Modelo de difusión
Un modelo de difusión (diffusion model) es un modelo generativo que aprende a convertir ruido aleatorio en datos, como una imagen, eliminando un poco de ruido cada vez a lo largo de muchos pasos.
También llamado: diffusion, denoising diffusion, latent diffusion
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
El entrenamiento parte de imágenes reales y les añade ruido paso a paso hasta que solo queda estática. El modelo aprende a deshacer un paso de ese ruido. Para generar, se parte de ruido puro y se ejecuta una y otra vez el paso de eliminación de ruido aprendido hasta que aparece una imagen limpia. El artículo DDPM de 2020, de Ho, Jain y Abbeel, demostró que este enfoque podía producir imágenes de alta calidad.
Por qué importa
La mayoría de los generadores de imagen y vídeo que te encuentras hoy, desde herramientas text-to-image hasta modelos text-to-video, se basan en la difusión. Entre los ejemplos abiertos está FLUX.2 dev, y bibliotecas como Diffusers y ComfyUI los ejecutan en local. Hay más modelos en modelos de imagen.
Difusión latente
Ejecutar la difusión directamente sobre los píxeles es lento y caro. La difusión latente, presentada por Rombach y sus colegas, comprime primero la imagen con un autoencoder y hace la eliminación de ruido en ese espacio más pequeño. Las capas de atención cruzada permiten que un prompt de texto guíe cada paso. Este es el diseño de Stable Diffusion y de muchos modelos posteriores.
Límites
La generación necesita muchos pasos secuenciales, así que es más lenta que producir una imagen en una sola pasada. El control es indirecto: el prompt, la guidance scale y complementos como ControlNet orientan la eliminación de ruido en lugar de dictar el resultado. Un modelo de lenguaje de difusión aplica la misma idea al texto.
Términos relacionados
- Text-to-image
- El text-to-image (texto a imagen) es la tarea de generar una imagen nueva a partir de una descripción escrita, llamada prompt. La mayoría de los modelos text-to-image actuales son modelos de difusión condicionados por el texto.
- Text-to-video
- El text-to-video (texto a vídeo) es la tarea de generar un clip de vídeo corto a partir de un prompt escrito. Los modelos tienen que producir fotogramas que se vean bien cada uno por separado y que además se muevan de forma coherente de uno a otro.
- Guidance scale (CFG)
- La guidance scale (escala de guía), o CFG scale, es un ajuste de los generadores de imágenes por difusión que controla con qué fuerza sigue la salida al prompt. Los valores más altos siguen el prompt más de cerca, pero reducen la variedad.
- ControlNet
- ControlNet es un complemento de red neuronal que permite a un modelo de difusión text-to-image seguir una guía estructural, como un mapa de bordes, un mapa de profundidad o una pose humana, además del prompt de texto.
- Modelo de lenguaje de difusión
- Un modelo de lenguaje de difusión (dLLM) genera texto partiendo de una secuencia totalmente enmascarada o con ruido y refinando muchas posiciones de tokens en paralelo a lo largo de varios pasos, en lugar de escribir un token cada vez.
- Modelo autorregresivo
- Un modelo autorregresivo genera una secuencia pieza a pieza, prediciendo cada token siguiente a partir de todos los tokens anteriores y volviendo a introducir esa salida. La mayoría de los modelos de lenguaje grandes funcionan así.