FLUX.1: los creadores de Stable Diffusion lanzan una nueva IA de imagen

Black Forest Labs presentó el 1 de agosto de 2024 FLUX.1, una familia que convierte instrucciones escritas en imágenes. La empresa reúne a investigadores que participaron en VQGAN, difusión latente, Stable Diffusion y Stable Diffusion XL. Su primer lanzamiento no fue un único modelo con tres velocidades, sino tres productos con accesos y derechos diferentes: [pro] por API, [dev] con pesos para usos no comerciales y [schnell] con licencia Apache 2.0.

La distinción cambia lo que puede hacer un artista, un investigador o una empresa. Una versión puede producir la imagen preferida y no autorizar que se conviertan sus pesos en un servicio. Otra puede admitir integración comercial y sacrificar acabado a cambio de velocidad. Antes de comparar una galería hay que construir una ficha con cuatro columnas: calidad, coste, control y licencia.

Tres apellidos que forman parte del producto

El anuncio original de Black Forest Labs definió FLUX.1 [pro] como la versión de mayor calidad, disponible mediante la API de la empresa y socios. El usuario enviaba una solicitud y recibía una imagen sin descargar los pesos. Esa vía simplifica infraestructura y escalado, pero somete datos, disponibilidad y condiciones al proveedor del servicio.

FLUX.1 [dev] era una destilación de [pro] diseñada para conservar calidad y seguimiento de instrucciones con mayor eficiencia. Sus pesos se podían descargar para aplicaciones no comerciales. La tarjeta oficial de [dev] lo describe como un transformador de flujo rectificado de 12.000 millones de parámetros, entrenado mediante destilación de guía y distribuido bajo una licencia no comercial.

FLUX.1 [schnell] —«rápido» en alemán— estaba optimizado para generar con pocos pasos. Sus pesos se publicaron con Apache 2.0, una licencia permisiva que admite uso comercial bajo sus términos. En el repositorio inicial, el archivo principal de pesos ocupaba 23,8 GB: acceso abierto no significa descarga pequeña ni inferencia instantánea en cualquier equipo.

El código oficial de inferencia permite ejecutar los modelos de pesos accesibles. El hecho de que el repositorio use Apache 2.0 no cambia la licencia de [dev]: código y pesos son artefactos separados. Copiar la licencia visible en la raíz sin abrir la del modelo puede llevar a desplegar comercialmente algo que no estaba autorizado.

Modelo, salida y API tienen contratos distintos

La licencia inicial de [dev] permitía acceder, usar, crear derivados y distribuirlos solo para fines no comerciales. El texto del contrato asociado a la versión indicaba que una actividad comercial con el modelo o una derivada requería una licencia adicional de Black Forest Labs.

Sin embargo, el mismo texto decía que la empresa no reclamaba propiedad sobre las salidas y autorizaba usarlas con fines comerciales, salvo las prohibiciones del contrato. También impedía emplearlas para entrenar, ajustar o destilar un modelo competidor. Por tanto, «[dev] no comercial» describía los pesos y derivados, no una prohibición absoluta de vender una ilustración generada. Es un ejemplo de por qué la respuesta jurídica no cabe en la etiqueta de una página.

[schnell] resolvía de otra manera el uso comercial de pesos: Apache 2.0 concede permisos amplios de uso, modificación y distribución, con obligaciones como conservar avisos. [pro] añadía los términos de la API, no la licencia de un peso descargable. La auditoría correcta abre el contrato exacto de la variante y de la vía utilizada; no traslada permisos de un hermano a otro.

Además de la licencia, quedan los derechos sobre materiales de entrada y salida. Que el proveedor no reclame una imagen no garantiza que el usuario posea todos los derechos sobre una marca, rostro o obra introducida en el prompt. El contrato del modelo no sustituye la legislación ni las autorizaciones sobre contenido de terceros.

Qué hace un modelo de flujo

Black Forest Labs describió los modelos públicos como una arquitectura híbrida de bloques transformadores multimodales y de difusión, escalada a 12.000 millones de parámetros y basada en flow matching. El sistema aprende un camino que lleva desde una distribución de ruido hasta una representación de imagen, condicionado por el texto. Durante la generación recorre ese camino en varios pasos.

