Black Forest Labs เปิด FLUX 3 Action — โมเดลคุมหุ่นยนต์ 7B แบบ open-weight ขึ้นที่หนึ่ง RoboLab-120 แซง Cosmos 3 Nano ที่ใหญ่กว่าเท่าตัว มีรุ่นสำหรับแขน SO-101 ราคาประหยัด แต่ใบอนุญาตห้ามใช้เชิงพาณิชย์

Black Forest Labs (BFL) ค่ายที่คนส่วนใหญ่รู้จักจากโมเดลสร้างภาพ FLUX เปิดตัว FLUX 3 Action เมื่อ 22 ก.ย. 2026 (ข่าวย้อนหลัง 3 วัน) FLUX 3 Action เป็น “world action model” (WAM) ขนาด 7B แบบ open-weight รับภาพจากกล้อง สถานะข้อต่อของหุ่นยนต์ และคำสั่งเป็นข้อความ แล้วทำนาย ชุดคำสั่งมอเตอร์ถัดไปพร้อมกับเฟรมวิดีโอที่คาดว่าจะเกิดขึ้น ตัวโมเดลต่อยอดจากแกน FLUX 3 ตัวเดียวกับโมเดลวิดีโอ+เสียงที่ เราเคยรายงานเมื่อเดือนกรกฎาคม โดยช่วง pretraining วิดีโอคิดเป็นมากกว่า 95% ของ token ทั้งหมด

ข่าวนี้น่าสนใจเพราะ BFL อ้างว่าได้ อันดับหนึ่งบน RoboLab-120 ซึ่งเป็น benchmark งานบนโต๊ะ 120 งานใน Isaac Sim โดยใช้พารามิเตอร์ไม่ถึงครึ่งของ Cosmos 3 Nano (16B) ของ NVIDIA ที่เคยนำอยู่ BFL ยังปล่อยน้ำหนักสำหรับ แขน SO-101 ซึ่งเป็นแขนหุ่นยนต์โอเพนซอร์สราคาถูกที่ชุมชน LeRobot ใช้กันมาก ส่วนโค้ดฝึกและรันโมเดลปล่อยใต้ Apache-2.0 แต่ ตัวน้ำหนักใช้ใบอนุญาตคนละแบบ และนักพัฒนาต้องอ่านเงื่อนไขก่อนใช้

มีอะไรปล่อยออกมาบ้าง

• flux-3-action-base เป็นน้ำหนักฐานสำหรับปรับเข้ากับหุ่นยนต์ตัวใหม่ รวมถึง video VAE และ text encoder ที่ใช้ร่วมกัน text encoder คือ Qwen3-VL-4B-Instruct ที่ไม่ได้ดัดแปลง (Apache-2.0) repo นี้ยังไม่ใช่ policy ที่พร้อมใช้ หุ่นยนต์ตัวใหม่ต้องฝึก action head ของตัวเอง
• flux-3-action-droid เป็น policy สำหรับแขน Franka ตามชุดข้อมูล DROID รับภาพ 3 กล้อง (ข้อมือ ซ้าย ขวา) ส่งออกคำสั่งข้อต่อ 32 ชุดที่ 15 Hz มีให้เลือก 6 แพ็กเกจ คือ base (4 steps + guidance), guidance-distilled (4 steps) และ step-distilled (1 step) แต่ละแบบมีทั้ง BF16 และ FP8
• flux-3-action-so101 เป็น policy สำหรับแขน SO-101 ใช้ 2 กล้อง (ฉากกับข้อมือ) มี 6 มิติสถานะและ action ทำนาย 42 action แล้วรัน 32 action ที่ 30 Hz จากนั้นวางแผนใหม่ มีสูตร LoRA rank 32 (lora.json) ให้ปรับกับงานของตัวเองผ่าน lerobot-train
• โค้ด flux-action บน GitHub (Apache-2.0) มีตั้งแต่เตรียมข้อมูล ฝึกแบบกระจาย ไปจนถึง export และ inference รวมถึงคู่มือเพิ่ม embodiment ใหม่ที่ใช้เกมเป็นตัวอย่าง

ตาม metadata บน Hugging Face ตัว policy ของ DROID และ SO-101 มีขนาดราว 6.95B พารามิเตอร์ (BF16) ส่วน repo ทั้งสามสร้างเมื่อ 22 ก.ย. ในด้านฮาร์ดแวร์ card ของ DROID ระบุว่าใช้ หน่วยความจำ GPU ราว 32 GB ใน BF16 บน H200 และถ้าใช้ --quantize fp8 --offload-text-encoder จะ รันบนการ์ด 24 GB ได้ BFL ยังขอบคุณ NVIDIA ที่ช่วยทำให้โมเดลรันบน Jetson ได้ แต่ยังไม่ได้เผยตัวเลขประสิทธิภาพบน Jetson

