La robotics AI siempre tuvo un problema de identidad: o tenés modelos que predicen video y son precisos pero lentos, o tenés políticas rápidas que fallan la mitad de las veces. Black Forest Labs (BFL), el laboratorio detrás de los ya consagrados modelos de imagen FLUX, acaba de romper ese dilema con FLUX 3 Action, un World Action Model (WAM) de 7B parámetros con pesos abiertos que se subió a lo más alto del leaderboard RoboLab-120 con un 42,92% de éxito en tareas. Para ponerlo en perspectiva: le saca 6,1 puntos porcentuales a Cosmos 3 Nano de NVIDIA —que tiene 16B— y casi duplica a π0.5, con 56% menos parámetros.
Velocidad sin sacrificar visión: la apuesta de BFL
El truco de FLUX 3 Action no es magia, es ingeniería con criterio. El modelo mantiene la predicción conjunta de video y acciones —esa característica que hace que los WAM sean más caros computacionalmente— pero cierra la brecha de velocidad con un backbone más pequeño y destilación. El resultado: en GPUs de consumidor, workstation y datacenter, los checkpoints base y destilados corren entre 1,52x y 3,95x más rápido que Cosmos 3 Nano en FP8. Cada llamada genera 32 acciones a 15 Hz, es decir, 2,13 segundos de movimiento continuo, más del doble que los 1,0 segundo de π0.5.
BFL ofrece tres recetas de inferencia: Base (4 pasos con split guidance), Guidance-distilled (hasta 2x más rápido y con mejor score) y Step-distilled (1 solo paso, hasta 4x más rápido, con una caída de 3,5 a 4,3 puntos). La decisión de qué usar depende del caso: si necesitás precisión en simulación, el base; si querés desplegar en hardware real con latencia baja, el step-distilled es tu amigo.
Hardware real, fine-tuning y el ecosistema LeRobot
Los números de simulación son una cosa; el hierro es otra. Positronic Robotics hizo una evaluación a ciegas con un brazo Franka en 10 tareas DROID, 3 intentos cada una. FLUX 3 Action completó 28 de 30 intentos (93,3%), superando a Cosmos 3 Nano (27/30), DreamZero (20/30) y π0.5 (13/30). La diferencia entre simulación y mundo real fue mínima, lo que habla de una transferencia sim-to-real sólida.
Para equipos que quieran adaptar el modelo a sus propios robots, BFL publicó recetas de fine-tuning para DROID y SO-101 (con LoRA), con documentación que incluye un pick-and-place aprendido desde unas 200 demostraciones. La integración nativa con Hugging Face LeRobot y el soporte para despliegue edge en NVIDIA Jetson bajan drásticamente la barrera de entrada. El modelo entrega targets articulares sin límites de velocidad, fuerza o workspace incorporados: esa lógica de seguridad debe implementarla la aplicación, algo que cualquier equipo de robotics serio ya debería tener en su pipeline.
El detalle no menor: la licencia es FLUX Kommunity License, que permite uso no comercial. Para investigación y educación es una mina de oro. Para productivizar en industria, habrá que negociar. Pero con un modelo que en configuración híbrida con GPT 6 Astra resuelve el 90% de episodios a $8,77 por éxito —frente a los $13,47 y 16 minutos del razonador puro— la conversación sobre costo-beneficio en robótica autónoma acaba de cambiar.