Un transformador ayuda a relacionar palabras, posiciones y componentes visuales; el proceso de flujo construye la imagen desde una representación desordenada. La explicación aclara por qué [schnell] puede ser más rápido: la destilación intenta aprender un recorrido que necesita menos pasos. Menos pasos reduce tiempo, pero la relación con calidad debe medirse en la resolución y el hardware reales.

Doce mil millones de parámetros tampoco son una nota visual. Arquitectura, datos, ajuste, decodificador, muestreador y número de pasos modifican el resultado. Dos variantes con escala parecida pueden diferir mucho porque una ha sido destilada desde otra o porque optimiza una función diferente.

Cómo comprobar la promesa de calidad

Black Forest Labs afirmó que [pro] y [dev] superaban a Midjourney v6.0, DALL·E 3 HD y Stable Diffusion 3 Ultra en calidad visual, seguimiento del prompt, formatos, tipografía y diversidad. Era una comparación del fabricante. No publicó en el anuncio un protocolo completo que convierta el gráfico en una verdad para cada estilo, idioma o uso.

Una evaluación útil empieza con un banco fijo de instrucciones. Debe incluir escenas simples y complejas, conteos, relaciones espaciales, texto exacto, manos, objetos parcialmente ocultos, varios estilos permitidos y diversidad de personas. Para un catálogo comercial se añaden fondo, color corporativo, márgenes y espacio negativo. El mismo conjunto se ejecuta en todas las variantes.

Hay que generar varias imágenes por petición con semillas registradas. Elegir solo el mejor resultado mide capacidad de selección, no fiabilidad de una generación. El equipo puede hacer comparaciones ciegas por pares y registrar cuatro tasas: cumplimiento de elementos, defectos graves, necesidad de retoque y porcentaje realmente utilizable. También mide tiempo, coste y memoria.

La tipografía requiere un criterio literal: no basta con que el rótulo parezca texto. Se transcribe lo generado y se compara con la cadena solicitada. Las relaciones espaciales se puntúan por cada condición —objeto A a la izquierda de B, tres unidades, color correcto—. Descomponer el prompt evita que una imagen atractiva oculte que incumplió la tarea.

Diversidad no es solo variedad estética

El anuncio destacaba diversidad de salida. Para comprobarla se repite una petición sin especificar edad, piel, cuerpo o entorno y se observa la distribución, pero sin concluir que una muestra pequeña representa el entrenamiento. Luego se añaden atributos explícitos y se mide si el modelo los sigue sin estereotipos no pedidos.

También se buscan duplicaciones: composiciones, rostros o marcas que aparecen con demasiada frecuencia. Una herramienta creativa puede producir imágenes distintas a primera vista y repetir el mismo esquema. La diversidad valiosa combina variedad entre semillas con control cuando el usuario sí fija una condición.

La procedencia de los datos no quedó detallada en el anuncio. Pesos accesibles permiten inspección y adaptación, pero no entregan automáticamente un inventario del corpus. Quien necesita trazabilidad para una campaña debe tratar esa ausencia como un límite documentado, no como una pregunta resuelta por la arquitectura.

Elegir por flujo de trabajo, no por podio

[pro] podía convenir si importaba el mejor resultado declarado y no se quería operar GPU. [dev] ofrecía experimentación local, ajuste y control del proceso dentro del marco no comercial. [schnell] favorecía prototipos, previsualizaciones e integraciones comerciales donde velocidad y licencia permisiva pesaban más. Ninguna elección era universal.

El piloto debe reproducir la cadena completa: entrada, generación, filtrado, revisión humana, edición, almacenamiento y publicación. Para contenido público se añaden registro de procedencia, política sobre personas reales y una señal cuando una imagen pueda confundirse con documentación. Un filtro del proveedor no releva a quien publica.

La capacidad transferible es separar tres objetos antes de usar cualquier generador: los pesos del modelo, la imagen que produce y el servicio que lo ejecuta. Cada uno puede tener un contrato y un riesgo distinto. FLUX.1 amplió la competencia y el control local, pero su familia solo se entendía al conservar los apellidos [pro], [dev] y [schnell]. Quitarlos convertía tres decisiones técnicas y jurídicas en una marca imprecisa.