¿Qué es Iris-3B?
Iris-3B es un modelo de texto a imagen de pesos abiertos de Speridlabs, publicado en Hugging Face en octubre de 2026 junto con un artículo en arXiv del 7 de octubre. A diferencia de la mayoría de generadores de imágenes, no trabaja en un espacio latente comprimido que decodifica un VAE: un transformer de difusión de 3.000 millones de parámetros (8 bloques de doble flujo y 16 de flujo único) produce píxeles RGB en bruto a través de una pequeña cabeza de píxeles. El texto lo aporta un codificador Qwen3-VL-4B congelado. Se entrenó desde cero a 256, 512 y después 1.024 píxeles, 665.000 pasos en total, y genera imágenes de alrededor de un megapíxel.
El repositorio también incluye Iris-3B Turbo, una versión destilada de 4 pasos que crea una imagen de 1.024 por 1.024 en unos 0,7 segundos en una H100, y dos ajustes finos de la misma red base para estimación de profundidad monocular y para restauración y escalado de imágenes 4x.
Todo está bajo Apache 2.0, incluido el código de entrenamiento; el codificador de texto Qwen3-VL-4B también es Apache 2.0.
¿Merece la pena Iris-3B?
El argumento de Iris-3B es hacer más con menos. En la tabla del propio proyecto obtiene 0,540 en OneIG-Bench, a la par del 0,539 de Qwen-Image de 20B y justo por detrás del 0,546 de Z-Image 6B, y 0,798 en GenEval frente a 0,87 de Qwen-Image. Se queda más atrás con texto largo renderizado: 0,857 en LongText-Bench frente a 0,943 de Qwen-Image y 0,935 de Z-Image. Son ejecuciones de Speridlabs con evaluadores oficiales y sin reescritura de prompts; las filas de comparación proceden de los informes de los otros modelos, y ninguna arena independiente lo ha valorado todavía.
El artículo es inusualmente franco. Se propuso demostrar que prescindir del VAE da una base mejor para tareas de visión ricas en detalle, y reporta «ninguna mejora significativa»: ajustado para profundidad, Iris-3B solo empata con el latente FLUX.2 Klein, y en restauración 4x no supera un ajuste fino latente de FLUX.2 Klein. La frase de la página del proyecto según la cual los generadores de imágenes pueden sustituir a modelos de visión como DINOv2 va más allá de lo que dice el artículo.
Turbo es la descarga práctica. Cuatro pasos con la guía integrada dan unos 0,7 segundos por imagen en una H100, y obtiene 0,820 en GenEval, algo por encima del modelo base, a costa de menos variedad entre semillas y un texto largo menos fiable (0,804). El modelo completo usa 100 pasos por defecto.
Pide más de lo que sugiere su número de parámetros. Necesitas una GPU NVIDIA con CUDA y el código propio del proyecto, ya que no hay soporte documentado para diffusers ni ComfyUI, y solo los pesos de texto a imagen ocupan unos 12 GB en float32, más otros 6 GB para Turbo. Para un investigador, la receta y el código de entrenamiento publicados abiertamente son el principal atractivo.
Dónde se gana su sitio
Un investigador de visión por computador en un laboratorio universitario
Estudiar la difusión en espacio de píxeles sin entrenar un modelo desde cero
Los pesos, la receta de entrenamiento y las configuraciones de destilación son públicos bajo Apache 2.0, y el artículo documenta sus modos de fallo. Partir de Iris-3B ahorra el preentrenamiento de 665.000 pasos; los ajustes finos de profundidad usaron 10.000 pasos.
Un estudio de dos personas que crea una app de maquetas de producto
Generar imágenes de borrador en su propia GPU sin pagar licencias
Turbo produce una imagen de 1.024 píxeles en unos 0,7 segundos en una H100, sin coste por imagen y con licencia Apache 2.0. Revisa a ojo los diseños con mucho texto: el texto renderizado es su punto más débil.
