FLUX-mimic 以影片生成骨幹預測機器人動作，單張 RTX 5090 將反應時間壓至 101 毫秒

Black Forest Labs 與 mimic robotics 發表 FLUX-mimic，嘗試把生成影片時學到的物理動態直接轉成機器人控制。其基礎 FLUX 3 從一開始便聯合訓練影像、影片與音訊；團隊再加入動作模態，並以人類操作影片、穿戴式裝置示範、遙控及實際部署資料補強機器人能力。BFL 表示，加入動作預測初期曾使影片品質下降最多 10%，但約 3,500 個訓練步驟後恢復原有水準，顯示生成與控制可共用骨幹，而不必長期犧牲內容生成能力。

推論時，系統不需要先生成完整影片再解析動作。FLUX 3 骨幹預測場景如何演變，緊湊的動作解碼器直接讀取其中的潛在表徵，以去噪方式產生一段機器人動作；世界模型只需執行一次前向傳播。mimic 同時讓感測器、模型與致動器管線重疊執行，宣稱骨幹在單張 RTX 5090 上少於 80 毫秒，整體反應時間為 101 毫秒。

在真實機器人的軟性物件分揀任務中，預覽版未做單一任務微調便取得 95% 完成率；團隊列出的比較基線分別為經其資料調整的 π0.5（55%），以及針對該任務大量後訓練的 flow-matching policy（70%）。Audi 也正測試車門組裝、密封條及線纜處理等案例。

這項工作值得注意之處，是把大量無動作標註的人類影片納入機器人資料管線，降低對昂貴遙控示範的依賴。不過，成功率、比較設定與「部署」描述都來自合作團隊；權重、訓練資料、試驗次數及跨機器人結果尚未公開。接下來應觀察它能否在獨立評測、不同硬體及分布外任務維持可靠度，以及失敗時是否具備可驗證的安全停止機制。