Entendiendo la IA visual generativa multimodal

Andy, cofundador de Black Force Labs, presenta la empresa y su visión de los medios visuales como la interfaz central de comunicación futura, extendiéndose más allá de lo que las cámaras pueden capturar. La compañía, fundada en agosto de 2024, cuenta con 45 empleados y sedes en Friburgo (Alemania) y San Francisco. Se introduce la familia de modelos Flux para la generación y edición de imágenes, estructurada en tres niveles: Flux Pro (API, rápido), Flux Dev (código abierto, personalizable, desarrollado por los creadores originales de Stable Diffusion) y Flux Schnell (código abierto, punto de entrada). Se destaca que Flux Dev se ha convertido en el modelo más grande en Hugging Face y el estándar para la generación abierta de imágenes.

Esta sección profundiza en Flux Context, el modelo más reciente lanzado en junio de 2025, que unifica la generación de texto a imagen y la edición de imágenes. Se enfatiza la importancia de la edición de imágenes, que permite iterar y controlar con precisión, un área que históricamente había quedado rezagada. Flux Context combina la generación con elementos de edición como la consistencia de personajes, la referencia de estilo y la edición local, todo a una velocidad casi en tiempo real. Se muestran ejemplos prácticos como eliminar objetos, colocar un personaje en un nuevo contexto manteniendo su consistencia, y cambiar el escenario, eliminando la necesidad de un ajuste fino laborioso. Además, se presentan aplicaciones empresariales como la creación instantánea de tomas de productos a partir de imágenes 'in-the-wild' y la transformación de bocetos en renders completos en cuestión de segundos.

Aquí se explica la pipeline del modelo y el algoritmo Latent Flow Matching, fundamental para el entrenamiento de estos modelos. Se compara la pipeline clásica de texto a imagen con la de edición de imágenes, señalando que esta última requiere una imagen de entrada y una instrucción de cambio, lo que la convierte en una tarea diferente. El aspecto 'Latent' se refiere al modelado generativo latente, que aprovecha la información imperceptible en las imágenes (ilustrado con el ejemplo JPEG vs. PNG) para entrenar un autoencoder que extrae un espacio latente de menor dimensión, más eficiente para el entrenamiento. El aspecto 'Flow Matching' describe cómo se entrena un campo vectorial para mapear una distribución simple (normal estándar) a distribuciones de datos complejas (imágenes naturales) en este espacio latente, permitiendo la generación de imágenes a partir de prompts de texto, aunque inicialmente este proceso es lento, requiriendo hasta 50 pasos de integración numérica.

Esta sección aborda cómo los modelos Flux logran su notable velocidad, siendo órdenes de magnitud más rápidos que sus competidores, a menudo 10 a 20 veces más veloces. La clave es el algoritmo 'Adversarial Diffusion Distillation' (ADD), desarrollado para reducir los pasos de integración numérica de aproximadamente 50 a tan solo 4, lo que acelera drásticamente la generación de imágenes. Se explica cómo un modelo 'estudiante' es entrenado para igualar la calidad de un modelo 'maestro' en menos pasos, utilizando una pérdida de destilación y un discriminador para asegurar la calidad y el realismo de las imágenes generadas. Finalmente, se presenta la versión simplificada y más eficiente en memoria, 'Latent Adversarial Diffusion Distillation' (LADD), que opera completamente en el espacio latente y utiliza el propio modelo maestro como discriminador, logrando una impresionante aceleración de 12.5 veces.

La charla culmina con una demostración en vivo de Flux Context, mostrando su capacidad para editar imágenes de manera interactiva y en tiempo real. El orador utiliza el logo de su club de fútbol, SC Freiburg, para ilustrar cómo se puede colocar en una camiseta, ajustar su tamaño y posición, cambiar el color de la camiseta y, finalmente, integrar la camiseta en una escena compleja con un hombre caminando en un parque. También se demuestra la transferencia de estilo, transformando la imagen en una pintura de acuarela con una simple instrucción de texto. Se enfatiza que todas estas tareas, que antes requerirían un ajuste fino individual y laborioso, ahora se combinan en un solo modelo, destacando el inmenso valor empresarial y la flexibilidad que ofrece Flux para diversas aplicaciones creativas y comerciales.