ตัวเลข benchmark และจุดที่ตัวเลขไม่ตรงกัน

ตาม report ของ BFL บน RoboLab-120 checkpoint แบบ single-step ได้ 38.3% ± 0.38 Cosmos 3 Nano ได้ 36.8% และ π0.5 ซึ่งเป็น VLA แบบเปิดที่แข็งที่สุดได้ 28.0% ส่วนรุ่น guidance-distilled ได้ 42.2% ± 0.36 ด้านความเร็ว รุ่น base และ guidance-distilled ใน FP8 เร็วกว่า Cosmos 3 Nano (FP8) 1.52x ถึง 3.95x บน GPU ระดับผู้บริโภค เวิร์กสเตชัน และดาต้าเซ็นเตอร์

ตัวเลขที่ควรอ่านอย่างระวังมีอยู่หลายจุด

1. 42.2% กับ 42.92% เป็นตัวเลขคนละตัวกัน เนื้อหา report เขียนว่า 42.2% แต่ Table 1 และ model card ของ DROID ใช้ 42.92% เป็นคะแนนหลัก เมื่อเทียบกับ Table 5 ในหน้าเดียวกัน ค่าเฉลี่ยของ guidance-distilled คือ 42.19% (BF16) และ 42.24% (FP8) ส่วนรุ่น base BF16 เฉลี่ย 41.60% จาก 6 seed และ 42.92 ตรงกับคะแนนของ seed ที่ดีที่สุดใน 6 seed ของ base BF16 พอดี เราจึงอ่านได้ว่าตัวเลขบน leaderboard น่าจะเป็นผลรันที่ดีที่สุดรอบเดียว ไม่ใช่ค่าเฉลี่ย ความต่างนี้ไม่ได้ทำให้อันดับเปลี่ยน เพราะค่าเฉลี่ยก็ยังนำ Cosmos 3 Nano อยู่ราว 5 จุด แต่ถ้าจะอ้างอิงควรใช้ค่าเฉลี่ย
2. ความเร็วที่อ้างเป็น real-time factor ไม่ใช่ latency ต่อครั้ง BFL เขียนเองว่า WAM ทำนายการเคลื่อนไหวล่วงหน้าได้ 2.13 วินาทีต่อครั้ง ส่วน π0.5 ได้ 1.0 วินาที เมื่อเทียบกับ π0.5 รุ่น step-distilled ใน FP8 เร็วกว่า 1.34x ถึง 2.28x บน GPU เวิร์กสเตชันและดาต้าเซ็นเตอร์ แต่ บน RTX 5090 กลับช้ากว่า π0.5 1.15x ถึง 2.42x (FP8 และ BF16 ตามลำดับ)
3. ทดสอบกับหุ่นจริงแค่ 30 ครั้ง Positronic Robotics ทำการทดสอบแบบ blind บนแขน Franka 10 งาน งานละ 3 ครั้ง FLUX 3 Action สำเร็จ 28/30 Cosmos 3 Nano 27/30 DreamZero 20/30 และ π0.5 13/30 ผลนี้ช่วยยืนยันว่าโมเดลใช้กับหุ่นจริงได้ แต่ตัวอย่างน้อยเกินกว่าจะสรุปว่าเหนือกว่า Cosmos
4. ข้อมูลฝึก SO-101 อธิบายไว้ไม่ตรงกัน report เขียนว่า “เก็บชุดข้อมูลเล็ก ๆ ผ่าน teleoperation” แต่ model card ระบุว่าฝึกจาก episode SO-101 ใน lerobot/community_dataset_v3 นอกจากนี้ผล SO-101 มีแค่วิดีโอตัวอย่าง ยังไม่มีตัวเลขอัตราสำเร็จ

ผสมกับ GPT-6 Astra: ให้โมเดลเร็วคุมหุ่น แล้วให้โมเดลคิดช่วยเมื่อจำเป็น

ส่วนที่น่าสนใจที่สุดของ report คือการทดลอง hybrid policy โดยให้ GPT-6 Astra วางแผน แล้วมอบการควบคุมให้ FLUX 3 Action และเข้ามาแก้เฉพาะเมื่อจำเป็น ถ้าใช้ Astra อย่างเดียวที่ reasoning สูงสุด งานจะสำเร็จครบ 50/50 แต่ใช้เงิน $13.47 และราว 16 นาทีต่อความสำเร็จหนึ่งครั้ง เมื่อผสมกับ F3A ที่ reasoning ระดับ low อัตราสำเร็จยังได้ 90% แต่ลดลงเหลือ $8.77 และ 8 นาทีต่อความสำเร็จ BFL เรียกว่า “29% cheaper and 40% faster” เมื่อเทียบกับทางเลือกที่ดีที่สุดรองลงมา ถ้าผสมกับ π0.5 ช่วยได้น้อยมาก เพราะแบบที่ดีที่สุดยังใช้ $12.28

