FLUX 3 Image so với FLUX 3: Hai tên gọi, hai sản phẩm, cách nhau chín tuần

Kể từ ngày 1 tháng 10 năm 2026, “FLUX 3” mang hai nghĩa khác nhau, và nghĩa thứ hai là nghĩa có bảng giá. FLUX 3 Image là bậc hình ảnh đã ra mắt vào ngày hôm đó tại api.bfl.ai/v1/flux-3-image, được tính phí theo từng hình ảnh từ $0.041. FLUX 3 là thực thể lớn hơn mà nó thuộc về — mô hình đa phương thức hợp nhất mà Black Forest Labs đã công bố vào ngày 23 tháng 7 năm 2026 và kể từ đó đã phát hành theo từng phần, trong đó video và một đầu hành động robot là những phần đã vận hành trong sản xuất. Đây không phải là so sánh giữa một mô hình chủ lực và đàn em nhỏ hơn của nó. Đó là so sánh giữa cả một gia đình và một trong ba phần đang hoạt động của nó.

Sự phân biệt đó rất dễ bị bỏ sót, và cách đặt tên của chính BFL cũng không giúp ích gì: trang về dòng sản phẩm, tài liệu video, điều khoản giấy phép và tài liệu tham chiếu API đều ghi FLUX 3 ở những chỗ mà đáng ra chúng muốn nói tới một thứ hẹp hơn. Nếu bạn đã đọc bảng thông số kỹ thuật của FLUX 3 và rồi vẫn không chắc liệu nó mô tả một mô hình hình ảnh, một mô hình video hay một chương trình nghiên cứu, thì đó không phải là do bạn bất cẩn. Cả hai tên gọi đều đang được dùng cho những tập con chồng lấn của cùng một bản phát hành.

Hai ngày quan trọng

• 23 tháng 7, 2026 — FLUX 3 được công bố dưới nhãn Early Access. Một kiến trúc Self-Flow duy nhất bao quát việc tạo hình ảnh, video và âm thanh cùng dự đoán hành động. Phần đáng chú ý nằm ở công bố về khối lượng tính toán: hơn 95% năng lực tính toán huấn luyện được dành cho video, và chưa đến 0,5% token được phân bổ cho âm thanh.

• Ngày 1 tháng 10 năm 2026 — hạng dịch vụ hình ảnh mở ra dưới dạng một endpoint tính phí theo mức sử dụng. Điều đó để lại một khoảng trống khoảng mười tuần giữa thời điểm công bố và lúc phương thức mà hầu hết mọi người cho rằng "FLUX 3" đang nhắc tới chính thức xuất hiện.

Đọc cách phân bổ compute đó cho bạn biết Black Forest Labs tin đâu là vấn đề khó. Một họ mô hình dành gần như toàn bộ ngân sách huấn luyện cho video không phải đang tối ưu cho ảnh tĩnh và coi chuyển động là phần mở rộng. Thực tế thì ngược lại, và tầng hình ảnh thừa hưởng bất cứ thứ gì mà quá trình huấn luyện ưu tiên video tạo ra.

Mỗi hạng là gì và chi phí bao nhiêu

Ba trong số bốn phương thức được công bố vào tháng Bảy đã ra mắt. Gói hình ảnh là mới nhất và là gói duy nhất hoạt động như một API trả phí thông thường.

• FLUX 3 Image — một POST, một header x-key, và một URL polling trả về. Giá tính theo từng ảnh theo bậc độ phân giải: $0.041 ở 768sq, $0.048 ở 1K (mặc định), $0.07 ở 1.5K, $0.10 ở 2K và $0.607 ở 4K. Giảm giá ra mắt 50% diễn ra đến 15:00 UTC ngày 8 tháng 10. Ảnh tham chiếu và độ dài prompt được bao gồm; các yêu cầu thất bại và bị kiểm duyệt không bị tính phí. Nó chấp nhận tối đa mười ảnh tham chiếu, mỗi ảnh từ 256×256 pixel đến 16 megapixel.

• FLUX 3 Video — đã chính thức ra mắt và được tính phí theo giây thay vì theo hình ảnh. Chuyển văn bản thành video và hình ảnh thành video có giá $0,06/giây ở Draft HD, $0,17/giây ở HD, $0,29/giây ở FHD, $0,40/giây ở QHD và $0,80/giây ở UHD, còn video-thành-video thì cao hơn ở mọi mức. Các clip dài tối đa 20 giây với âm thanh đồng bộ gốc, và các chế độ bao gồm keyframe-thành-video và nối tiếp. Chế độ Draft chỉ hỗ trợ HD. Đầu ra QHD và UHD đã có mặt vào ngày 10 tháng 9 năm 2026.

