Si construyes con modelos de difusión o autorregresivos cada día pero nunca aprendiste de dónde vienen, un manual gratuito que circula por Hacker News está pensado justo para ti. The Little Book of Generative AI Foundations, de Tianhua Chen, deriva las principales familias de modelos generativos desde los primeros principios por un único camino conectado, así que la idea no es catalogar arquitecturas, sino mostrar cómo se relacionan entre sí.
Lo que lo diferencia de los cientos de panorámicas que ya existen es esa ruta única. El libro recorre el análisis de componentes principales y su versión probabilística, los autoencoders variacionales, los modelos de difusión, los flujos normalizadores, las factorizaciones autorregresivas, las GAN y las Wasserstein GAN, y los modelos basados en energía. Cada uno se desarrolla paso a paso, y el hilo que los conecta es toda la idea: el lector ve que son variaciones de una matemática compartida y no siete trucos sin relación. El autor deja claro que el libro no intenta abarcar cada arquitectura nueva ni los detalles de implementación, y mantiene el foco en las derivaciones necesarias para seguir el razonamiento.
La versión revisada es la que conviene leer. Se publicó el 8 de septiembre de 2026, tiene 195 páginas y añade explicaciones visuales a lo largo del texto, mientras que la primera versión, del 28 de mayo, era más corta y sencilla. Está disponible como PDF, como una compilación HTML experimental, con el código TeX e incluso con un resumen en audio, y el autor invita a enviar comentarios y correcciones.
El valor es práctico más que novedoso. Nada de la matemática es nuevo, y ese es el punto: es un texto didáctico, no un resultado de investigación. Para quien usa las herramientas detrás de modelos como Stable Diffusion o los grandes modelos de lenguaje que reseñamos y quiere entenderlos bien, un único camino guiado por las derivaciones es más útil que otra lista de métodos. Acompaña a los manuales consagrados en lugar de sustituirlos, y sirve de buen puente hacia las referencias estándar más densas.
La advertencia honesta es que es un preprint autopublicado, no un libro revisado por pares, así que no ha pasado una revisión formal, y cualquier derivación en la que te apoyes para un trabajo real conviene contrastarla con una fuente estándar. Un libro de 195 páginas también es un compromiso, no una lectura rápida, y da por hecho cierta soltura con la probabilidad y el álgebra lineal de grado. Para el lector adecuado, esos son precios pequeños a cambio de una explicación clara y conectada de por qué funcionan estos modelos.