Cómo funciona la generación de imágenes: el diffusion model

No dibuja, quita ruido

Empecemos por el entrenamiento, porque generar es exactamente eso al revés. Coges una fotografía real y le añades ruido en muchos pasos pequeños hasta que no queda nada salvo puntos aleatorios. En la descripción original eran mil pasos. En cada paso sabes exactamente cuánto ruido añadiste — o sea, tienes una hoja de ejercicios perfecta: aquí está la imagen con ruido, y este es el ruido que lleva dentro.

Al modelo lo entrenas para resolver esa hoja: mira la imagen con ruido y di cuánto ruido hay en ella. No aprende "así es como se ve un gato", aprende "en esta cosa granulada, esta parte es ruido y esta otra no".

Al generar, lo haces correr hacia atrás. Arrancas con una mancha de ruido limpio, le preguntas al modelo cuánto ruido tiene, se lo restas y vuelves a empezar. Entre veinte y cincuenta vueltas después, el ruido se ha convertido en imagen. En ningún momento la máquina "dibuja" — solo estima qué hay que quitar. Esa es la única frase realmente importante del tema, y de ella se deriva casi toda rareza que te encuentras con los generadores de imagen.

Cómo se convierte el texto en imagen

Hasta aquí falta el prompt de la descripción. Tu texto pasa por un modelo codificador de texto que convierte la frase en una secuencia de números, y esos números acompañan a la imagen en cada uno de los pasos de limpieza. Un mecanismo de atención une las dos cosas: cada parte de la imagen puede "mirar" lo que dice el texto.

Aquí está el cambio más importante de los últimos años, y explica por qué hoy hay que escribir el prompt de otra manera que hace tres años. Al principio el codificador de texto era un modelo corto, acostumbrado a palabras clave, con capacidad para unas setenta palabras — por eso funcionaba amontonar "gato, óleo, luz dorada, 8k" y por eso no funcionaba la prosa. En los modelos de imagen actuales, en cambio, el codificador de texto es un modelo de lenguaje completo, y en las familias de pesos abiertos está documentado: modelos de lenguaje de miles de millones de parámetros sentados delante del modelo de imagen.

Por eso hoy una frase bien construida da mejor imagen que una lista de palabras clave: el modelo de lenguaje entiende las relaciones — quién hace qué a quién, qué hay detrás de qué. Las consecuencias prácticas las desarrolla el artículo sobre escribir image prompts, capa por capa.

Por qué trabaja en espacio latente

Una imagen de 1024×1024 son más de un millón de píxeles, cada uno con tres números. Correr la limpieza de ruido sobre eso cincuenta veces sería una cantidad descomunal de cálculo. Por eso la mayoría de los modelos no trabaja sobre los píxeles sino sobre una representación comprimida: un codificador aprieta primero la imagen hasta una rejilla de números mucho más pequeña, la limpieza ocurre ahí, y al final un decodificador la devuelve a píxeles.

Esto tiene una consecuencia visible. El modelo "piensa" en el espacio comprimido, y los detalles pequeños y finos — la pupila de un ojo, una línea del grosor de un pelo, una letra diminuta — ahí reciben muy poco sitio. No es casualidad que sean justo esos los que más se estropean.

El seed, y por qué no lo tienes en todas partes

Todo el proceso arranca con una mancha de ruido aleatorio. Cuál exactamente lo decide un número: el seed. Mismo seed, mismo prompt, mismo modelo y mismos ajustes dan la misma imagen — por eso puedes volver a una imagen que salió bien y pedir un cambio pequeño sobre ella.

El problema es que no todas las interfaces te dan el seed. Los modelos de pesos abiertos y varias API lo exponen; las dos mayores interfaces de chat para consumidores no tienen ese ajuste, así que ahí "vuelve a correr exactamente esto" no existe. Si tu trabajo necesita repetibilidad — series, fotos de producto, material de marca —, eso solo ya puede decidir qué herramienta eliges. De esto habla con más detalle el artículo sobre elegir generador de imágenes, donde es uno de los criterios centrales.

Qué cambió para 2026

Se han movido cuatro cosas de verdad, y las cuatro se notan en el uso.

• La red que quita el ruido se rehízo. Los modelos tempranos usaban una red convolucional; los de hoy, un transformer. Eso es lo que permitió crecer de tamaño, y con ello llegó el mejor seguimiento del prompt.
• El codificador de texto se volvió modelo de lenguaje. De ahí vienen los prompts largos en lenguaje natural — y también que el prompt negativo esté desapareciendo: parte de los modelos recientes ya ni siquiera tiene ese control, porque la frase entiende la negación.
• La edición quedó dentro. Generar una imagen y transformar una existente son hoy el mismo modelo con la misma llamada; no hace falta una herramienta aparte.
• El número de pasos bajó. En la descripción de investigación eran mil pasos; en los sistemas actuales en producción el valor por defecto ronda los cincuenta, y baja a cuatro en las variantes aceleradas.

Lo que en cambio no se puede saber: los dos mayores proveedores cerrados no publican cómo está construido exactamente su modelo de imagen. Quien afirma con seguridad que "esto ya ni siquiera es diffusion" no habla desde una fuente. Lo que sí se ha publicado — las familias de pesos abiertos — pertenece todo al parentesco del diffusion, sobre base transformer.

Los números que conviene tener claros

Cuatro números que vale la pena conocer, porque los cuatro se notan en tu cartera o en tu paciencia.

• Número de pasos. En producción, típicamente 20-50. Menos pasos es más rápido y más barato, pero el detalle fino se emborrona; a partir de cierto punto, más pasos no dan mejor imagen.
• Resolución. Los modelos actuales dan entre 1K y 4K, y la resolución mayor no solo es más lenta sino más cara — la mayoría de proveedores la cobra aparte.
• Proporción. No es un recorte sino un parámetro de generación: el modelo construye una composición distinta para 16:9 que para un cuadrado. Por eso no es lo mismo recortar después.
• Imágenes por petición. La mayoría de herramientas te da varias variantes a la vez. Elegir entre cuatro casi siempre es más rápido que arreglar una sola hasta que salga bien.

Malentendidos habituales

• "Busca imágenes parecidas en internet." No. En los pesos del modelo no hay imágenes, solo patrones formados durante el entrenamiento. Por eso tampoco se puede "encontrar el original dentro".
• "Si lo describo con más precisión, obtengo exactamente eso." La descripción influye mucho, pero no determina. Un ruido de partida distinto da otra imagen para la misma frase — por eso existe el seed.
• "Más pasos dan mejor imagen." Hasta cierto límite sí, a partir de ahí solo sale más caro. La mejora visible viene del modelo y del prompt, no del número de pasos.
• "El prompt negativo es obligatorio." Lo fue en su momento. De parte de los modelos recientes lo han retirado, y los propios fabricantes recomiendan describir lo que quieres, no lo que no quieres.

Lo que conviene llevarse

Generar imágenes es quitar ruido, no dibujar — el modelo estima cincuenta veces cuánto ruido hay que retirar, y al final queda una imagen. El prompt influye en ese proceso a través de un modelo de lenguaje, y por eso hoy funciona mejor una frase bien hecha que una lista de palabras clave. El ruido de partida lo fija el seed, y si necesitas repetibilidad, mira si la herramienta que has elegido llega siquiera a dártelo. Los detalles finos — letra pequeña, ojos, líneas delgadas — se estropean porque el modelo trabaja sobre una representación comprimida.