer i videonivåns parametrar. FLUX 3 Video har sin egen styrningslogik – nyckelbildrutor, fortsättning, betingning av första och sista bildrutan – men inget koordinatspråk. Delarna delar en arkitektur, inte ett gränssnitt.

Att läsa leverantörens egna jämförelser noggrant

Black Forest Labs har publicerat preferensresultat för FLUX 3 Video, och de är värda att citera med tillhörande proveniens. Körningarna är leverantörsutförda, preliminära och poängsatta som vinstfrekvenser på 10-sekunders 720p-utdata:

• Jämfört med Luma Ray 3.2 — 93 % föredrar FLUX 3 Video.

• Mot Runway Gen-4.5 — 77 %.

• Mot Grok Imagine Video — 69%.

• Mot Kling v3 Pro — 60 %.

• Mot Happy Horse v1 och v1.1 — 59% och 57%.

• Mot Seedance 2.0 och Gemini Omni Flash – ungefär 52 % vardera, vilket i sak är ett statistiskt dödläge även om siffran ligger över hälften.

Spridningen från 93 % ned till 52 % över listan är mer informativ än någon enskild rad. Ingen utanför BFL har gjort dessa jämförelser, och resultaten under 55 % längst ned är de som visar var modellen faktiskt är omstridd.

Det finns inga motsvarande siffror för FLUX 3 Image överhuvudtaget. Artificial Analysis text-till-bild- och redigeringsboardar kontrollerades den 1 oktober och igen den 2 oktober 2026, och ingen av dem har någon post för FLUX 3 Image. FLUX.2-serien är fortfarande där BFL:s publicerade poäng upphör: FLUX.2 [max] på 1021 Elo på genereringsboarden och 996 på redigeringsboarden, med FLUX.2 [dev] fastställd som 1000-ankaret på båda. Bildnivån är en dag gammal och omätt.

Att välja mellan namnen

Valet handlar mindre om vilken modell som är bättre än om vilken av de tre lanserade nivåerna ditt problem hör hemma i.

Om du behöver stillbilder med rumslig kontroll, är FLUX 3 Image den enda nivån med ett koordinatspråk, och med ett pris på $0,048 per bild vid 1K är det billigt nog att utvärdera ordentligt i stället för att argumentera om. Börja där, testa påståendet "vanligtvis förblir identiska" på dina egna bildrutor och se hoppet i listan från 2K till 4K på 6,07× när du storleksanpassar dina batcher.

Om du behöver rörelse, är FLUX 3 Video en mogen mätarbaserad produkt med upplösningsnivåer upp till UHD och 20 sekunder långa klipp med synkroniserat ljud. Jämför den med de modeller den är byggd att ersätta snarare än med bildnivån – de är inte alternativ till varandra.

Om du behöver vikter är svaret i dag FLUX 3 Action under ett partneravtal, och annars FLUX.2. Varken video- eller bildnivån går att ladda ner, och bildnivåns öppna släpp är en uttalad avsikt utan datum.

Varken FLUX 3 eller FLUX 3 Image finns i OrcaRouters katalog, så att anropa någon av dem innebär att gå direkt till Black Forest Labs. Det som en leverantörsneutral router tillför i en pipeline byggd kring den här familjen är lagret runt genereringsanropet: prompt-omskrivningspasset, visionskontrollen som jämför en rendering mot briefen, klassificeraren som sorterar utdata i accept- och avvisningshinkar. De stegen förändras långt oftare än bildmodellen, och att byta ut en leverantör bakom en enda OpenAI-kompatibel slutpunkt — med leverantörslistpriser som vidarebefordras utan påslag, automatisk failover när en backend försämras, och ett routing-DSL när du avsiktligt vill låsa eller falla tillbaka — är skillnaden mellan en pipeline som följer marknaden och en som måste driftsättas om varje gång en modell fasas ut.

Det ärliga avslutet är en namngivningskonvention. När någon säger FLUX 3 och räcker dig en prislista menar de bildslutpunkten. När de säger det och räcker dig ett specifikationsblad om allokering av ljudtoken menar de juliutannonseringen. Klyftan mellan de två dokumenten är nio veckor och tre levererade nivåer, och den vidgas fortfarande.