• FLUX 3 Action — một mô hình world-action 7B, và là phần duy nhất của FLUX 3 mà bạn có thể tải tham số về. Ba checkpoint đã xuất hiện trên Hugging Face vào ngày 22 tháng 9 năm 2026: một checkpoint cơ sở, một biến thể tay máy SO-101 và một biến thể DROID. Quyền truy cập được giới hạn theo đối tác chứ không mở, với thao tác robot là ứng dụng được trình diễn.

• Những gì chưa được phát hành — một backbone trọng số mở FLUX 3. Các bậc tự lưu trữ của BFL vẫn chỉ bao gồm FLUX.2 [klein] và FLUX.2 [dev]. Riêng với bậc hình ảnh, trọng số thương mại tồn tại theo một giấy phép được đàm phán, còn trọng số mở công khai được cho là còn cách vài tuần nữa.

Sự so sánh chi phí mà không ai thực hiện

Định giá theo từng ảnh và theo từng giây trông có vẻ không thể so sánh được, và đó chính xác là lý do vì sao việc tính toán một lần lại đáng để làm.

Năm giây tạo video từ văn bản ở HD tiêu chuẩn có giá 0,85 USD. Năm giây ở UHD là 4,00 USD. Một ảnh tĩnh 4K từ hạng hình ảnh có giá niêm yết là 0,607 USD, hoặc 0,3035 USD trong giai đoạn ra mắt — và trong khi chữ “4K” của hạng hình ảnh chỉ một ngân sách điểm ảnh thay vì một khung cố định (đầu ra ví dụ của BFL là 5456 × 3072, khoảng 16,8 megapixel, so với 8,3 megapixel của UHD 2160p), thì đó vẫn là cùng bậc độ phân giải mà hạng video tính phí theo từng giây để tạo chuyển động.

Hệ quả là việc tạo một khung hình khóa UHD chỉ tốn một phần nhỏ so với việc tạo một giây video UHD, và khung hình khóa chính là thứ bạn sẽ tạo đi tạo lại trong quá trình lặp. Nếu quy trình của bạn là "làm cho khung hình đúng đã, rồi mới làm nó chuyển động", thì tầng hình ảnh là nửa rẻ hơn, rẻ hơn cả một bậc độ lớn, và đó cũng là nửa mới chỉ có sẵn trong thời gian ngắn nhất.

Có một lưu ý ở phía hình ảnh mà phía video không có. Một cuộc gọi hình ảnh 4K có thể mất vài phút, và mẫu trả về có thể tải xuống trong một giờ. Chậm và chỉ có thể truy xuất trong một giờ là một dạng vận hành khác với một tác vụ video, và đó là loại chi tiết quyết định liệu một pipeline hàng loạt có cần hàng đợi hay không.

Các hộp bao tồn tại dưới một trong hai tên này

Các bề mặt điều khiển không được dùng chung giữa các cấp, và đây là khác biệt thực tiễn rõ rệt nhất giữa tên gọi và dòng sản phẩm.

Tầng hình ảnh nhận một mảng JSON được nối thêm vào prompt, với tọa độ trên lưới 0–1000 ở cả hai trục và mỗi hộp được ghi là [top, left, bottom, right]. Bạn truyền một bảng các phần tử mang id, một bbox và một desc, cùng một chú thích tổng thể trích dẫn các id đó — ví dụ của BFL dùng những tên như animal_1. Cùng hệ tọa độ đó điều khiển việc chỉnh sửa: giữ một vùng, di chuyển một vùng, tạo một vùng mới vào một hộp đích, hoặc xóa một hộp nguồn. Nhiều thao tác cùng nằm trong một yêu cầu duy nhất, với ref_image_0 đặt tên cho mục đầu tiên trong danh sách tham chiếu. Các điểm ảnh nằm ngoài những hộp được chỉnh sửa, theo tài liệu, "thường giữ nguyên không đổi" — một lời nói giảm nhẹ đáng được đọc theo đúng nghĩa đen.

Grounding được bật mặc định trong gói hình ảnh: tìm kiếm web và hình ảnh chạy trước khi tạo. Kích thước đầu ra được làm tròn thành bội số của 16 và con số thực tế trả về dưới dạng output_mp.

Không có điều nào trong số này xuất hiện trong các tham số của gói video. FLUX 3 Video có cách điều khiển riêng — keyframe, tiếp nối, điều kiện hóa khung đầu và khung cuối — nhưng không có ngôn ngữ tọa độ. Các phần dùng chung một kiến trúc, chứ không phải một giao diện.

Đọc kỹ các so sánh của chính nhà cung cấp

Black Forest Labs đã công bố kết quả ưu tiên cho FLUX 3 Video, và chúng đáng được trích dẫn kèm theo nguồn gốc xuất xứ. Các lần chạy này do nhà cung cấp thực hiện, mang tính sơ bộ, và được tính điểm theo tỷ lệ thắng trên đầu ra 720p dài 10 giây:

• So với Luma Ray 3.2 — 93% ưu tiên dành cho FLUX 3 Video.

