FLUX 3 Max rendert 10 Sekunden Video in 11 – der Benchmark hat ein Sternchen

Am 19. Oktober kündigte fal ein Videomodell namens FLUX 3 Max an und führte mit einer Zahl, die leicht falsch gelesen wird: 10,95 Sekunden, um einen 10-Sekunden-Clip zu erzeugen. Das ist kein Benchmark-Wert. Es ist die reale Rechenzeit, und sie entspricht ungefähr der Länge des Clips selbst.

Der Vergleich, den fal danebenstellt, ist der interessante Teil. Auf derselben Qualitätsstufe braucht Seedance 2.5 277,80 Sekunden für 10 Sekunden Video. Gleiche Stufe, 22-fache Wartezeit. Gegenüber dem ursprünglichen FLUX 3 sei die Image-to-Video-Qualität von 1089 auf 1139 Elo gestiegen, während die Latenz von 126,44 Sekunden auf 10,95 fiel – rund 11,5-mal schneller.

Wenn diese Zahlen im normalen Betrieb halten, verändern sie die Arbeitsweise stärker als ein Qualitätssprung. Vier Minuten Wartezeit sind eine Entscheidung. Elf Sekunden sind ein Scrollen.

Was FLUX 3 Max eigentlich ist

Es ist kein neues Basismodell. FLUX 3 stammt von Black Forest Labs, fal Research hat es nachtrainiert: Reinforcement Learning, Arbeit an der Prompt-Treue und Inferenz-Optimierung, ausgerichtet auf Bildtreue, Bewegungskohärenz und Befolgung des Prompts. Es läuft auf fals Inferenzplattform und unterstützt Text-to-Video, Image-to-Video und Keyframe-to-Video.

Robin Rombach, CEO von Black Forest Labs, hat FLUX 3 als Basis beschrieben, auf der andere aufbauen. Burkay Gur, CEO von fal, legte den Schwerpunkt auf Systeme: Einer der wichtigeren verbleibenden Gewinne in generativer KI sei, das Modell gemeinsam mit dem System zu optimieren, das es ausführt. Das beschreibt dieses Release ziemlich genau. Der Großteil des Tempos kommt von der Serving-Seite, nicht von einem größeren Modell.

Das Sternchen bei 1139

Die Elo-Zahl stammt aus der Video-Arena von Artificial Analysis, in der Menschen zwischen Ausgaben wählen. fal meldet 1139 für Image-to-Video und sagt, das Modell liege damit in der obersten Stufe. Zugleich sagt fal, der Wert komme aus einer vorläufigen Auswertung mit 4.868 Stimmen, und das Konfidenzintervall überlappe noch mit dem höchstbewerteten Modell. fals eigene Formulierung lautet: erste Stufe, nicht allein an der Spitze.

Diese Unterscheidung sollte man festhalten, denn eine 22-fache Geschwindigkeit neben einer Qualitätsaussage der ersten Stufe liest sich wie ein klarer Sieg – und die tatsächliche Aussage ist enger: Bei ungefähr gleicher bewerteter Qualität ist es deutlich schneller. Ob die Qualität etwas besser oder etwas schlechter ist als beim Spitzenreiter, liegt noch innerhalb der Fehlerbalken.

Dazu kommt die übliche Lücke zwischen Arena-Stimmen und Produktionsarbeit. Arena-Prompts sind kurz und in sich geschlossen. Echte Aufträge enthalten ein Referenzbild einer bestimmten Person, eines bestimmten Produkts, eines bestimmten Ortes – und einen Kunden, der merkt, wenn das Logo zwischen zwei Frames die Form ändert.

Warum die Latenz das Produkt ist

Die Videogenerierung hat zwei Jahre lang über Cliplänge und Auflösung konkurriert. Dreißig Sekunden, 4K, nativer Ton, Konsistenz über mehrere Motive. Das sind die Zahlen auf den Datenblättern, und bis Oktober hatten sie sich angenähert: Kling 4.0, Seedance 2.5 und Wan 3.0 werben alle mit bis zu 30 Sekunden in einem Durchgang.