Antes de decidirte
- Puesta en marcha
- git clone del repositorio speridlabs/iris-3b, pip install -e . (Python 3.11 o posterior, PyTorch 2.7.1 o posterior), descarga los pesos con hf download y ejecuta scripts/sample.py; el codificador de texto se descarga en la primera ejecución. Se necesita una GPU NVIDIA con CUDA.
- Integraciones
- Scripts de línea de comandos para muestreo, profundidad (scripts/depth.py) y escalado (scripts/upscale.py), más dos demos en Hugging Face Spaces. Una LoRA comunitaria de 460 MB ofrece una variante más ligera de 4 pasos.
- Datos y privacidad
- Se ejecuta en local. Apache 2.0 permite el uso comercial; la ficha advierte de que los resultados pueden ser inexactos, sesgados o inseguros y deben revisarse.
- Coste a escala
- Sin tarifas de API. Las descargas son de unos 12 GB para texto a imagen, 12 GB cada uno para los modelos de profundidad y escalado y 6 GB para Turbo; la cifra de 0,7 segundos de Turbo corresponde a una H100 con tamaño de lote 4.
- Límites
- Alrededor de un megapíxel por imagen; los recuentos exactos de objetos y el texto largo en imágenes no son fiables. Turbo está fijado en 4 pasos sin CFG ni prompt negativo y da imágenes más parecidas entre semillas.
Lo bueno
- 0,540 en OneIG-Bench, a la par de Qwen-Image de 20B (autodeclarado)
- Turbo: 1.024 x 1.024 en unos 0,7 s en una H100
- Pesos Apache 2.0 y código de entrenamiento completo
- Ajustes finos de profundidad y escalado 4x en el mismo repositorio
Lo malo
- El texto largo renderizado queda por detrás de Qwen-Image y Z-Image
- Solo NVIDIA CUDA; sin vía documentada para diffusers o ComfyUI
- Salida máxima de alrededor de un megapíxel
- El artículo no encuentra una ganancia clara del prior en espacio de píxeles
Ideal para
Investigadores que trabajan en difusión en espacio de píxeles y desarrolladores que quieren un modelo de imagen entrenado desde cero, con licencia permisiva, que puedan reentrenar.
Alternativas a Iris-3B
Iris-3B: preguntas frecuentes
- ¿Merece la pena Iris-3B?
- Un generador en espacio de píxeles pequeño y totalmente abierto que iguala a Qwen-Image en un benchmark, de un laboratorio cuyo propio artículo concluye que no apareció la ventaja del espacio de píxeles que quería demostrar. Le damos un 3.7 sobre 5.
- ¿Cuánto cuesta Iris-3B?
- Pesos y código gratuitos bajo Apache 2.0; demos gratuitas en Hugging Face Spaces. Sin API de pago.
- ¿Qué inconvenientes tiene Iris-3B?
- El texto largo renderizado queda por detrás de Qwen-Image y Z-Image; solo NVIDIA CUDA; sin vía documentada para diffusers o ComfyUI; salida máxima de alrededor de un megapíxel; el artículo no encuentra una ganancia clara del prior en espacio de píxeles.
- ¿Para quién es Iris-3B?
- Investigadores que trabajan en difusión en espacio de píxeles y desarrolladores que quieren un modelo de imagen entrenado desde cero, con licencia permisiva, que puedan reentrenar.
- ¿Cuánto cuesta Iris-3B para un equipo o en producción?
- Sin tarifas de API. Las descargas son de unos 12 GB para texto a imagen, 12 GB cada uno para los modelos de profundidad y escalado y 6 GB para Turbo; la cifra de 0,7 segundos de Turbo corresponde a una H100 con tamaño de lote 4.
- ¿Es Iris-3B seguro para los datos de la empresa?
- Se ejecuta en local. Apache 2.0 permite el uso comercial; la ficha advierte de que los resultados pueden ser inexactos, sesgados o inseguros y deben revisarse.
- ¿Cuáles son las mejores alternativas a Iris-3B?
- Las alternativas más cercanas que hemos analizado son Z-Image-Turbo, FLUX 3 Image Klein y Qwen-Image-2.1.
Respuestas comprobadas el 31 oct 2026.