FLUX 3 Image: cuadros delimitadores, salida 4K y el diseño como archivo de configuración

Black Forest Labs lanzó FLUX 3 Image el 1 de octubre, completando el componente de imagen de la familia FLUX 3. Está disponible a través de la API y el Playground de la compañía, con un descuento introductorio del 50 por ciento vigente hasta el 8 de octubre y un lanzamiento de pesos abiertos prometido para las próximas semanas.

Las tres afirmaciones destacadas son la salida nativa en 4K, el control de diseño a nivel de elemento y las ediciones que preservan regiones. Cada una merece un análisis detallado, porque la tercera hace más trabajo del que sugiere el marketing.

La cuadrícula reemplaza la prosa

FLUX 3 Image acepta un arreglo JSON de cuadros delimitadores anexado al prompt, expresado sobre una cuadrícula de coordenadas normalizada de 0 a 1000. Cada elemento recibe un ID, una descripción de texto y un cuadro con el formato [y_min, x_min, y_max, x_max]. El modelo entonces coloca ese elemento dentro de ese cuadro, independientemente de la resolución de salida.

Esta es la parte en torno a la cual se construyó el lanzamiento, y representa un cambio genuino en cómo se especifica el diseño. En la mayoría de los flujos de trabajo de texto a imagen, la disposición espacial se describe en lenguaje natural («una botella en el tercio izquierdo, una mano entrando desde la derecha») y el modelo lo interpreta como una preferencia flexible. El resultado es una distribución de salidas que suele quedar cerca de la descripción, y a veces no.

Una cuadrícula de coordenadas elimina el paso de interpretación. Ya no describes un diseño con la esperanza de acertar; lo declaras. Para un diseñador que trabaja en una herramienta de diseño, eso se corresponde con un modelo mental ya existente. Para un pipeline que genera cientos de fotos de producto que necesitan al modelo en la misma posición, convierte un problema estético en un problema de configuración.

Hay una advertencia que acompaña a cualquier sistema de coordenadas: los cuadros no le dicen al modelo qué va dentro de ellos, y una descripción que especifica el objeto equivocado se renderizará con total seguridad en el lugar equivocado. La precisión en la geometría no produce automáticamente precisión en la semántica.

4K sin el paso de escalado

FLUX 3 Image genera de forma nativa hasta 5456 por 3072 píxeles (unos 16,8 megapíxeles) en múltiples relaciones de aspecto, sin una pasada de superresolución.

La mayoría de los modelos de imagen se han quedado en torno a 1024 a 2048 píxeles de forma nativa, y todo lo más grande se resuelve con un escalado posterior. Eso está bien para la entrega en pantalla y resulta cada vez más incómodo para material impreso, imágenes principales de comercio electrónico y pantallas de gran formato, donde el paso de posprocesamiento tiende a suavizar justamente el detalle de textura que justifica la resolución.

Generar en 4K también cambia lo que un flujo de trabajo tiene que validar. Un escalador es una etapa separada con sus propios modos de fallo, y eliminar una etapa elimina una categoría de control de calidad. Si la salida nativa se sostiene a tamaño completo, en lugar de limitarse a evitar un artefacto obvio, es algo que solo las pruebas prácticas resolverán.

Ediciones por región y la afirmación de identidad de píxeles

La tercera función es la edición parcial: regenerar solo una región delimitada especificada y dejar intacto todo lo que está fuera de ella. Black Forest Labs informa que entre el 67,8 y el 89,7 por ciento de los píxeles permanecen idénticos bit a bit después de una edición.

Ese rango es amplio, y la dispersión aporta información. El extremo inferior implica una deriva significativa en la zona no tocada; el extremo superior se acerca a una verdadera edición por máscara. Dónde cae una edición concreta probablemente depende de cuánto condiciona la región regenerada a su entorno: el derrame de luz, las sombras y los bordes de contacto crean presión para alterar los píxeles vecinos en aras de la coherencia.

