Black Forest Labs、ロボット制御モデル FLUX 3 Action を公開──pi0.5 比 1.66 倍の制御速度と成功率 42.2%
70 億パラメータのオープンウェイト World Action Model として、カメラ映像とロボット状態から次世代アクションと予測シーンを 1 フォワードパスで同時出力する。
リリース: 2026-09-23 · 読了 4 分記事の要約
1. 核心（What）
- Black Forest Labs が 70 億パラメータの World Action Model (WAM) である FLUX 3 Action を公開した。
- モデルはカメラ映像、ロボットの状態、自然言語の指示を受け取り、次のアクションと未来の予測シーンを同時に出力する。
- RoboLab ベンチマークにて単一ステップ版が 38.3%、ガイダンス蒸留版が 42.2% の成功率を記録した。
- Hugging Face にてモデル重み、コード、ファインチューニングレシピが配布されており、LeRobot および NVIDIA Jetson をサポートする。
2. 影響（Why）
- 推論コストを抑えた WAM の導入: 従来の WAM が抱えていた高い推論コストの課題を、小規模なバックボーンと蒸留技術によって解消しているため、エッジデバイス環境での実運用を検討しやすくなる。
- 国内ロボティクス開発への影響: [国内 FA・ロボットSIer 規模] のような事業者やロボット開発チームは、NVIDIA Jetson や LeRobot を組み合わせたエッジ環境での低レイテンシ制御検証を直ちに開始できる。
3. 根拠・詳細（How）
- マルチモーダル Transformer アーキテクチャ: テキスト、ビデオ、ロボット状態のトークンを共有 Transformer で処理し、分離されたデコーダヘッドから将来のフレームとロボットのアクションを同時生成する。
- 効率化を支える蒸留技術: 分類器フリーガイダンスの 2 回目の順方向パスを削減するガイダンス蒸留と、4 回の反復サンプリングステップを 1 回に圧縮するステップ蒸留を適用している。
4. 展望・課題（Next）
- 多様な環境への汎化検証: 開発パートナーによる評価は限定的な試行回数に留まっており、より広範なロボットプラットフォームや環境変化における信頼性の検証が必要となる。