Midjourney presenta la versión 6 (alpha) de su generador de imágenes

Midjourney abrió el 20 de diciembre de 2023 la versión 6 de su generador de imágenes. La documentación oficial conserva la fecha y resume las mejoras en seguimiento de instrucciones largas, coherencia, conocimiento, uso de imágenes como referencia y remezcla. El 21 de diciembre, fecha de esta pieza, seguía siendo una versión de prueba accesible mediante el parámetro correspondiente.

Qué cambia con la versión 6

Midjourney funciona, desde su nacimiento, como un bot dentro de Discord: no existe una aplicación web independiente, y los usuarios generan imágenes escribiendo instrucciones de texto (prompts) en un canal de chat. Para probar la nueva versión basta con activar el parámetro "--v 6" al final del prompt o cambiarlo por defecto desde el comando /settings.

La mejora que más salta a la vista es la interpretación del lenguaje. Las versiones anteriores del modelo tendían a ignorar matices de prompts largos o con múltiples instrucciones encadenadas; la versión 6 procesa frases más complejas y respeta con mayor fidelidad detalles concretos —posturas, relaciones espaciales entre objetos, estilos mezclados— que antes se perdían por el camino.

El segundo salto, y probablemente el más comentado, es la capacidad de renderizar texto legible dentro de las imágenes. Hasta ahora, pedirle a Midjourney que incluyera un cartel, un logotipo o una frase en una escena solía traducirse en garabatos ilegibles: una de las limitaciones más citadas de los generadores de imágenes basados en difusión. La versión 6 alpha reduce sensiblemente ese problema, aunque el propio carácter "alpha" del lanzamiento —una fase de pruebas tempranas, no una versión estable ni definitiva— implica que el resultado sigue siendo irregular según la complejidad del texto pedido.

La fuente de Midjourney habla de mayor coherencia y mejor comprensión del encargo. Esas son afirmaciones del proveedor, no una comparación independiente. Para convertirlas en evidencia hay que ejecutar el mismo conjunto de prompts en la versión anterior y en la nueva, ocultar la etiqueta a quien puntúa y repetir las generaciones.

Por qué importa este lanzamiento

Midjourney ha construido su reputación sobre la calidad estética de sus resultados, en un terreno donde compite con Stable Diffusion, el modelo abierto de Stability AI, y con DALL-E 3, integrado por OpenAI en ChatGPT Plus desde octubre. Ese último rival había marcado distancia precisamente en el terreno donde Midjourney era más débil: seguir instrucciones detalladas al pie de la letra. La versión 6 responde directamente a esa presión competitiva.

En el lanzamiento, el acceso se realizaba mediante la interfaz de Discord y una suscripción. Los precios y superficies de acceso cambian con el tiempo, por lo que una evaluación histórica no debe convertir una tarifa o una ausencia de API en una propiedad permanente. Para un flujo profesional importan además el coste de iterar, la cola, la licencia de uso y la posibilidad de reproducir o corregir una imagen.

Qué queda por ver

La etiqueta "alpha" no es cosmética: Midjourney suele iterar sus versiones mayores durante semanas o meses antes de convertirlas en la opción por defecto, ajustando velocidad, consistencia y comportamiento del modelo a partir del uso masivo de su comunidad. Cómo evolucione esta versión 6 en las próximas semanas, y si mantiene la mejora en renderizado de texto bajo prompts más exigentes, marcará si el salto anunciado esta semana se traduce en un cambio real de estándar para el sector o queda como una demostración de laboratorio.

El texto legible necesita un criterio más estricto

La documentación de Midjourney indica que las versiones 6 y posteriores pueden producir palabras cuando se escriben entre comillas dobles, y recomienda frases cortas. «Puede» no significa «lo escribe siempre». Una prueba debe fijar palabra, alfabeto, longitud, estilo, número de intentos y proporción de imágenes correctas sin edición.

En un cartel profesional, una letra errónea puede inutilizar toda la imagen aunque el resto sea atractivo. Conviene medir exactitud textual separada de calidad visual y contar cuántas regeneraciones o correcciones hacen falta. El mejor resultado elegido entre muchas muestras no describe la fiabilidad de una sola solicitud.

Prompts largos: cobertura y conflicto

Para probar seguimiento de instrucciones se crea una lista de atributos observables: sujeto, número, acción, relación espacial, color, estilo y exclusiones. Cada salida se puntúa atributo por atributo. Si el prompt contiene condiciones incompatibles, el fallo puede estar en el encargo; si ignora sistemáticamente el último detalle, puede existir un problema de cobertura.

La versión y los parámetros son parte del resultado. El mismo texto con distinto valor de stylize, relación de aspecto o imagen de referencia no es la misma prueba. Guardar prompt completo, semilla cuando exista, parámetros y fecha permite comparar sin depender de memoria visual.

Una comparación ciega que se pueda repetir

El conjunto de prueba se decide antes de generar: retratos, escenas con varios objetos, relaciones espaciales, material gráfico con texto y encargos que combinen estilos. Para cada caso se redacta una rúbrica observable. «Más bonito» puede quedar como preferencia, pero «incluye los dos objetos», «respeta la posición» o «escribe la palabra exacta» admite una comprobación consistente.

Después se producen varias muestras por versión con el mismo presupuesto. Se ocultan el nombre del sistema y el orden a quienes puntúan, y se conservan también los fallos. Elegir la mejor imagen de cada modelo mide capacidad máxima bajo selección; evaluar la primera mide fiabilidad de uso. Son preguntas distintas y ambas interesan a un equipo que calcula tiempo de edición.

Cuando dos revisores discrepan, la rúbrica debe resolver el atributo factual y registrar por separado el gusto. Esa separación evita que una preferencia estética se presente como mejora técnica. El informe final publica cuántas imágenes cumplieron cada condición, cuántas generaciones fueron necesarias y cuánto trabajo manual quedó. Una galería sin denominador enseña posibilidades, no rendimiento.

Alpha significa que el comportamiento puede moverse

Una alpha sirve para explorar, no para congelar un flujo crítico sin controles. Antes de adoptarla hay que conservar una versión alternativa, revisar derechos de uso, presupuestar variaciones y documentar qué casos fallan. Si el proveedor cambia el modelo detrás de un nombre, un resultado anterior puede dejar de reproducirse.

El lanzamiento tampoco demuestra superioridad general frente a DALL-E o Stable Diffusion. Cada sistema combina interfaz, estilo, control, coste y licencia. La comparación justa usa los mismos encargos y un umbral decidido antes de mirar las imágenes.

En producción conviene separar exploración y entrega. La versión nueva puede proponer bocetos mientras una versión estable conserva los encargos repetibles; sólo pasa al flujo final cuando supera el umbral fijado. También se archivan los archivos de origen, parámetros y fecha. Si una actualización cambia el resultado, el equipo puede localizar qué decisión dependía del modelo y rehacerla sin reconstruir todo el proceso.

La evaluación incluye derechos y operación, no sólo píxeles. Una imagen sobresaliente puede ser inútil si la licencia no cubre el uso previsto, si no admite correcciones locales o si exige demasiados intentos. Por eso el coste se mide por activo aceptado: suscripción, tiempo de generación, selección, retoque y revisión. Esa unidad permite comparar herramientas con interfaces y tarifas distintas.

La capacidad que sobrevive a V6

La capacidad transferible es convertir «se ve mejor» en una evaluación: conjunto fijo, versiones declaradas, varias muestras, puntuación ciega, exactitud textual, cobertura del prompt, coste y tiempo. Así, una actualización deja de ser una galería seleccionada y pasa a ser una decisión que un equipo puede explicar y repetir.