FLUX 3 Action: Black Forest Labs öffnet Robotersteuerung für 24-GB-GPUs

Black Forest Labs aus Freiburg ist bislang für Bildgeneratoren bekannt. Mit FLUX 3 Action hat das Unternehmen am 23. September ein offenes Modell veröffentlicht, das Roboterarme steuert: Es sieht durch Kameras, versteht eine Anweisung in Alltagssprache und plant die nächsten Bewegungen. Die Gewichte liegen frei bei Hugging Face, das Modell läuft auf einer Grafikkarte mit 24 Gigabyte Speicher und lässt sich mit wenigen hundert Beispielen auf einen neuen Arm anlernen. Damit rückt ein Robotik-Modell, das nach Herstellerangaben zur Spitze gehört, in die Reichweite von Hochschulen, Start-ups und Bastlern.

Das Wichtigste in Kürze

• FLUX 3 Action ist ein offenes Modell mit 7 Milliarden Parametern, das aus Kamerabildern, Gelenkstellung und einer Textanweisung die nächsten 32 Roboterbewegungen berechnet.
• Im Simulations-Benchmark RoboLab-120 von Nvidia meldet Black Forest Labs 42,92 Prozent gelöste Aufgaben, vor Nvidias eigenem Cosmos3-Nano-Policy mit 36,8 Prozent. Die Rangliste war zum Start noch nicht unabhängig aktualisiert.
• In einem Blindtest der Firma Positronic Robotics an einem echten Franka-Arm gelangen 28 von 30 Versuchen.
• Mit FP8-Quantisierung passt das Modell auf Grafikkarten mit 24 Gigabyte, ein fertiges Setup gibt es für den quelloffenen Bastelarm SO-101, dessen Teile laut Stückliste rund 124 Euro kosten.
• Die Lizenz erlaubt nichtkommerzielle Nutzung und kommerzielle Nutzung für Firmen unter fünf Millionen Dollar Jahresumsatz; größere Unternehmen brauchen eine eigene Vereinbarung.

Ein Modell, das Bewegung vorhersagt wie ein Video

Die meisten Robotik-Modelle der vergangenen Jahre sind sogenannte Vision-Language-Action-Modelle: Sprachmodelle, die neben Text auch Bilder lesen und am Ende Steuerbefehle ausgeben. Black Forest Labs wählt einen anderen Weg und nennt sein System ein World Action Model. Gemeint ist ein Modell, das nicht nur die nächsten Bewegungen vorhersagt, sondern gleichzeitig, wie die Szene danach aussehen wird. Aktionen und künftige Videobilder entstehen in einem gemeinsamen Rechenschritt.

Das erklärt die Herkunft. FLUX 3, das im Juli vorgestellte Basismodell der Freiburger, wurde laut Hugging-Face-Blog der Entwickler zu über 95 Prozent mit Videodaten trainiert. Wer Millionen Clips gesehen hat, in denen Hände Tassen greifen oder Schubladen schließen, bringt ein grobes Verständnis dafür mit, wie sich Dinge bewegen. Für die Robotik-Fassung kamen Daten aus Fernsteuerung von Robotern mit 14 verschiedenen Bauformen hinzu, Aufnahmen menschlicher Hände aus der Ich-Perspektive und Mitschnitte aus Videospielen.

Im Betrieb bekommt das Modell die aktuellen Kamerabilder, die Stellung der Gelenke und eine Anweisung wie „Leg den Schwamm in die Schüssel“. Es liefert daraufhin 32 Bewegungsschritte, beim Standard-Roboterarm rund zwei Sekunden Bewegung. Der Roboter führt die ersten davon aus, schaut erneut hin und plant neu. Die vorhergesagten Videobilder werden beim Steuern gar nicht erst entschlüsselt, das spart Rechenzeit. Als Textverständnis ist das offene Modell Qwen3-VL-4B von Alibaba eingebaut.

Was die Zahlen hergeben

RoboLab-120 ist ein Simulations-Benchmark von Nvidia mit 120 Aufgaben. Black Forest Labs gibt für FLUX 3 Action 42,92 Prozent Erfolgsquote an. Nvidias Cosmos3-Nano-Policy mit 16 Milliarden Parametern kommt laut derselben Tabelle auf 36,8 Prozent, das geschlossene OASIS WAM auf 39,0 Prozent und das bekannte Modell π0.5 von Physical Intelligence auf 28,0 Prozent. Dazu kommt Tempo: In FP8 rechnet FLUX 3 Action je nach Grafikkarte zwischen 1,52- und 3,95-mal schneller als Cosmos 3 Nano, bei weniger als halb so vielen Parametern.

Zwei Einschränkungen gehören dazu. Erstens sind das Angaben des Herstellers; VentureBeat wies zum Start darauf hin, dass Nvidias öffentliche Rangliste noch keinen Eintrag für das Modell enthielt. Zweitens nennt Black Forest Labs selbst leicht abweichende Werte: Im Fließtext der Modellseite stehen für die beschleunigte, destillierte Variante 42,2 Prozent. An der Reihenfolge ändert das nichts, aber es zeigt, wie eng das Feld beieinanderliegt.

