Un paper en Hugging Face mide por primera vez cómo los modelos de difusión, aquellos que generan imágenes, escalan respecto al texto que les proporciones. La calidad de la generación mejora de forma predecible cuando el prompt contiene más lenguaje estructurado, sin importar el número de palabras. Los investigadores definieron dos métricas para cuantificar esta estructura (GPG y ED) y encontraron relaciones regulares: la loss de difusión disminuye linealmente con la primera y sigue una power law con la segunda.

Si escribes prompts para generar imágenes, los resultados indican que organizar el texto con anotaciones semánticas y geométricas mejora la calidad del output de forma medible. Partiendo de esta idea, los investigadores construyeron un sistema que supera todos los modelos open-weight en benchmarks compositivos, de razonamiento y de world-knowledge, e iguala o supera los modelos propietarios en la mayoría de las evaluaciones.

Si quieres probarlo: el código es público en GitHub, con el proyecto descrito en la página oficial del paper.

En detalle

Los modelos de difusión generan imágenes a partir del texto. Hasta ahora nadie había medido de forma sistemática cómo cambia la calidad de la generación cuando el prompt se alarga. La razón es técnica: la loss de difusión, la métrica que mide cuán bien el modelo reconstruye la imagen, no escala con el número de tokens en un prompt en lenguaje natural. Más palabras no significan mejor loss, así que la relación parecía inexistente.

Este paper cambia la perspectiva. En lugar de contar tokens, los investigadores miden la cantidad de lenguaje estructurado en el prompt, con dos métricas complementarias: GPG (una medida “white-box” basada en la verosimilitud del lenguaje) y ED (una medida “black-box” basada en atributos). Encuentran que la loss converge de forma predecible: lineal con GPG, power law con ED.

¿Qué significa “estructurado” en la práctica? Un prompt estructurado incluye anotaciones semánticas (qué hay en la imagen) y geométricas (dónde se encuentra en el espacio). En lugar de “un gato en una mesa con una taza”, un prompt estructurado especifica posiciones, relaciones y atributos explícitamente.

Desde aquí, los investigadores mejoran el sistema en dos frentes. La diffusability: construyen prompts estructurados a partir de anotaciones derivadas de las propias imágenes. La promptability: entrenan un “prompter” que transforma descripciones simples en prompts estructurados, usando supervised fine-tuning, cold-start y verifier-gated on-policy distillation. En esta última técnica, la destilación on-policy es el mismo hilo que seguimos con β-OPSD, donde el paper identificaba el parámetro que hacía estable la destilación para modelos de razonamiento.

El resultado: el sistema supera todos los modelos open-weight evaluados en casi todos los benchmarks compositivos, de razonamiento y de world-knowledge, e iguala o supera los modelos propietarios más fuertes en la mayoría de las evaluaciones.

Cuánta confianza dar. Los resultados provienen del abstract y de la página del proyecto. El paper fue publicado el 31 de julio de 2026 y subido a Hugging Face el 3 de agosto, con 23 upvotes. El repo GitHub tiene 2 stars: el código es público pero su adopción aún es prematura. Las métricas GPG y ED están definidas por los investigadores mismos, y la afirmación de superar “todos los modelos open-weight” debe interpretarse con cautela hasta que la comunidad replique los resultados.

Para quien usa IA en su trabajo, el ángulo práctico es claro. Si generas imágenes con prompts, experimenta con la estructura del texto: separa descripción semántica y geométrica, usa anotaciones explícitas. El principio de que la organización del contexto importa más que su cantidad es el mismo en la base del playbook sobre el contexto correcto a la primera, donde el orden y la estructura de lo que le das al modelo hacen la diferencia entre una respuesta útil y una que necesita corrección.