Un paper su Hugging Face misura per la prima volta come i modelli di diffusione, quelli che generano immagini, scalano rispetto al testo che gli dai. La qualità della generazione migliora in modo prevedibile quando il prompt contiene più linguaggio strutturato, a prescindere dal numero di parole. I ricercatori hanno definito due metriche per quantificare questa struttura (GPG ed ED) e hanno trovato relazioni regolari: la loss di diffusione scende in modo lineare con la prima e segue una power law con la seconda.

Se scrivi prompt per generare immagini, i risultati indicano che organizzare il testo con annotazioni semantiche e geometriche migliora la qualità dell’output in modo misurabile. Partendo da questa idea, i ricercatori hanno costruito un sistema che supera tutti i modelli open-weight sui benchmark compositivi, di ragionamento e di world-knowledge, e pareggia o supera i modelli proprietari su gran parte delle valutazioni.

Se vuoi provarci: il codice è pubblico su GitHub, con il progetto descritto sulla pagina ufficiale del paper.

Nel dettaglio

I modelli di diffusione generano immagini partendo dal testo. Finora nessuno aveva misurato in modo sistematico come la qualità della generazione cambia quando il prompt si allunga. Il motivo è tecnico: la loss di diffusione, la metrica che misura quanto bene il modello ricostruisce l’immagine, non scala con il numero di token in un prompt in linguaggio naturale. Più parole non significano loss migliore, e quindi la relazione sembrava inesistente.

Questo paper cambia prospettiva. Invece di contare i token, i ricercatori misurano la quantità di linguaggio strutturato nel prompt, con due metriche complementari: GPG (una misura “white-box” basata sulla verosimiglianza del linguaggio) ed ED (una misura “black-box” basata sugli attributi). Trovano che la loss converge in modo prevedibile: lineare con GPG, power law con ED.

Cosa significa “strutturato” in pratica? Un prompt strutturato include annotazioni semantiche (cosa c’è nell’immagine) e geometriche (dove si trova nello spazio). Invece di “un gatto su un tavolo con una tazza”, un prompt strutturato specifica posizioni, relazioni e attributi in modo esplicito.

Da qui i ricercatori migliorano il sistema su due fronti. La diffusability: costruiscono prompt strutturati a partire da annotazioni derivate dalle immagini stesse. La promptability: addestrano un “prompter” che trasforma descrizioni semplici in prompt strutturati, usando supervised fine-tuning, cold-start e verifier-gated on-policy distillation. Su quest’ultima tecnica, la distillazione on-policy è lo stesso filo che abbiamo seguito con β-OPSD, dove il paper identificava il parametro che rendeva stabile la distillazione per i modelli di reasoning.

Il risultato: il sistema supera tutti i modelli open-weight valutati su quasi ogni benchmark compositivo, di ragionamento e di world-knowledge, e pareggia o supera i modelli proprietari più forti su gran parte delle valutazioni.

Quanto fidarsi. I risultati vengono dall’abstract e dalla pagina del progetto. Il paper è stato pubblicato il 31 luglio 2026 e caricato su Hugging Face il 3 agosto, con 23 upvote. Il repo GitHub ha 2 star: il codice è pubblico ma l’adozione è ancora acerba. Le metriche GPG ed ED sono definite dai ricercatori stessi, e l’affermazione di superare “tutti i modelli open-weight” va letta con cautela finché la community non replica i risultati.

Per chi usa l’AI nel proprio lavoro, l’angolo pratico è chiaro. Se generi immagini con prompt, sperimenta con la struttura del testo: separa descrizione semantica e geometrica, usa annotazioni esplicite. Il principio che l’organizzazione del contesto conta più della sua quantità è lo stesso alla base del playbook sul contesto giusto al primo colpo, dove l’ordine e la struttura di ciò che dai al modello fanno la differenza fra una risposta utile e una da correggere.