Arquitecturas generativas: de la difusión latente al Flow Matching
Aprende a razonar sobre el modelo, no solo a usar su interfaz.
Mapa de procesamiento
En una canalización moderna de texto a imagen, el texto se transforma en representaciones numéricas mediante uno o varios codificadores. El generador predice cómo transformar ruido o una representación perturbada en una representación visual coherente. En muchos sistemas, esto ocurre en un espacio latente, de menor resolución que la imagen final. Un decodificador —frecuentemente el de un autoencoder— transforma la representación latente a píxeles. No todos los modelos comerciales utilizan la misma arquitectura ni exponen estas etapas al usuario.
Diffusion Transformer y atención multimodal
Los modelos tipo Diffusion Transformer (DiT) tratan los elementos latentes como tokens que pueden intercambiar información mediante atención. La familia MMDiT, descrita en la investigación de Stable Diffusion 3, emplea representaciones de texto e imagen con pesos separados e intercambio bidireccional. La implicación es técnica: una descripción correcta no garantiza una anatomía correcta, porque la alineación entre palabras, regiones y relaciones espaciales no equivale a una simulación física de la escena.
Flow Matching y trayectoria de generación
Flow matching aprende un campo vectorial que transporta una distribución inicial a otra. Una trayectoria lineal pedagógica entre ruido ε y una muestra latente z₁ puede escribirse como z(t) = (1 − t)·ε + t·z₁; el modelo aprende a aproximar una velocidad vθ(z,t,c) dependiente de la condición c. Esta simplificación sirve para entender el mecanismo: no implica que todos los sistemas implementen exactamente esta trayectoria ni que menos pasos siempre produzcan mejor calidad.
Cómo diseñar un experimento científico
Mantén prompt, referencia, relación de aspecto y semilla constantes cuando sean compatibles, y modifica una sola variable: por ejemplo, número de pasos o método de muestreo. Registra cuatro resultados: adherencia semántica, consistencia de identidad, artefactos y tiempo de ejecución. No compares modelos diferentes suponiendo que el número de pasos es equivalente: sus escalas y planificadores pueden no ser comparables.
Laboratorio técnico del capítulo
- Dibuja tu canalización real: referencia → codificación → condición → generador → decodificación → posproducción.
- Documenta qué etapas puedes controlar en A2E y cuáles permanecen ocultas.
- Haz tres variantes donde cambies una variable por vez y anota las diferencias; si la plataforma no expone la variable, marca “no disponible”.
Entregable: un documento de decisiones técnicas y evidencias; no basta con una imagen bonita.





