FLUX 3 Max tạo video 10 giây trong 12,45 giây, nhưng mức 'nhanh gấp 22 lần' chỉ còn 5,5 lần ở phép đo khác

Fal, nền tảng hạ tầng AI, cùng phòng nghiên cứu AI của Đức Black Forest Labs (BFL) ngày 20 đã ra mắt mô hình tạo video 'FLUX 3 Max'. Theo công bố, mô hình tạo video dài 10 giây trong trung bình 12,45 giây. Tuy nhiên, cả hai thông điệp quảng bá về tốc độ và chất lượng hình ảnh đều đi kèm điều kiện.

Fal.ai là doanh nghiệp giúp nhà phát triển dùng mô hình tạo sinh qua API mà không phải tự xây hạ tầng GPU. Trên trang công bố, fal cho biết FLUX 3 Max dựa trên mô hình video FLUX 3 mà BFL giới thiệu ngày 4 tháng 8. Fal Research và BFL phụ trách khâu 'hậu huấn luyện' (post-training).

Hậu huấn luyện là quá trình huấn luyện thêm cho mô hình đã có, bằng dữ liệu và mục tiêu mới. Mô hình nền đã hiểu chuyển động, ánh sáng và bố cục, nên bước này giúp nâng các năng lực cụ thể như mức độ bám sát prompt và độ hoàn thiện khung hình. Fal cho biết đã bổ sung tối ưu hóa suy luận và tinh chỉnh công cụ suy luận riêng, đưa thời gian tạo video 10 giây từ 126,44 giây của FLUX 3 gốc xuống còn 12,45 giây.

Thông số và giá

API có ba loại: nhập văn bản, nhập hình ảnh, và phương thức 'keyframe' dùng tối đa 10 ảnh để chỉ định cảnh theo từng thời điểm trong video. Độ dài video từ 5 đến 20 giây, độ phân giải 720p và có thể nâng lên 1080p. Trọng số mô hình không được công khai, nên chỉ dùng được qua API hoặc không gian trải nghiệm web của fal. Sản phẩm tạo ra được phép dùng cho mục đích thương mại.

Phí tính theo giây đầu ra, không có mức thanh toán tối thiểu hay gói đăng ký. Giá cho đầu vào văn bản và hình ảnh như nhau. Từ ngày 15 tháng 10 đến ngày 7 tháng 11, mức giảm 75% được áp dụng.

△720p: giá giảm 0,0425 USD mỗi giây (khoảng 56 won), giá gốc 0,17 USD (khoảng 226 won)

△1080p: giá giảm 0,0725 USD mỗi giây (khoảng 96 won), giá gốc 0,29 USD (khoảng 385 won)

Giá gốc 720p bằng mức HD tiêu chuẩn của FLUX 3 tại BFL, còn giá giảm thấp hơn mức HD của 'chế độ nháp' BFL (0,06 USD mỗi giây). Chế độ nháp là cách tạo bản xem trước giá rẻ trước, rồi sinh phiên bản chất lượng cao nếu hướng đi phù hợp. Fal nhấn mạnh người dùng không cần tách riêng mô hình nhanh để làm nháp và mô hình chậm để làm bản cuối.

Chất lượng hình ảnh: chỉ ngang tầm ở bài đánh giá nhập hình ảnh

Cơ sở fal đưa ra để so sánh chất lượng là bảng xếp hạng của trang đánh giá độc lập Artificial Analysis. Người đánh giá xem mù hai video rồi chọn video tốt hơn; các lượt so tài được cộng dồn để tính điểm Elo. Vài điểm chênh lệch nằm trong biên sai số, nên khoảng tin cậy 95% được hiển thị kèm theo.

Theo Artificial Analysis, ở bài đánh giá video nhập hình ảnh, MiniMax H3 (768p) đạt 1140 điểm (khoảng 1124~1156). FLUX 3 Max (720p) đạt 1138 điểm (1123~1153), còn Seedance 2.5 của ByteDance đạt 1138 điểm (1121~1155). Khoảng tin cậy của ba mô hình chồng lấn đáng kể.

Ở bài đánh giá nhập văn bản, thứ hạng thay đổi. Wan 3.0 đứng đầu với 1173 điểm, Utopai X thứ hai với 1166 điểm. Seedance 2.5 và FLUX 3 Max cùng đạt 1159 điểm, và FLUX 3 Max xếp thứ tư. Cách nói 'chất lượng ngang tầm' chỉ đúng với bài đánh giá nhập hình ảnh.

Dù vậy, hiệu quả của hậu huấn luyện thể hiện rõ qua số liệu. FLUX 3 gốc đạt 1086 điểm ở bài đánh giá nhập hình ảnh, và FLUX 3 Max tăng 52 điểm. Ở bài nhập văn bản, điểm tăng 14, từ 1145 lên 1159.

Tốc độ: hai kết quả tự đo không khớp nhau

Con số 'nhanh gấp 22 lần' xuất phát từ bảng so sánh fal đăng trên trang công bố và bài đăng của mình. Tính theo thời gian tạo trung bình của video 10 giây, tỷ lệ 16:9, 720p hoặc 768p, FLUX 3 Max mất 12,45 giây, MiniMax H3 83,26 giây, FLUX 3 gốc 126,44 giây, Wan 3.0 180,16 giây và Seedance 2.5 277,80 giây. Lấy 277,80 chia cho 12,45 ra khoảng 22 lần.

Tuy nhiên, chưa đầy 3 giờ sau công bố, fal đăng lên X một biểu đồ tốc độ khác, nêu cùng điều kiện. Ở đó FLUX 3 Max vẫn là 12,45 giây nhưng Seedance 2.5 đổi thành 69,09 giây, khiến mức chênh chỉ còn khoảng 5,5 lần. FLUX 3 gốc là 46,29 giây, chênh khoảng 3,7 lần. MiniMax H3 lại tăng từ 83,26 giây lên 122,0 giây. Hai con số chính thức cho cùng Seedance 2.5 chênh nhau khoảng 4 lần, nhưng fal không giải thích lý do chênh lệch, thời điểm đo hay môi trường chạy.

Thiết lập bước suy luận cũng là một biến số. Mô hình hỗ trợ hai mức low và high; mức mặc định là high sẽ tự động mở rộng prompt, và mức càng cao thì tạo càng chậm. Trang công bố không nêu 12,45 giây được đo ở mức nào. Con số này cũng dài hơn độ dài video 10 giây, nên đây chưa phải tạo video tức thời.

Khi giới thiệu H3 Max ngày 27 tháng 8, fal cũng nêu thời gian tạo đo trong môi trường của riêng mình. Các nhóm đang cân nhắc áp dụng nên tự đo bằng khối lượng công việc của mình để có kết quả chính xác.

Giá so với mô hình cạnh tranh

Giá API mà Artificial Analysis ghi ở bài đánh giá nhập hình ảnh là khoảng 0,09 USD mỗi giây (khoảng 120 won) với MiniMax H3 và khoảng 0,41 USD (khoảng 545 won) với Seedance 2.5. Trong thời gian giảm giá, FLUX 3 Max 720p rẻ hơn cả hai mô hình. Sau ngày 7 tháng 11, khi giảm giá kết thúc, giá gốc 0,17 USD gần gấp đôi MiniMax H3 nhưng vẫn thấp hơn Seedance 2.5.