FLUX 3 Max rend 10 secondes de vidéo en 11. Le benchmark, lui, a un astérisque.

Le 19 octobre, fal a annoncé un modèle vidéo baptisé FLUX 3 Max, en ouvrant sur un chiffre facile à mal lire : 10,95 secondes pour générer un clip de 10 secondes. Ce n'est pas un score de benchmark. C'est le temps réel, et il correspond à peu près à la durée du clip lui-même.

La comparaison placée juste à côté est la partie intéressante. À qualité comparable, Seedance 2.5 met 277,80 secondes pour produire 10 secondes de vidéo. Même niveau, 22 fois l'attente. Face au FLUX 3 d'origine, fal annonce une qualité image-vers-vidéo passée de 1089 à 1139 Elo, avec une latence tombée de 126,44 secondes à 10,95, soit environ 11,5 fois plus rapide.

Si ces chiffres tiennent en usage réel, ils changent plus la façon de travailler qu'un gain de qualité. Attendre quatre minutes, c'est une décision. Attendre onze secondes, c'est un scroll.

Ce qu'est vraiment FLUX 3 Max

Ce n'est pas un nouveau modèle de base. FLUX 3 est de Black Forest Labs, et fal Research l'a post-entraîné : apprentissage par renforcement, travail sur le respect du prompt, optimisation de l'inférence, avec pour objectifs la fidélité de l'image, la cohérence du mouvement et le suivi de la consigne. Il tourne sur la plateforme d'inférence de fal et gère texte-vers-vidéo, image-vers-vidéo et keyframe-vers-vidéo.

Robin Rombach, PDG de Black Forest Labs, présentait FLUX 3 comme une base sur laquelle d'autres bâtiraient. Burkay Gur, PDG de fal, met l'accent sur les systèmes : selon lui, l'un des gains importants qui restent en IA générative consiste à optimiser le modèle avec le système qui l'exécute. C'est une description juste de cette sortie. L'essentiel de la vitesse vient du service, pas d'un modèle plus gros.

L'astérisque sur le 1139

Le chiffre Elo vient de l'arène vidéo d'Artificial Analysis, où des humains choisissent entre des sorties. fal annonce 1139 en image-vers-vidéo et place le modèle dans le premier tier. fal précise aussi que le score vient d'une évaluation préliminaire portant sur 4 868 votes, et que son intervalle de confiance recoupe encore celui du modèle le mieux noté. La formulation de fal est « dans le premier tier », pas « seul en tête ».

Cette nuance mérite d'être retenue, parce qu'un « 22 fois plus rapide » collé à une « qualité premier tier » se lit comme une victoire nette, alors que l'affirmation réelle est plus étroite : à qualité jugée à peu près égale, c'est beaucoup plus rapide. Savoir si la qualité est un peu meilleure ou un peu moins bonne que celle du leader reste dans les barres d'erreur.

Il y a aussi l'écart habituel entre les votes d'arène et le travail de production. Les prompts d'arène sont courts et autonomes. Un vrai projet, c'est une image de référence d'une personne précise, d'un produit précis, d'un lieu précis, et un client qui remarquera si le logo change de forme entre deux plans.

Pourquoi la latence est le produit

La génération vidéo a passé deux ans à se battre sur la durée et la résolution. Trente secondes, 4K, audio natif, cohérence multi-sujets. Ce sont les chiffres des fiches techniques, et en octobre ils avaient convergé : Kling 4.0, Seedance 2.5 et Wan 3.0 annoncent tous jusqu'à 30 secondes en une seule passe.

La vitesse est un autre type de chiffre, parce qu'elle change le nombre d'essais qu'une personne peut s'offrir. Un storyboarder qui attend quatre minutes par plan tente trois versions et garde la meilleure des trois. Le même, à onze secondes, en tente trente et garde la meilleure des trente. Le plafond du modèle n'a pas bougé. Le plancher de ce qui est livré, si.

C'est aussi pour ça que le prix compte. Fal a coupé ses tarifs de 75 % pendant les trois premières semaines. C'est une promotion de lancement, pas une structure de coûts, et quiconque bâtit un budget dessus devrait chiffrer le modèle au tarif plein. Trois semaines, c'est assez long pour faire une démo et assez court pour être oublié le jour où la facture arrive.

Ce qu'il faut vérifier avant de basculer

Trois choses, dans l'ordre.

D'abord, passez vos propres rushes dedans. L'Elo d'arène dit comment une foule a classé des clips courts qui ne la concernaient pas. Il ne dit pas si le packaging de votre produit sort correctement, ni si un visage tient ensemble quand la caméra bouge. L'avantage vérifié le plus solide de fal, c'est l'image-vers-vidéo, qui est aussi le mode le plus utilisé en production commerciale. Le texte-vers-vidéo pur, lui, mérite son propre test.

Ensuite, regardez ce qui se passe en cas de nouvel essai. Une première génération rapide ne fait que la moitié du travail. Si un nouveau rendu fait dériver toute la composition, les onze secondes gagnées deviennent une minute de re-prompting.

Enfin, lisez attentivement la feuille de route. Fal dit qu'il s'agit de la première version de FLUX 3 Max et que du post-entraînement arrive. C'est normal pour un modèle post-entraîné, et cela veut aussi dire que ce que vous évaluez aujourd'hui ne sera pas ce que vous ferez tourner dans six semaines. Épinglez une version si vous l'intégrez à un pipeline.

Le mode keyframe mérite son propre test, car c'est le moins commenté et peut-être le plus utile en production. Keyframe-vers-vidéo signifie que vous fournissez la première et la dernière image et que le modèle remplit l'intervalle. On transforme ainsi un problème de génération en problème d'interpolation, beaucoup plus facile à contrôler quand un client a déjà validé deux compositions précises. Si ce mode tient, le flux devient : générer des images fixes avec un modèle image, faire valider, puis animer entre des images approuvées. C'est déjà comme ça que les agences travaillent avec des storyboards, et ça s'insère dans la chaîne de validation existante au lieu de la contourner.

La partie qui a moins retenu l'attention

Le détail le plus lourd de conséquences, c'est ce que cette sortie dit de l'origine de la qualité. FLUX 3 Max n'est pas un modèle plus gros que FLUX 3. C'est la même base, mieux entraînée et mieux servie par une entreprise dont le métier est l'inférence.

Ce schéma apparaît partout ce mois-ci. Le modèle dix minutes de VideoGen est, selon une lecture tierce de son livre blanc, une version post-entraînée d'un modèle de base existant, enveloppée dans un pipeline de planification. Creatify a post-entraîné MiniMax H3 pour la publicité. Le modèle de base devient une matière première banale, et la différenciation se déplace vers le post-entraînement, l'orchestration et le coût de service.

Pour les acheteurs, c'est plutôt une bonne nouvelle. Le plafond fixé par un labo donné compte moins qu'avant, et la question pratique devient : quelle version hébergée de quel modèle de base convient à votre travail, à un prix défendable. Pour les labos, cela veut dire que la douve est plus fine que ne le suggèrent les nombres de paramètres.

FLUX 3 Max vaut un test cette semaine précisément parce que le test est bon marché. Onze secondes par essai, c'est un coût assez faible pour savoir si ça marche sur vos rushes, au lieu de lire un énième tableau d'arène et de deviner.