¿Qué son los modelos de difusión? Cómo funcionan, tipos y usos en arquitectura

Los modelos de difusión son modelos de IA generativa que crean imágenes, video o sonido a partir de ruido aleatorio, que eliminan paso a paso invirtiendo un proceso de adición de ruido aprendido de los datos de entrenamiento. Son la tecnología detrás de Stable Diffusion, Imagen de Google y DALL·E 2 de OpenAI, y sus versiones destiladas ya necesitan solo de 1 a 4 pasos por imagen.

Esta guía explica cómo funcionan los modelos de difusión, cómo se construye un modelo, los tipos principales y su historia, en qué se diferencian de las GAN, los VAE y los modelos autorregresivos, los modelos más usados en octubre de 2026 y lo que la difusión puede y no puede hacer en arquitectura.

¿Qué son los modelos de difusión?

Un modelo de difusión aprende viendo cómo se destruyen los datos. Durante el entrenamiento, a imágenes reales se les añade ruido gaussiano poco a poco hasta que solo queda ruido, y una red neuronal aprende a predecir el ruido añadido en cada paso. Para generar, el modelo recorre el proceso al revés: parte de ruido puro y lo va quitando hasta que aparece una imagen nueva. Como aprende la distribución de probabilidad de sus datos de entrenamiento en lugar de guardar ejemplos, cada ruido inicial distinto da un resultado diferente.

El nombre viene de la física. Jascha Sohl-Dickstein y sus coautores presentaron el método en 2015, inspirados en la física estadística fuera del equilibrio, donde la difusión describe cómo las partículas se dispersan hasta quedar mezcladas por igual: el modelo destruye poco a poco la estructura de los datos con un proceso de difusión directo y aprende un proceso inverso que la recupera. La difusión se convirtió en el enfoque principal para generar imágenes después de los DDPM de 2020 y del artículo de 2021 "Diffusion Models Beat GANs on Image Synthesis".

¿Cómo funcionan los modelos de difusión?

Un modelo de difusión trabaja en dos direcciones: un proceso directo fijo que añade ruido a las imágenes de entrenamiento y un proceso inverso aprendido que lo elimina. Crear una imagen lleva cuatro pasos:

1. Difusión directa (solo en el entrenamiento): a una imagen de entrenamiento se le añade un poco de ruido gaussiano en cada uno de muchos pasos, según una programación del ruido (noise schedule), hasta que solo queda ruido aleatorio.

2. Entrenamiento: una red neuronal recibe la imagen con ruido y el número de paso, y aprende a predecir el ruido que se añadió.

3. Difusión inversa (muestreo): para generar, el modelo parte de ruido puro y elimina una y otra vez el ruido que predice, guiado por un prompt de texto u otra condición, hasta que queda una imagen limpia.

4. Decodificación: en un modelo de difusión latente como Stable Diffusion, los pasos anteriores ocurren en un espacio latente comprimido, y un decodificador convierte el resultado final en píxeles a tamaño completo.

Proceso de difusión directa

El proceso directo no necesita aprendizaje: en cada paso se añade una pequeña cantidad de ruido gaussiano, según la programación, de modo que primero desaparece el detalle fino y al final las formas generales. La programación del ruido decide a qué velocidad ocurre.

Entrenar el modelo

La red, normalmente una U-Net o un transformer, recibe una imagen de entrenamiento con un nivel de ruido elegido al azar y debe predecir el ruido que contiene. La diferencia entre su predicción y el ruido que realmente se añadió es la pérdida que minimiza. Repetido con una enorme cantidad de imágenes y niveles de ruido, este ejercicio le enseña al modelo cómo se ven las imágenes en cada etapa entre el ruido y el detalle.

Proceso de difusión inversa

Después del entrenamiento, la generación recorre la cadena al revés. El modelo parte de ruido aleatorio, predice el ruido, elimina una parte y repite. El muestreador original de los DDPM necesita muchos pasos, por lo que era lento; los muestreadores DDIM producen imágenes comparables entre 10 y 50 veces más rápido con el mismo modelo entrenado, y los modelos destilados como SDXL Turbo y FLUX.1 [schnell] solo necesitan de 1 a 4 pasos. La composición general se define en los primeros pasos y el detalle fino en los últimos.

