SDXL 1.0: cómo evaluar un modelo de imagen abierto sin mirar solo la galería

Stability AI publicó SDXL 1.0 el 26 de julio de 2023 con pesos descargables, código y una licencia que admitía usos comerciales bajo condiciones. El anuncio lo presentaba como su mejor modelo abierto de imagen. Para decidir si realmente mejoraba un flujo, una galería elegida por el fabricante no bastaba: había que probar modelo, pipeline, licencia y coste operativo.

SDXL generaba imágenes alrededor de un área de 1024 por 1024 píxeles y admitía múltiples relaciones de aspecto. Podía funcionar solo con el modelo base o añadir un refinador en una segunda etapa. Esa arquitectura ofrecía opciones, no una mejora automática en cada imagen. El refiner consumía más tiempo y podía aportar detalle local; la utilidad dependía de la tarea.

Qué cambió en la arquitectura

El informe técnico de SDXL describe una UNet tres veces mayor que en versiones anteriores, más bloques de atención, un contexto de atención cruzada más amplio y dos codificadores de texto. También incorpora condicionamiento por tamaño original y recorte, además de entrenamiento con distintas relaciones de aspecto.

El condicionamiento intenta corregir un problema de los datos de entrenamiento: imágenes pequeñas ampliadas o recortadas pueden enseñar composiciones indeseadas. Al proporcionar tamaño y posición de recorte, el sistema recibe más información sobre cómo se obtuvo una imagen. Eso no significa que entienda la intención artística; significa que el generador puede usar variables adicionales durante el muestreo.

El refinador es otro modelo de difusión especializado en niveles bajos de ruido. Recibe los latentes producidos por la base, añade ruido y vuelve a eliminarlos para mejorar fidelidad visual. Los autores aclaran que es opcional. Por eso «pipeline de dos etapas» no debe convertirse en «siempre necesita dos modelos».

1024 no equivale a precisión

Una resolución de salida mayor ofrece más píxeles para representar detalle. No garantiza anatomía, texto legible, relaciones espaciales ni correspondencia con el prompt. La ficha oficial del modelo enumera precisamente esas limitaciones: fotorealismo imperfecto, texto ilegible, problemas de composición, caras y personas defectuosas y pérdidas del autoencoder.

El original afirmaba menos artefactos y mejor manejo de manos y rostros como consecuencia directa de 1024 píxeles. La fuente no permite esa relación general. Una mano mal estructurada puede renderizarse con más detalle y seguir mal. Resolución mide dimensiones; fidelidad anatómica es otra variable.

Para comprobarla, prepara prompts con conteos, posiciones y relaciones verificables: tres tazas sobre una mesa, un cubo rojo encima de una esfera azul, dos manos sujetando una cuerda. Evalúa si aparecen todos los objetos, si la relación es correcta y si las partes son plausibles. El tamaño de archivo se registra aparte.

Cómo leer la evaluación del fabricante

El paper comparó cuatro opciones mediante preferencias humanas: SDXL con refinador obtuvo 48,44% de elecciones, la base 36,93%, Stable Diffusion 1.5 un 7,91% y Stable Diffusion 2.1 un 6,71%, bajo el estudio descrito. Es evidencia favorable dentro de ese conjunto de prompts, configuraciones y evaluadores.

La misma investigación advirtió que métricas clásicas como FID y CLIP no reflejaban la mejora percibida; SDXL tenía el peor FID de los tres modelos comparados allí y solo una ventaja pequeña en CLIP. Eso no invalida la preferencia humana. Enseña que «calidad» contiene varias dimensiones y que una métrica puede premiar algo distinto de lo que una persona elige.

Antes de adoptar, define la dimensión: fidelidad al texto, estética, anatomía, diversidad, consistencia de marca, tiempo o capacidad de edición. Un único voto «me gusta más» mezcla todas. Una prueba útil pide al evaluador puntuar cada eje sin conocer el modelo y conserva también los fallos.

Pesos disponibles no significa sin condiciones

Los pesos se distribuyeron bajo la CreativeML Open RAIL++-M de SDXL 1.0. La licencia concedía derechos amplios para usar, modificar y distribuir el modelo, pero imponía restricciones de uso y obligaciones al redistribuir. No era correcto resumirla como «sin restricciones».

