FLUX 3 Max は10秒の動画を11秒で描く。ただしベンチマークには注釈が付く

10月19日、fal は FLUX 3 Max という動画モデルを発表し、誤読されやすい数字を先頭に置いた。10秒のクリップを10.95秒で生成する、という数字だ。これはベンチマークのスコアではない。実時間であり、クリップ自体の長さとほぼ同じである。

その隣に fal が並べた比較のほうが面白い。同じ品質ティアで、Seedance 2.5 が10秒の動画を作るのに277.80秒かかる。同じティアで、待ち時間は22倍。従来の FLUX 3 と比べると、fal によれば画像to動画の品質は Elo 1089 から1139へ上がり、レイテンシは126.44秒から10.95秒へ短縮された。計算上およそ11.5倍速い。

これらの数字が通常の利用でも維持されるなら、品質の向上よりも人の働き方を変える。4分の待ちは判断になる。11秒の待ちはスクロールになる。

FLUX 3 Max とは何か

新しいベースモデルではない。FLUX 3 は Black Forest Labs が作り、fal Research が事後学習を施した。強化学習、プロンプト追従の改善、推論最適化で、狙いは画像の忠実度、動きの整合性、プロンプトへの追従にある。fal の推論基盤上で動作し、テキストto動画、画像to動画、キーフレームto動画に対応する。

Black Forest Labs の CEO、Robin Rombach は FLUX 3 を、他社がその上に築くベースだと位置づけた。fal の CEO、Burkay Gur はシステムに重心を置いた。生成 AI で残された重要な改善の一つは、モデルとそれを動かすシステムをまとめて最適化することだと主張した。今回のリリースをよく表している。速度の大半はモデルを大きくしたのではなく、提供側から来ている。

1139に付く注釈

Elo の数字は Artificial Analysis の動画アリーナによるもので、人間が出力を選ぶ。fal は画像to動画で1139と報告し、モデルを最上位ティアに置くとしている。同時に、スコアは4,868票の予備評価によるもので、信頼区間は最高スコアのモデルとまだ重なっているとも述べている。fal 自身の表現は「第1ティアに入る」であって、「単独で頂点に立つ」ではない。

この区別は保持しておく価値がある。22倍の速度という主張の隣に第1ティアの品質という主張が並ぶと、きれいな勝利に見えるが、実際の主張はもっと狭い。おおよそ同じ評価品質で、はるかに速い、というだけだ。品質がリーダーよりわずかに上か下かは、まだ誤差の範囲にある。

アリーナの投票と実務の間には、いつもの溝もある。アリーナのプロンプトは短く自己完結している。実際の案件には、特定の人物、特定の商品、特定の場所の参照画像があり、フレーム間でロゴの形が変われば気づくクライアントがいる。

なぜレイテンシが製品なのか

動画生成は2年間、クリップの長さと解像度で競ってきた。30秒、4K、ネイティブ音声、複数被写体の一貫性。それがスペックシートの数字で、10月までに収束した。Kling 4.0、Seedance 2.5、Wan 3.0 はいずれも1回の生成で最大30秒をうたう。

速度は種類の違う数字だ。人が許容できる試行回数を変えるからである。1カットに4分待つ絵コンテ作家は3案を試し、3案から選ぶ。同じ作家が11秒待つなら30案を試し、30案から選ぶ。モデルの上限は何も変わっていない。出荷されるものの下限が変わった。

価格が効く理由もここにある。fal は最初の3週間、価格を75%下げた。これはローンチプロモーションであってコスト構造ではない。これをもとに予算を組む人は、割引前の価格で見積もるべきだ。3週間はデモを作るには十分長く、請求書が届く頃には忘れられている程度に短い。

乗り換える前に確認すべきこと

三つ、順番に。

第一に、自分の素材で動かすこと。アリーナの Elo は、利害のない短いクリップを群衆がどう評価したかを示す。あなたの商品のパッケージが正しく描画されるか、カメラが動いたときに顔が崩れないかは示さない。fal が検証済みで最も強い優位は画像to動画で、これは商用案件が最も使うモードでもある。純粋なテキストto動画は自分でテストすべきモードだ。

第二に、再試行で何が起きるかを見ること。1回目の生成が速いのはループの半分にすぎない。再レンダリングで構図全体がずれるなら、節約した11秒は1分のプロンプトやり直しに変わる。

第三に、ロードマップの文言を注意して読むこと。fal はこれが FLUX 3 Max の最初のバージョンで、事後学習をさらに進めるとしている。事後学習モデルとしては普通のことだが、今日ベンチマークしたものが6週間後に動かしているものではないという意味でもある。パイプラインに入れるならバージョンを固定すること。 キーフレームモードは独自にテストする価値がある。最も議論されておらず、制作では最も有用かもしれないからだ。キーフレームto動画は最初と最後のフレームを渡すと、モデルがその間を埋める。生成問題を補間問題に変えることで、クライアントが特定の2つの構図をすでに承認している場合、制御ははるかに容易になる。キーフレームモードが機能するなら、ワークフローはこうなる。画像モデルでスチルを生成し、承認を取り、承認済みのフレーム間を動かす。代理店が絵コンテで既にやっているやり方で、既存の承認フローを迂回せずに済む。

あまり注目されなかった部分

より重要なのは、品質がどこから来るようになったかについてのこのリリースの示唆だ。FLUX 3 Max は FLUX 3 より大きなモデルではない。同じベースを、推論を事業とする企業がより良く学習し、より良く提供したものだ。

そのパターンは今月どこにでも現れている。VideoGen の10分モデルは、第三者がホワイトペーパーを読んだ解釈によれば、既存ベースモデルに事後学習を施し、計画パイプラインで包んだものだ。Creatify は広告向けに MiniMax H3 を事後学習した。ベースモデルはコモディティの入力になりつつあり、差別化は事後学習、オーケストレーション、提供コストへ移っている。

買う側にとっては、おおむね良い知らせだ。単一のラボが決める上限の意味が以前より小さくなり、実務的な問いは「どのベースモデルのどのホスト版が、説明可能な価格で自分の仕事に合うか」になる。ラボにとっては、堀はパラメータ数が示すより浅いという意味だ。

FLUX 3 Max を今週試す価値があるのは、まさに試すのが安いからだ。1回11秒というコストは、別のアリーナ表を読んで推測するより、自分の素材で動くかどうかを確かめるのに十分低い。