Los generadores de imágenes se dividen en dos grandes familias. Los modelos de difusión refinan toda la imagen en paralelo a lo largo de varios pasos; los autorregresivos la escriben token a token, como un modelo de lenguaje escribe texto. El segundo enfoque resulta atractivo porque puede compartir arquitectura con los modelos de chat, pero ha sido lento, ya que cada token adicional es otro paso secuencial. G-STAR, un preprint de la Universidad de Pekín, el equipo Longcat de Meituan y otros grupos, ataca de frente ese problema de velocidad.
La solución obvia es comprimir más la imagen para que haya menos tokens que generar. La pega es que cada token tiene que llevar entonces más información, y los códigos discretos pierden detalle. G-STAR representa cada token espacial con un grupo de códigos en lugar de uno, y los autores muestran que, para mantener el mismo presupuesto de información, el tamaño del grupo debe crecer con el cuadrado del factor de compresión por lado. Eso les permite llevar la compresión espacial a 32 veces, y en la práctica a 64, muy por encima de las 16 habituales. Un decodificador ligero predice en paralelo la mayor parte de cada grupo y solo conserva un último paso causal, así que los grupos más grandes apenas añaden retraso.
El equipo entrenó dos modelos, GSTAR-Pro-8B con compresión de 32 veces y GSTAR-Flash-1.7B con 64. A 1024 por 1024 píxeles informan de una aceleración de 20 veces frente a modelos autorregresivos discretos anteriores, unos 2,5 segundos por imagen en una sola Nvidia H200, con puntuaciones competitivas frente a los sistemas punteros en cinco benchmarks de texto a imagen: GenEval, DPG-Bench, PRISM, LongText-Bench y Qwen-Image-Bench. En una comparación controlada, pasar de 32 a 64 veces de compresión costó poca calidad: GenEval bajó de 0,8060 a 0,7885. El código y los pesos están en GitHub y Hugging Face.
Esto importa para los modelos unificados que entienden y generan imágenes, una dirección que siguen varios laboratorios porque así una sola red puede leer una imagen, razonar sobre ella y editarla. La velocidad ha sido la barrera práctica para ofrecer esos sistemas a usuarios que esperan una imagen en segundos.
Conviene leer las afirmaciones con cuidado. Ser competitivo no es lo mismo que liderar, y la mejora de 20 veces se mide frente a modelos autorregresivos antiguos, no frente a los sistemas de difusión más rápidos que se usan hoy. Las puntuaciones de calidad de imagen solo reflejan en parte lo que ven los usuarios, y las comparaciones las hicieron los propios autores. Es un preprint sin revisión por pares, y la latencia real dependerá de un hardware mucho menos generoso que una H200.