Tempo ist eine andere Art von Zahl, weil es die Zahl der Versuche verändert, die sich jemand leisten kann. Ein Storyboard-Zeichner, der vier Minuten pro Einstellung wartet, probiert drei Varianten und nimmt die beste von drei. Derselbe Zeichner bei elf Sekunden probiert dreißig und nimmt die beste von dreißig. Am oberen Limit des Modells hat sich nichts geändert. Am unteren Rand dessen, was ausgeliefert wird, schon.

Deshalb ist auch der Preis wichtig. fal senkte den Preis für die ersten drei Wochen um 75 Prozent. Das ist eine Launch-Aktion, keine Kostenstruktur, und wer sein Budget darauf baut, sollte mit dem unrabattierten Preis rechnen. Drei Wochen reichen für eine Demo und sind kurz genug, um vergessen zu sein, wenn die Rechnung kommt.

Was man prüfen sollte, bevor man wechselt

Drei Dinge, in dieser Reihenfolge.

Erstens: eigenes Material durchlaufen lassen. Arena-Elo sagt, wie eine Menge kurze Clips bewertet hat, an denen sie kein eigenes Interesse hatte. Es sagt nicht, ob die Verpackung deines Produkts korrekt gerendert wird oder ob ein Gesicht zusammenhält, wenn die Kamera sich bewegt. fals stärkster belegter Vorteil ist Image-to-Video – zugleich der Modus, den die meisten kommerziellen Arbeiten nutzen. Reines Text-to-Video braucht einen eigenen Test.

Zweitens: prüfen, was bei einem erneuten Versuch passiert. Eine schnelle erste Generierung ist nur die halbe Schleife. Wenn ein Re-Render die ganze Komposition verschiebt, werden aus elf gesparten Sekunden eine Minute Nachprompten.

Drittens: die Roadmap-Sprache genau lesen. fal sagt, dies sei die erste Version von FLUX 3 Max, und es komme weiteres Post-Training. Das ist normal für ein nachtrainiertes Modell, und es heißt auch: Was du heute benchmarkst, ist nicht das, was du in sechs Wochen laufen lässt. Wenn es in eine Pipeline soll, Version pinnen.

Der Keyframe-Modus verdient einen eigenen Test, weil er am wenigsten diskutiert wird und für die Produktion womöglich am nützlichsten ist. Keyframe-to-Video heißt: Du gibst das erste und das letzte Bild vor, das Modell füllt das Intervall. Damit wird aus einem Generierungsproblem ein Interpolationsproblem, was viel leichter zu kontrollieren ist, wenn ein Kunde zwei konkrete Kompositionen schon abgesegnet hat. Wenn der Keyframe-Modus hält, sieht der Workflow so aus: Stills mit einem Bildmodell erzeugen, Freigabe holen, dann zwischen den freigegebenen Frames animieren. So arbeiten Agenturen ohnehin mit Storyboards, und es passt in die bestehende Freigabekette, statt sie zu umgehen.

Der Teil, der weniger Aufmerksamkeit bekam

Der folgenreichere Punkt ist, was dieses Release darüber sagt, woher Qualität inzwischen kommt. FLUX 3 Max ist kein größeres Modell als FLUX 3. Es ist dieselbe Basis, besser trainiert und besser ausgeliefert von einem Unternehmen, dessen Geschäft Inferenz ist.

Dieses Muster taucht diesen Monat überall auf. VideoGens Zehn-Minuten-Modell ist laut einer Drittinterpretation seines Whitepapers eine nachtrainierte Version eines bestehenden Basismodells, verpackt in eine Planungs-Pipeline. Creatify hat MiniMax H3 für Werbung nachtrainiert. Das Basismodell wird zur Commodity-Eingabe, und die Differenzierung wandert in Post-Training, Orchestrierung und Serving-Kosten.

Für Käufer ist das überwiegend gute Nachricht. Es heißt, die Obergrenze, die ein einzelnes Labor setzt, zählt weniger als früher, und die praktische Frage lautet, welche gehostete Version welchen Basismodells zu deinem Job passt – zu einem Preis, den du vertreten kannst. Für die Labore heißt es, der Burggraben ist dünner, als die Parameterzahlen vermuten lassen.

FLUX 3 Max lohnt diese Woche einen Test, gerade weil Testen billig ist. Elf Sekunden pro Versuch sind ein niedriger Preis, um herauszufinden, ob es mit deinem Material funktioniert – statt eine weitere Arena-Tabelle zu lesen und zu raten.