O FLUX 3 Max gera 10 segundos de vídeo em 11. O benchmark tem um asterisco.

Em 19 de outubro, a fal anunciou um modelo de vídeo chamado FLUX 3 Max e abriu com um número fácil de ler errado: 10,95 segundos para gerar um clipe de 10 segundos. Não é uma nota de benchmark. É o tempo de relógio, e é mais ou menos a duração do próprio clipe.

A comparação que a fal colocou ao lado é a parte interessante. No mesmo patamar de qualidade, o Seedance 2.5 leva 277,80 segundos para produzir 10 segundos de vídeo. Mesmo patamar, 22 vezes a espera. Contra o FLUX 3 original, a fal diz que a qualidade de imagem-para-vídeo foi de 1089 para 1139 Elo, enquanto a latência caiu de 126,44 segundos para 10,95, o que dá cerca de 11,5 vezes mais rápido.

Se esses números se sustentarem no uso normal, eles mudam mais o jeito de trabalhar do que um ganho de qualidade mudaria. Esperar quatro minutos é uma decisão. Esperar onze segundos é um scroll.

O que o FLUX 3 Max é de fato

Não é um modelo base novo. O FLUX 3 é da Black Forest Labs, e a fal Research fez o pós-treinamento: aprendizado por reforço, trabalho de aderência ao prompt e otimização de inferência, mirando fidelidade de imagem, coerência de movimento e obediência ao prompt. Roda na plataforma de inferência da fal e suporta texto-para-vídeo, imagem-para-vídeo e keyframe-para-vídeo.

Robin Rombach, CEO da Black Forest Labs, apresentou o FLUX 3 como uma base sobre a qual outros construiriam. Burkay Gur, CEO da fal, colocou o peso nos sistemas: argumentou que um dos ganhos mais importantes que ainda restam na IA generativa é otimizar o modelo junto com o sistema que o executa. É uma descrição justa do que este lançamento é. A maior parte da velocidade veio do lado de serving, não de um modelo maior.

O asterisco no 1139

O número de Elo vem da arena de vídeo da Artificial Analysis, onde humanos escolhem entre saídas. A fal reporta 1139 para imagem-para-vídeo e diz que isso coloca o modelo no primeiro escalão. Também diz que a nota vem de uma avaliação preliminar de 4.868 votos e que seu intervalo de confiança ainda se sobrepõe ao do modelo de maior pontuação. A formulação da própria fal é que ele está no primeiro escalão, não que está sozinho no topo.

Vale guardar essa distinção, porque uma alegação de 22 vezes mais velocidade ao lado de uma alegação de qualidade de primeiro escalão soa como vitória limpa, e a alegação real é mais estreita: com qualidade julgada mais ou menos igual, ele é muito mais rápido. Se a qualidade é um pouco melhor ou um pouco pior que a do líder ainda está dentro da margem de erro.

Há também a distância de sempre entre votos de arena e trabalho de produção. Prompts de arena são curtos e autossuficientes. Trabalhos reais envolvem a foto de referência de uma pessoa específica, de um produto específico, de um lugar específico, e um cliente que vai notar se o logo mudar de forma entre um quadro e outro.

Por que a latência é o produto

A geração de vídeo passou dois anos competindo em duração de clipe e resolução. Trinta segundos, 4K, áudio nativo, consistência de múltiplos sujeitos. Esses são os números das fichas técnicas, e em outubro eles já tinham convergido: Kling 4.0, Seedance 2.5 e Wan 3.0 anunciam até 30 segundos em uma única passada.

Velocidade é outro tipo de número, porque muda quantas tentativas uma pessoa pode pagar. Um artista de storyboard que espera quatro minutos por plano testa três versões e escolhe a melhor de três. O mesmo artista esperando onze segundos testa trinta e escolhe a melhor de trinta. Nada no teto do modelo mudou. O piso do que é entregue mudou.

É também por isso que o preço importa. A fal cortou o preço em 75% nas três primeiras semanas. Isso é promoção de lançamento, não estrutura de custo, e quem for montar orçamento em cima disso deve precificar o modelo pelo valor sem desconto. Três semanas é tempo suficiente para montar uma demo e curto o bastante para ser esquecido quando a fatura chegar.

O que checar antes de trocar

Três coisas, nesta ordem.

Primeiro, passe o seu próprio material por ele. O Elo de arena diz como uma multidão classificou clipes curtos com os quais não tinha nenhum vínculo. Não diz se a embalagem do seu produto sai correta, nem se um rosto se mantém quando a câmera se move. A vantagem mais bem verificada da fal é imagem-para-vídeo, que também é o modo mais usado em trabalho comercial. Texto-para-vídeo puro é o modo que precisa de teste próprio.

Segundo, veja o que acontece numa nova tentativa. A primeira geração rápida é só metade do ciclo. Se uma re-renderização desloca a composição inteira, os onze segundos economizados viram um minuto de reescrita de prompt.

Terceiro, leia com cuidado a linguagem de roadmap. A fal diz que esta é a primeira versão do FLUX 3 Max e que vem mais pós-treinamento por aí. Isso é normal para um modelo pós-treinado, e também significa que o que você mede hoje não é o que vai rodar em seis semanas. Fixe uma versão se for colocar isso num pipeline.

O modo keyframe merece teste próprio, porque é o menos discutido e possivelmente o mais útil para produção. Keyframe-para-vídeo significa que você fornece o primeiro e o último quadro e o modelo preenche o intervalo. Isso converte um problema de geração num problema de interpolação, muito mais fácil de controlar quando o cliente já aprovou duas composições específicas. Se o modo keyframe se sustentar, o fluxo vira: gerar stills com um modelo de imagem, conseguir o aval e então animar entre os quadros aprovados. É assim que as agências já trabalham com storyboards, e encaixa na cadeia de aprovação existente em vez de contorná-la.

A parte que recebeu menos atenção

O detalhe mais consequente é o que este lançamento diz sobre de onde vem a qualidade agora. O FLUX 3 Max não é um modelo maior que o FLUX 3. É a mesma base, treinada e servida melhor por uma empresa cujo negócio é inferência.

Esse padrão aparece em todo lugar neste mês. O modelo de dez minutos da VideoGen é, segundo uma leitura de terceiros do seu whitepaper, uma versão pós-treinada de um modelo base existente embrulhada num pipeline de planejamento. A Creatify fez pós-treinamento do MiniMax H3 para anúncios. O modelo base está virando insumo de commodity, e a diferenciação está se mudando para pós-treinamento, orquestração e custo de serving.

Para quem compra, isso é majoritariamente boa notícia. Significa que o teto definido por qualquer laboratório isolado importa menos do que importava, e a pergunta prática passa a ser qual versão hospedada de qual modelo base serve ao seu trabalho por um preço que você consegue defender. Para os laboratórios, significa que o fosso é mais raso do que a contagem de parâmetros sugere.

O FLUX 3 Max vale um teste esta semana justamente porque testar é barato. Onze segundos por tentativa é um custo baixo o suficiente para descobrir se funciona no seu material, em vez de ler mais uma tabela de arena e chutar.