Aussagekräftiger ist der Test an echter Hardware. Positronic Robotics ließ das Modell in seinem Labor an einem Franka-Arm zehn Alltagsaufgaben lösen, etwa einen Würfel in eine Schüssel legen, eine Gabel auf einen Teller oder eine Schublade schließen, je dreimal mit 240 Sekunden Zeit. Der Bediener wusste nicht, welches Modell gerade steuerte. FLUX 3 Action schaffte 28 von 30 Versuchen, Cosmos 3 Nano 27, DreamZero 20 und π0.5 13. Auch diese Ergebnisse veröffentlicht allerdings Black Forest Labs; es sind zehn einfache Greifaufgaben, keine Fabrikhalle. Wie weit Simulationstraining trägt, hatte schon der Ansatz von World Labs gezeigt, bei dem der Härtetest ebenfalls in der realen Welt liegt.

Wer damit etwas anfangen kann

Der eigentliche Fortschritt liegt in der Zugänglichkeit. Laut Modellkarte belegt FLUX 3 Action in voller Genauigkeit rund 32 Gigabyte Grafikspeicher; mit FP8-Quantisierung und ausgelagertem Textmodell passt es auf Karten mit 24 Gigabyte. Das ist teure Enthusiasten-Hardware, aber kein Rechenzentrum. Veröffentlicht sind drei Fassungen: ein Basismodell zum Weitertrainieren, eine Steuerung für den Franka-Arm aus dem DROID-Datensatz und eine für den SO-101.

Der SO-101 ist ein quelloffener Roboterarm aus dem 3D-Drucker, entwickelt von The Robot Studio zusammen mit Hugging Face. Die Stückliste im Projekt nennt für einen Arm rund 124 Euro Teilekosten, für das Paar aus Führungs- und Folgearm, mit dem man Bewegungen vormacht, rund 226 Euro. FLUX 3 Action ist in Hugging Faces Robotik-Bibliothek LeRobot eingebunden, samt Rezepten für sparsames Nachtraining. Die SO-101-Fassung wurde nach Angaben der Entwickler mit etwa 200 per Hand vorgeführten Durchläufen für einige Greif-und-Ablege-Aufgaben angepasst. Wer an einer Hochschule, in einem Makerspace oder einem kleinen Automatisierungsbetrieb arbeitet, kann damit für wenige hundert Euro Hardware plus einer vorhandenen Grafikkarte eigene Aufgaben anlernen.

Wie breit der Ansatz gedacht ist, zeigen Nebenexperimente: Dieselben Gewichte spielten einen Shooter im Stil von Quake und ein Rennspiel im Stil von Out Run, eine weitere Fassung flog eine Drohne durch unbekannte Räume. Black Forest Labs bezeichnet das ausdrücklich als frühe Versuche, nicht als fertige Fähigkeiten.

Lizenz und Sicherheit: die Kleingedruckten

Offen heißt hier nicht Open Source im strengen Sinn. Die Gewichte stehen unter der FLUX Kommunity License. Sie erlaubt Forschung und private Nutzung sowie kommerziellen Einsatz für Unternehmen, deren Jahresumsatz samt verbundener Firmen unter fünf Millionen US-Dollar liegt. Alle anderen brauchen eine separate Lizenz, die laut Vertragstext Gebühren oder Umsatzbeteiligung kosten kann. Militärische Nutzung und Überwachung sind ausgeschlossen, und Black Forest Labs behält sich vor, die Lizenz mit Vorankündigung zu beenden. Für einen Mittelständler, der eine Produktionslinie darauf aufbauen will, ist das ein Punkt für die Rechtsabteilung.

Deutlich ist auch der Sicherheitshinweis in der Modellkarte: Nichts im Modell begrenzt Gelenkgeschwindigkeit, Kraft oder Arbeitsbereich. Wer einen Arm damit steuert, muss diese Grenzen selbst in der Robotersteuerung setzen und einen Not-Aus vorsehen. Ausdrücklich unerwünscht ist der Einsatz ohne menschliche Aufsicht, wo Menschen gefährdet werden könnten.

Einordnung: ein deutscher Spieler im Robotik-Rennen

Das Feld der offenen Robotik-Modelle ist in diesem Jahr voll geworden: Nvidia legte im April GR00T N1.7 vor, das Allen Institute for AI im Mai MolmoAct 2, Google DeepMind hält seine On-Device-Variante von Gemini Robotics dagegen nur ausgewählten Testern offen. Black Forest Labs, 2024 von Forschern hinter Latent Diffusion und Stable Diffusion gegründet und im Dezember 2025 laut VentureBeat mit 3,25 Milliarden Dollar bewertet, bringt eine eigene Stärke mit: ein Videomodell, das bereits viel über Bewegung in der Welt gelernt hat. Erste industrielle Versuche gab es schon mit dem Schweizer Start-up mimic robotics in Produktionsumgebungen von Audi.

Die entscheidende Probe steht noch aus: ob fremde Teams die Ergebnisse an eigenen Robotern nachstellen können und ob die Rangliste von Nvidia die Zahlen bestätigt. Bis dahin ist FLUX 3 Action vor allem ein Angebot an alle, die bisher an der Einstiegshürde gescheitert sind. Ein Roboterarm für gut 200 Euro, eine Gaming-Grafikkarte und ein paar hundert vorgeführte Handgriffe reichen für einen ernsthaften Versuch mit einem Modell, das nach Herstellerangaben vorn liegt. Dass dieses Angebot aus Freiburg kommt, ist für die europäische Robotik bemerkenswerter als jeder Benchmark-Platz.