AI FRONTIER
Signals worth understanding before they become obvious.
Diffusion Controller de Google Research unifica y simplifica el control de la generación de imágenes con IA
Google Research presenta Diffusion Controller, una red ligera tipo «amortiguador de dirección» que trata el proceso de eliminación de ruido de la difusión como un problema de control continuo, mejorando la alineación con el prompt y la calidad de imagen sin modificar el modelo base.
- En las variantes SFT y RWL, la red amortiguadora Diffusion Controller en modo gray-box superó a LoRA en tasas de victoria HPS-v2, manipulando además muchas menos capas internas del modelo.
- El artículo informa de que su versión totalmente desbloqueada (white-box, con acceso sin restricciones para alterar los pesos internos) alcanzó una tasa de victoria del 90 % frente al modelo base.
- La red se acopla a modelos de código cerrado con acceso restringido y permite ajustar un único parámetro de intensidad de guiado en inferencia para subir o bajar las restricciones de control.
Para los desarrolladores, esto implica que un modelo de imagen de código cerrado puede orientarse hacia nuevas preferencias con un complemento ligero de intensidad ajustable, sin acceso white-box a los pesos.
Cloudflare/clef-flash: un modelo de decisión multimodal de 9B que devuelve probabilidades estructuradas en una sola pasada hacia adelante
Cloudflare publicó clef-flash, un modelo multimodal de 9B postentrenado a partir de Qwen/Qwen3.5-9B que convierte un estado y un esquema de preguntas tipadas en decisiones, devolviendo una probabilidad para cada opción permitida de cada pregunta en una sola pasada hacia adelante, sin generación de texto libre.
- Postentrenado a partir de Qwen/Qwen3.5-9B con su codificador de visión, almacenado como safetensors fragmentados estándar.
- Lee el estado como texto, JSON, imágenes o vídeo y devuelve un logit por cada opción permitida de cada pregunta, con un softmax por pregunta para obtener las probabilidades.
- Publicado bajo licencia Apache-2.0, siguiendo el modelo base Qwen/Qwen3.5-9B.
- Probado con torch 2.11 y transformers 5.10.2 en una sola H200; las entradas de imagen y vídeo también necesitan pillow.
Para los desarrolladores de IA que necesitan decisiones estructuradas en lugar de generación libre, clef-flash ofrece una salida de probabilidad de 9B en una sola pasada hacia adelante que se conecta directamente a la API Jev/SystemOne.
Qwen publica Qwen-Image-2.1: un modelo unificado de 7B para texto a imagen y edición
Qwen ha publicado como código abierto Qwen-Image-2.1, un modelo unificado de generación de texto a imagen y edición de imágenes cuyo componente de generación visual tiene 7B de parámetros en 32 capas Single-Stream DiT.
- El componente de generación visual tiene 7B de parámetros en 32 capas Single-Stream DiT.
- Admite hasta 10 imágenes de referencia y ediciones locales especificadas mediante círculos, anotaciones pintadas o máscaras separadas.
- Las relaciones de aspecto admitidas incluyen 1:1, 4:3, 3:4, 3:2, 2:3, 16:9 y 9:16, con ejemplos de hasta 2752×1536.
- Tiene licencia Qwen Research License Agreement y registró 90.003 descargas el mes pasado.
Como un solo modelo cubre texto a imagen, generación de capas transparentes y edición con múltiples referencias, los equipos pueden reducir la cantidad de modelos integrados en un flujo creativo.