• So với Runway Gen-4.5 — 77%.

• So với Grok Imagine Video — 69%.

• So với Kling v3 Pro — 60%.

• So với Happy Horse v1 và v1.1 — 59% và 57%.

• So với Seedance 2.0 và Gemini Omni Flash — khoảng 52% mỗi bên, về bản chất là một sự hòa nhau về mặt thống kê dù con số có cao hơn một nửa.

Mức phân tán từ 93% xuống 52% trong toàn bộ danh sách đó mang nhiều thông tin hơn bất kỳ dòng đơn lẻ nào. Chưa có ai ngoài BFL thực hiện những so sánh này, và những kết quả dưới 55% ở cuối danh sách mới là thứ cho bạn biết mô hình thực sự đang bị tranh chấp ở đâu.

Hoàn toàn không có số liệu tương đương nào cho FLUX 3 Image. Các bảng text-to-image và chỉnh sửa của Artificial Analysis đã được kiểm tra vào ngày 1 tháng 10 và một lần nữa vào ngày 2 tháng 10 năm 2026, và cả hai đều không có mục FLUX 3 Image nào. Dòng FLUX.2 vẫn là nơi các điểm số công bố của BFL dừng lại: FLUX.2 [max] đạt 1021 Elo trên bảng tạo ảnh và 996 trên bảng chỉnh sửa, với FLUX.2 [dev] được cố định làm mốc neo 1000 trên cả hai. Bậc hình ảnh này mới ra đời được một ngày và chưa được đo lường.

Chọn giữa các tên

Sự lựa chọn không hẳn nằm ở việc mô hình nào tốt hơn, mà là ở việc vấn đề của bạn nằm trong tầng nào trong ba tầng đã được phát hành.

Nếu bạn cần ảnh tĩnh có khả năng kiểm soát không gian, FLUX 3 Image là gói duy nhất có ngôn ngữ tọa độ, và với mức $0.048 một ảnh ở 1K thì nó đủ rẻ để đánh giá nghiêm túc thay vì tranh cãi. Hãy bắt đầu từ đó, kiểm chứng tuyên bố "thường giữ nguyên không đổi" trên chính các khung hình của bạn, và để ý mức nhảy 6.07× từ 2K lên 4K trong danh sách khi bạn định cỡ các lô của mình.

Nếu bạn cần chuyển động, FLUX 3 Video là một sản phẩm tính phí theo mức sử dụng đã trưởng thành, với các bậc độ phân giải lên tới UHD và clip dài 20 giây mang âm thanh đồng bộ. Hãy so sánh nó với những mô hình mà nó được tạo ra để thay thế, chứ không phải với bậc hình ảnh — chúng không phải là lựa chọn thay thế cho nhau.

Nếu bạn cần trọng số, câu trả lời hiện nay là FLUX 3 Action theo một thỏa thuận đối tác, còn nếu không thì là FLUX.2. Cả hạng video lẫn hạng hình ảnh đều không thể tải xuống, và việc phát hành mở của hạng hình ảnh chỉ là ý định được tuyên bố mà không có ngày cụ thể.

Cả FLUX 3 lẫn FLUX 3 Image đều không có trong danh mục của OrcaRouter, nên muốn gọi một trong hai đều đồng nghĩa với việc phải đến trực tiếp Black Forest Labs. Giá trị mà một router trung lập với nhà cung cấp mang lại trong một pipeline được xây dựng quanh họ mô hình này nằm ở lớp bao quanh lệnh gọi sinh ảnh: bước viết lại prompt, bước kiểm tra thị giác đối chiếu bản render với yêu cầu ban đầu, và bộ phân loại sắp xếp đầu ra vào các nhóm chấp nhận và loại bỏ. Những bước này thay đổi thường xuyên hơn nhiều so với bản thân mô hình hình ảnh, và việc hoán đổi nhà cung cấp phía sau một endpoint tương thích với OpenAI — với giá niêm yết của nhà cung cấp được chuyển nguyên không cộng thêm, tự động chuyển đổi dự phòng khi một backend suy giảm, và một DSL định tuyến khi bạn muốn ghim hoặc chủ động chuyển sang phương án dự phòng — chính là sự khác biệt giữa một pipeline bám sát thị trường và một pipeline phải triển khai lại mỗi khi một mô hình bị ngừng hỗ trợ.

Lời kết trung thực là một quy ước đặt tên. Khi ai đó nói FLUX 3 và đưa bạn một bảng giá, họ muốn nói đến endpoint hình ảnh. Khi họ nói cụm đó và đưa bạn một bảng thông số kỹ thuật về phân bổ token âm thanh, họ muốn nói đến thông báo tháng Bảy. Khoảng cách giữa hai tài liệu đó là chín tuần và ba bậc đã phát hành, và nó vẫn đang ngày càng rộng ra.