Quien ofrece un servicio a terceros debe trasladar las restricciones, entregar una copia de la licencia, conservar avisos y marcar archivos modificados. La licencia también atribuía al usuario responsabilidad por las salidas y excluía garantías. «Comercial permitido» responde solo a una pregunta; producto, jurisdicción, datos, marcas y contenido generado pueden crear otras obligaciones.

Una revisión de licencia crea una tabla de verbos: ejecutar, modificar, afinar, distribuir pesos, ofrecer API y publicar salidas. Para cada verbo anota condiciones y responsable. La versión y el hash del archivo deben acompañar la tabla: una licencia posterior o un modelo con nombre parecido no sustituyen el texto aceptado.

Un experimento de migración

Primero congela un conjunto de 50 instrucciones reales y diez casos difíciles. Incluye retrato, producto, texto, escenas con varias entidades, estilos y formatos verticales y horizontales. Guarda semillas, sampler, pasos, escala de guía, resolución y hardware. Sin esos datos, una imagen bonita no puede repetirse ni compararse.

Segundo, genera el mismo número de candidatos con el sistema anterior, SDXL base y base más refinador. No selecciones solo el mejor resultado de una opción si comparas con el primero de otra. Un protocolo posible produce cuatro imágenes por instrucción y permite el mismo presupuesto de retoques.

Tercero, evaluadores ciegos puntúan cumplimiento del prompt, defectos, utilidad y preferencia. Separan fallos reparables de los que obligan a regenerar. El indicador operativo es el porcentaje de encargos aceptados tras un presupuesto fijo, no cuántas imágenes se produjeron.

Cuarto, mide recursos. Registra tiempo, memoria, energía si está disponible, almacenamiento, carga del modelo y minutos humanos de revisión. El refinador puede ganar calidad y perder coste por pieza. La decisión se toma con coste por salida aprobada.

El modelo no es todo el producto

Ejecutar pesos localmente otorga control sobre infraestructura y versiones, pero transfiere mantenimiento, seguridad y moderación. Hay que verificar hashes, fijar dependencias, aislar la interfaz, limitar archivos y registrar quién generó qué. Un servicio alojado resuelve parte de esas tareas a cambio de enviar datos y aceptar sus términos.

Los modelos afinados y adaptadores de versiones anteriores tampoco migran automáticamente. Cambios en arquitectura, codificadores y dimensiones pueden hacerlos incompatibles. Antes de convertir un catálogo completo, se prueba un subconjunto, se documenta la receta y se conserva una ruta de vuelta.

La procedencia del material de entrada sigue importando. Una imagen de referencia puede contener derechos, datos personales o secretos aunque el modelo sea descargable. La apertura del peso no concede derechos sobre todo lo que se le entrega ni sobre cualquier uso de la salida.

Comparar versiones exige congelar el entorno

Una etiqueta como «SDXL 1.0» no identifica por sí sola todos los componentes. La base, el refinador, el autoencoder, la biblioteca y el planificador pueden cambiar. Un equipo debe guardar nombres exactos, versiones y hashes antes de atribuir una mejora al modelo.

La comparación también fija el presupuesto de inferencia. Más pasos, mayor resolución y selección entre más semillas pueden mejorar cualquier sistema a cambio de tiempo. Si SDXL recibe cuatro intentos y el modelo anterior uno, se está midiendo presupuesto, no solo arquitectura. El informe debe publicar ambos resultados: calidad con recursos iguales y mejor calidad alcanzable bajo un límite operativo. Así una migración no confunde un ajuste de configuración con una capacidad nueva.

Una ficha que permite repetir

Para cada imagen conserva identificador del modelo, hash, licencia, código, prompt, entrada, semilla, sampler, pasos, guía, dimensiones, refinador y edición posterior. Añade quién la revisó y para qué uso fue aprobada. Esa ficha convierte un resultado visual en un artefacto auditable.

SDXL 1.0 amplió de verdad lo que equipos independientes podían ejecutar y adaptar. Su valor no dependía de declararlo «más potente», sino de que pesos, paper, ficha y licencia permitían inspeccionar partes que un servicio cerrado oculta. La capacidad transferible es usar esa apertura: leer límites, diseñar una comparación ciega y calcular coste por imagen aceptada. Descargar un modelo es solo el comienzo de evaluarlo.