FLUX 3 Max genera 10 segundos de vídeo en 11: el benchmark lleva asterisco

El 19 de octubre, fal presentó un modelo de vídeo llamado FLUX 3 Max y lo abrió con una cifra fácil de leer mal: 10,95 segundos para generar un clip de 10 segundos. No es una puntuación de benchmark. Es tiempo de reloj, y viene a ser la duración del propio clip.

La comparación que fal puso al lado es lo interesante. En el mismo nivel de calidad, Seedance 2.5 tarda 277,80 segundos en producir 10 segundos de vídeo. Mismo nivel, 22 veces más espera. Frente al FLUX 3 original, fal dice que la calidad de imagen a vídeo pasó de 1089 a 1139 de Elo mientras la latencia bajaba de 126,44 segundos a 10,95, lo que sale a unas 11,5 veces más rápido.

Si esas cifras se sostienen en uso normal, cambian la forma de trabajar más que una mejora de calidad. Esperar cuatro minutos es una decisión. Esperar once segundos es un scroll.

Qué es FLUX 3 Max en realidad

No es un modelo base nuevo. Black Forest Labs hizo FLUX 3 y fal Research le aplicó post-entrenamiento: aprendizaje por refuerzo, trabajo de adherencia al prompt y optimización de inferencia, orientados a fidelidad de imagen, coherencia de movimiento y seguimiento de la instrucción. Corre en la plataforma de inferencia de fal y admite texto a vídeo, imagen a vídeo y fotograma clave a vídeo.

Robin Rombach, CEO de Black Forest Labs, presentó FLUX 3 como una base sobre la que otros construirían. Burkay Gur, CEO de fal, puso el acento en los sistemas: sostuvo que una de las ganancias importantes que quedan en la IA generativa es optimizar el modelo junto con el sistema que lo ejecuta. Es una descripción justa de este lanzamiento. La mayor parte de la velocidad vino del lado del servicio, no de un modelo más grande.

El asterisco del 1139

La cifra de Elo viene de la arena de vídeo de Artificial Analysis, donde las personas eligen entre resultados. fal reporta 1139 en imagen a vídeo y dice que sitúa al modelo en el primer nivel. También dice que la puntuación procede de una evaluación preliminar de 4.868 votos y que su intervalo de confianza aún se solapa con el del modelo mejor puntuado. La formulación de fal es que está en el primer nivel, no que esté solo en la cima.

Merece la pena quedarse con esa distinción, porque un 22x de velocidad junto a una calidad de primer nivel se lee como victoria limpia, y la afirmación real es más estrecha: con una calidad juzgada más o menos igual, es mucho más rápido. Si la calidad es algo mejor o algo peor que la del líder sigue dentro de las barras de error.

Está también la distancia habitual entre los votos de arena y el trabajo de producción. Los prompts de arena son cortos y autónomos. Los encargos reales incluyen la foto de referencia de una persona concreta, un producto concreto, un lugar concreto y un cliente que notará si el logo cambia de forma entre fotogramas.

Por qué la latencia es el producto

La generación de vídeo lleva dos años compitiendo en duración y resolución. Treinta segundos, 4K, audio nativo, consistencia entre varios sujetos. Esos son los números de las fichas técnicas, y en octubre ya habían convergido: Kling 4.0, Seedance 2.5 y Wan 3.0 anuncian hasta 30 segundos en una sola pasada.

La velocidad es otro tipo de número, porque cambia cuántos intentos puede permitirse una persona. Un artista de storyboard que espera cuatro minutos por plano prueba tres versiones y elige la mejor de tres. El mismo artista esperando once segundos prueba treinta y elige la mejor de treinta. El techo del modelo no cambió. El suelo de lo que se entrega, sí.

Por eso importa el precio. Fal bajó la tarifa un 75% las tres primeras semanas. Es una promoción de lanzamiento, no una estructura de costes, y quien haga presupuesto con ella debería calcular al precio sin descuento. Tres semanas dan para montar una demo y son lo bastante cortas como para que nadie se acuerde cuando llegue la factura.

Qué comprobar antes de cambiar

Tres cosas, por orden.

Primero, pasa tu propio material por él. El Elo de arena te dice cómo ordenó una multitud clips cortos que no le importaban. No te dice si el envase de tu producto sale bien ni si una cara se mantiene cuando la cámara se mueve. La ventaja verificada más sólida de fal es imagen a vídeo, que es además el modo que usa la mayoría del trabajo comercial. Texto a vídeo puro es el modo que necesita su propia prueba.

Segundo, mira qué pasa al reintentar. Una primera generación rápida es solo la mitad del bucle. Si un re-render mueve toda la composición, los once segundos ahorrados se convierten en un minuto reescribiendo el prompt.

Tercero, lee con cuidado el lenguaje de hoja de ruta. Fal dice que esta es la primera versión de FLUX 3 Max y que viene más post-entrenamiento. Es normal en un modelo post-entrenado, y también significa que lo que evalúes hoy no es lo que estarás usando en seis semanas. Fija una versión si lo metes en un pipeline.

El modo de fotograma clave merece su propia prueba, porque es el menos comentado y quizá el más útil para producción. Fotograma clave a vídeo significa que das el primer y el último fotograma y el modelo rellena el intervalo. Eso convierte un problema de generación en uno de interpolación, mucho más fácil de controlar cuando un cliente ya aprobó dos composiciones concretas. Si el modo aguanta, el flujo pasa a ser: generar fijas con un modelo de imagen, conseguir el visto bueno y animar entre fotogramas aprobados. Así trabajan ya las agencias con storyboards, y encaja en la cadena de aprobación existente en lugar de saltársela.

La parte que recibió menos atención

El detalle más consecuente es lo que este lanzamiento dice sobre de dónde viene ahora la calidad. FLUX 3 Max no es un modelo más grande que FLUX 3. Es la misma base, mejor entrenada y mejor servida por una empresa cuyo negocio es la inferencia.

Ese patrón aparece por todas partes este mes. El modelo de diez minutos de VideoGen es, según una lectura externa de su whitepaper, una versión post-entrenada de un modelo base existente envuelta en un pipeline de planificación. Creatify hizo post-entrenamiento de MiniMax H3 para anuncios. El modelo base se está convirtiendo en insumo de mercado, y la diferenciación se desplaza al post-entrenamiento, la orquestación y el coste de servicio.

Para los compradores es sobre todo una buena noticia. Significa que el techo que fija un laboratorio concreto importa menos que antes, y la pregunta práctica pasa a ser qué versión alojada de qué modelo base encaja con tu trabajo a un precio defendible. Para los laboratorios significa que el foso es más fino de lo que sugieren los recuentos de parámetros.

FLUX 3 Max merece una prueba esta semana justamente porque probarlo es barato. Once segundos por intento es un coste lo bastante bajo para averiguar si funciona con tu material, en lugar de leer otra tabla de arena y suponer.