ข้อสรุปของ BFL คือ ยิ่ง policy เร็วเก่ง โมเดล reasoning ก็ต้องคิดน้อยลง แต่การทดลองนี้ใช้ต้นทุน GPU H200 ที่ $3 ต่อชั่วโมงเป็นสมมติฐาน และทดสอบในสภาพแวดล้อมจำลองตามงานวิจัยของ Su et al. เท่านั้น

มุมมอง AI Curator

ข่าวนี้บอกเราสองเรื่อง เรื่องแรกคือ โมเดลวิดีโอกำลังกลายเป็นแกนของโมเดลคุมหุ่นยนต์ ผลทดลองของ BFL ชี้ว่าถ้าไม่ pretrain ด้วยวิดีโอ คะแนน RoboLab ต่ำกว่า 1% ซึ่งหมายความว่าค่ายที่มีโมเดลวิดีโอแข็งแรง (BFL, NVIDIA Cosmos) ได้เปรียบในตลาด physical AI เรื่องที่สองคือ สูตรฝึกถูกเปิดเผยละเอียดมาก ตั้งแต่ timestep distribution, EMA, CFG แยกระหว่างวิดีโอกับ action ไปจนถึงการ rollback เมื่อ loss spike ข้อมูลระดับนี้มีค่าสำหรับทีมวิจัยพอ ๆ กับตัวน้ำหนัก

สำหรับไทย กลุ่มที่ได้ประโยชน์ชัดที่สุดตอนนี้คือ มหาวิทยาลัยและห้องแล็บ แขน SO-101 ต้นทุนต่ำพอที่ภาควิชาวิศวกรรมหุ่นยนต์หรือเมคคาทรอนิกส์จะซื้อหลายชุดสำหรับการเรียนการสอนได้ ตอนนี้มี policy 7B ที่ fine-tune ด้วย LoRA บนการ์ด 24 GB ได้ และใช้ร่วมกับ LeRobot ได้ทันที ใบอนุญาตก็เปิดให้ “non-commercial Robotics Uses” โดยตรง งานวิจัย วิทยานิพนธ์ และการแข่งขันหุ่นยนต์จึงใช้ได้เต็มที่

ภาคอุตสาหกรรมต้องระวังมากกว่านั้น ไทยมีฐานการผลิตรถยนต์ ชิ้นส่วนอิเล็กทรอนิกส์ และ HDD ที่ใช้หุ่นยนต์หนาแน่น และตัวอย่างในแผนภาพของ BFL เองก็เป็นงาน “วาง ECU บน jig” แต่ FLUX Kommunity License นิยาม “Robotics Uses” ให้ครอบคลุม production robotic system ทุกแบบ และให้สิทธิ์เชิงพาณิชย์แก่บริษัทที่มีรายได้ต่ำกว่า US$5 ล้านต่อปี (“Qualifying User”) เฉพาะในรูปของการใช้ “Outputs” ถึงนิยาม Output จะรวม action-prediction ด้วย แต่สัญญาไม่ได้ระบุชัดว่าการใช้โมเดลคุมหุ่นในสายการผลิตเข้าข่ายนี้หรือไม่ ใบอนุญาตยังห้ามงานทหารและงานเฝ้าระวัง ห้ามนำ output ไปพัฒนาโมเดลคู่แข่ง และ BFL เพิกถอนสิทธิ์ได้ทุกเมื่อ ใบอนุญาตข้อ 4 ยังกำหนดให้ผู้ใช้ปฏิบัติตามกฎหมายเฉพาะอย่าง GDPR และ EU AI Act ไปพร้อมกับกฎหมายในประเทศของตัวเองด้วย SI หรือโรงงานไทยที่คิดจะใช้งานจริงควรขอ commercial license จาก BFL ไม่ควรตีความเงื่อนไขเอง

สุดท้ายคือเรื่องความปลอดภัย model card เขียนชัดว่า “Nothing in the model bounds joint velocity, force or workspace” ผู้ใช้ต้องจำกัดความเร็ว แรง และพื้นที่ทำงานเอง และต้องมีปุ่มหยุดฉุกเฉินที่เอื้อมถึง โมเดลที่สำเร็จ 90% ในห้องแล็บยังพลาดอีก 10% และในโรงงานที่มีคนทำงานร่วมกับหุ่นยนต์ ความผิดพลาดนั้นอาจกลายเป็นอุบัติเหตุ ช่วงนี้จึงควรใช้ FLUX 3 Action ในห้องเรียนและงานวิจัยไปก่อน ยังไม่ควรนำไปใช้บนพื้นโรงงาน

แหล่งข่าว

• FLUX 3 Action: A 7B World Action Model for Robot Control — Black Forest Labs (22 ก.ย. 2026)
• black-forest-labs/flux-3-action-droid — model card และตาราง RoboLab-120 บน Hugging Face
• FLUX Kommunity License v1.0 — LICENSE.md ใน flux-3-action-base
• black-forest-labs/flux-action — โค้ดฝึกและ inference (Apache-2.0) บน GitHub