Image-Generation

Categoría: vision modelos locales nube

Definición

Sistemas generativos basados en Diffusion / Flow Matching o modelos multimodales autorregresivos que sintetizan o editan imágenes de alta resolución a partir de instrucciones de texto (Text-to-Image) o imágenes de referencia (Image-to-Image, Inpainting, edición instruida).

Puntos clave

  • Ecosistema y motores locales en Linux:
    • ComfyUI: Estándar absoluto de ingeniería local. Interfaz basada en grafos dirigidos de nodos (DAG) sobre PyTorch que gestiona la VRAM dinámicamente, descarga modelos por partes y permite construir pipelines reproducibles guardados en los metadatos del propio PNG.
    • LoRA visuales: Archivos ligeros (50–300 MB) que se inyectan en las capas de atención del DiT/UNet para enseñar estilos artísticos, personajes consistentes o conceptos específicos.
  • Principales modelos locales (Pesos Abiertos):
    • Flux (FLUX.1 / FLUX.2 Dev y Schnell): Referente abierto de Black Forest Labs (12B–32B DiT); cuantizado a FP8 o GGUF Q4_K_M corre en GPUs de 8 a 16 GB de VRAM.
    • Qwen-Image / Qwen-Image-Edit (Alibabá): Modelos abiertos de generación y edición instruida de altísima fidelidad tipográfica y seguimiento de texto en imagen.
    • HiDream-I1 / Z-Image / Sana: Arquitecturas DiT abiertas de alta eficiencia optimizadas para generar imágenes en pocos pasos o en GPUs con VRAM ajustada (6–12 GB).
    • Stable Diffusion 3.5 / SDXL (Stability AI): Ecosistema clásico con la mayor biblioteca histórica de LoRA y ControlNets de la comunidad.
  • Principales modelos y APIs en la Nube (Cerrados):
    • GPT Image (gpt-image-1 / generación nativa en GPT): Destaca por razonamiento visual profundo, renderizado perfecto de texto y edición conversacional multi-turno.
    • Imagen 3 / Imagen 4 y Nano Banana / Gemini Image (Google): Referentes en fotorrealismo, coherencia de personajes y baja latencia vía API de Vertex AI / Gemini.
    • Midjourney (v6 / v7): Estándar comercial en dirección artística y estética (accesible principalmente vía web/Discord, sin API pública abierta estándar).
    • Ideogram / Recraft: APIs especializadas en diseño gráfico, tipografía exacta y generación de vectores SVG.