Aun así, publicar una cifra de identidad de píxeles es un movimiento útil. El problema de la deriva en la edición iterativa de imágenes ha sido la queja central contra la edición por difusión durante dos años: cada ronda sucesiva de revisión degrada las partes con las que estabas contento, hasta que te rindes y empiezas de nuevo. Un modelo que cuantifica cuánto preserva al menos ha declarado el objetivo.

FLUX 3 Image también acepta hasta diez imágenes de referencia en una sola solicitud, posicionando a los sujetos según el prompt y la disposición de los cuadros delimitadores. Esa combinación (múltiples referencias más una ubicación declarada) es donde el modelo empieza a parecerse menos a un generador de imágenes y más a una herramienta de composición con un motor de generación detrás.

Diez referencias también plantean la pregunta de para qué sirve una «referencia». En la mayoría de los flujos de trabajo actuales, una imagen de referencia significa transferencia de estilo: le das al modelo un aspecto y este lo aproxima. Posicionar cada sujeto referenciado dentro de un cuadro declarado es una promesa más acotada y más mecánica. Dice: este objeto, aquí. Si el modelo cumple eso bajo carga (diez sujetos, un lienzo 4K, cuadros superpuestos) es el tipo de cosa que aparece en el uso en producción y no en una publicación de lanzamiento.

La nota de entrenamiento que vale la pena notar

Enterrada en los detalles técnicos: FLUX 3 Image se entrenó con la arquitectura Self-Flow de Black Forest Labs, de forma conjunta con datos de imagen, vídeo y audio. La base de FLUX 3 es un modelo de flujo multimodal que abarca las tres modalidades, y el modelo de imagen es una de sus caras.

Eso importa para interpretar la hoja de ruta. Si imagen, vídeo y audio comparten un sustrato de entrenamiento, la promesa de «pesos abiertos en unas semanas» va más allá de este lanzamiento y habla de una familia de modelos que se construirán sobre la misma base, y de una empresa que se posiciona como la alternativa de pesos abiertos a las pilas multimodales cerradas de Google y OpenAI.

También explica la secuencia. Black Forest Labs lanzó primero los componentes de vídeo y audio de FLUX 3 y dejó para el final el modelo de imagen fija. Para una empresa cuya reputación se construyó sobre la generación de imágenes, lanzar el modelo de imagen después del de vídeo es un orden extraño, a menos que el modelo de imagen sea el más difícil de acertar sobre la base compartida. Los controles de cuadros delimitadores pueden ser menos una función y más un apaño para lo que el entrenamiento conjunto de tres modalidades hace a la fidelidad espacial de grano fino.

Qué hay que vigilar

Por ahora, la lectura práctica es más acotada. FLUX 3 Image es un producto de API de pago con controles de diseño que antes requerían un paso de composición, resolución nativa que elimina un escalador y ediciones por región que vienen con una cifra de fidelidad publicada. La cuestión de si algo de esto es mejor que las alternativas es una cuestión de benchmarks, y para eso están las próximas semanas de pruebas independientes.

Vale la pena seguir tres cosas cuando se publiquen los pesos. Primero, si la API de cuadros delimitadores sobrevive intacta al lanzamiento abierto o se convierte en una función exclusiva de la API, lo que sería una división significativa entre los niveles de pago y gratuito. Segundo, si los ajustes finos de la comunidad pueden alcanzar la misma precisión de diseño en hardware más pequeño, o si el comportamiento de las coordenadas depende de la escala. Tercero, si la cifra de identidad de píxeles se mantiene en una reproducción independiente o resulta ser una medición del mejor caso en ediciones favorables.

La señal más amplia es la que las notas de lanzamiento mencionan casi de pasada: la competencia en la generación de imágenes ha pasado de cuán impactante puede ser una sola salida a si la salida número cien coincide con la primera. Las cuadrículas de diseño, la preservación de regiones y las métricas de identidad de píxeles son todas respuestas a esa pregunta. Ninguna de ellas hace una imagen hermosa. Hacen una repetible.