Modelo de difusión

El modelo aprende a añadir ruido a una imagen y luego a quitarlo. En la generación, parte de ruido puro y lo 'elimina' paso a paso, guiado por tu prompt, para crear una imagen coherente.

Los GAN usan dos redes que compiten. Los modelos de difusión usan un proceso iterativo de eliminación de ruido. En 2026, la difusión domina en calidad y diversidad.

Un modelo de difusión es una arquitectura de IA generativa que crea imágenes, audio o video partiendo de ruido aleatorio y eliminándolo gradualmente hasta obtener un resultado coherente, guiado por un prompt textual. Impulsa herramientas como Stable Diffusion, DALL-E, Midjourney y Sora de OpenAI. Los modelos de difusión reemplazaron en gran medida a los GAN desde 2021 gracias a mayor calidad de imagen, un entrenamiento más estable y mayor diversidad de resultados.

Resuelven problemas distintos. Un modelo de difusión genera medios continuos (imágenes, video, audio) mediante eliminación iterativa de ruido y suele basarse en una U-Net o un transformer de difusión. Un LLM, como GPT-4 o Claude, es un transformer que predice texto token por token. Muchas herramientas de imagen combinan ambos: un codificador de texto interpreta tu prompt y el modelo de difusión genera los píxeles.

No. GPT-4 es un large language model basado en la arquitectura transformer; genera texto de forma autorregresiva, un token a la vez. Los modelos de difusión funcionan eliminando ruido y se orientan más bien a imágenes, audio o video. La confusión surge porque OpenAI desarrolla ambos: GPT-4 para texto, y DALL-E o Sora para lo visual, que sí usan métodos de difusión.

Sí. Un modelo de difusión es un tipo fundamental de IA generativa: produce contenido nuevo en lugar de clasificar datos existentes. Al aprender a revertir un proceso de adición de ruido, sintetiza imágenes, videos y audios originales a partir de un prompt. Junto con los GAN, los transformers y los VAE, la difusión es uno de los enfoques generativos dominantes y hoy el estándar para herramientas de imagen y video de alta calidad.

Stable Diffusion es el ejemplo más conocido: un modelo open source que convierte prompts de texto en imágenes. Otros sistemas de difusión muy usados incluyen DALL-E 3 (OpenAI), Midjourney para imagen artística, Imagen (Google) y Sora para video. En la investigación, las familias fundacionales incluyen DDPM y la difusión latente, la técnica que hizo a Stable Diffusion lo bastante rápido para correr en GPU de consumo.

La idea central es aprender a revertir un proceso de degradación gradual. Durante el entrenamiento, el modelo observa cómo imágenes nítidas se convierten poco a poco en ruido puro, paso a paso, y aprende a predecir y deshacer ese ruido. En la generación ejecuta el proceso al revés: parte de ruido aleatorio y lo elimina a lo largo de muchos pasos hasta obtener una imagen estructurada y fiel al prompt. Más pasos mejoran la calidad.

Se entrena con un gran dataset de imágenes (a menudo emparejadas con descripciones de texto). El bucle de entrenamiento añade una cantidad conocida de ruido aleatorio a cada imagen y luego enseña al modelo a predecir ese ruido para poder eliminarlo. Repetido sobre millones de ejemplos, el modelo aprende a eliminar ruido desde cualquier nivel. Entrenar desde cero es muy costoso en cómputo, por lo que la mayoría de los usuarios hace fine-tuning de checkpoints existentes con LoRA o DreamBooth.