Cómo guía el texto a la imagen: codificador de texto y guía

En un modelo de texto a imagen, un codificador de texto convierte el prompt en embeddings, y la red de eliminación de ruido los lee mediante capas de atención en cada paso. La guía sin clasificador (classifier-free guidance) refuerza el efecto: el modelo predice el ruido con el prompt y sin él, y empuja el resultado hacia la versión con prompt. Una escala de guía más alta sigue las palabras con más fidelidad y da menos variedad. Por eso importa cómo se escribe; nuestra guía de prompts de arquitectura con IA muestra cómo describir un edificio. Cuando las palabras son la única condición, el resultado es una imagen nueva de lo que describe el texto: así generan imágenes de concepto las herramientas de texto a imagen.

Arquitectura de los modelos de difusión: backbone, VAE, codificador de texto y muestreador

Un modelo de difusión moderno para imágenes no es una sola red, sino una cadena de piezas que trabajan juntas. Sus nombres aparecen en las fichas de los modelos y en los anuncios de lanzamiento, así que conviene saber qué hace cada una.

Backbone de eliminación de ruido: U-Net o Diffusion Transformer (DiT)

El backbone es la red que predice el ruido. Los modelos anteriores, incluido Stable Diffusion v1, usan una U-Net, una red convolucional que reduce la imagen para captar su composición y la vuelve a ampliar para recuperar el detalle. Los Diffusion Transformers (DiT), presentados por William Peebles y Saining Xie en diciembre de 2022, sustituyen la U-Net por un transformer que trabaja con parches de la imagen latente; modelos más recientes como FLUX usan bloques de transformer.

Autocodificador (VAE): trabajar en el espacio latente

Los modelos de difusión latente no eliminan el ruido de los píxeles a tamaño completo. Primero, un autocodificador variacional (VAE) comprime la imagen en una representación latente mucho más pequeña; la difusión ocurre ahí, y el decodificador del VAE convierte el latente final de nuevo en píxeles. El autocodificador de Stable Diffusion v1 reduce cada lado de la imagen por un factor de 8.

Codificador de texto: CLIP, T5 o un modelo de visión y lenguaje

El codificador de texto convierte el prompt en los embeddings que condicionan al backbone. Cada modelo usa uno distinto: Stable Diffusion v1 usa un codificador de texto CLIP ViT-L/14 congelado, Imagen de Google usaba el modelo de lenguaje T5, y FLUX.2 combina un modelo de visión y lenguaje de 24 mil millones de parámetros (Mistral-3) con su transformer de imagen. El codificador también decide qué idiomas entiende bien un modelo, y por eso algunas herramientas piden los prompts en inglés.

Atención y adaptadores de control

Las capas de atención permiten que cada parte de la imagen tenga en cuenta el resto de la imagen y el prompt, lo que mantiene coherente la composición. Los adaptadores de control añaden condiciones nuevas sin reentrenar el modelo base: ControlNet (Lvmin Zhang, Anyi Rao y Maneesh Agrawala, febrero de 2023) bloquea un modelo de texto a imagen ya entrenado y entrena una copia de sus capas de codificación con bordes, mapas de profundidad, segmentaciones o poses humanas, de modo que las líneas de un boceto o la profundidad de una vista del modelo pueden guiar la imagen.

Muestreador y programación del ruido

El muestreador (sampler) es el algoritmo que ejecuta el proceso inverso: cuántos pasos da y cuánto ruido quita en cada uno. Los muestreadores DDPM y DDIM, y los modelos destilados para pocos pasos, equilibran velocidad y calidad, y la escala de guía fija cuánto se sigue el prompt. Junto con la programación del ruido usada en el entrenamiento, estos ajustes explican por qué un mismo modelo puede dar resultados distintos en dos aplicaciones.

Cómo está construido Stable Diffusion

Stable Diffusion v1, el modelo de difusión latente más conocido, combina las piezas anteriores: un autocodificador con un factor de reducción de 8, una U-Net de 860 millones de parámetros y un codificador de texto CLIP ViT-L/14 de 123 millones. Se preentrenó con imágenes de 256 x 256 y se ajustó con imágenes de 512 x 512 de un subconjunto de LAION-5B, y funciona en una GPU con al menos 10 GB de memoria de video, según el repositorio de Stable Diffusion de CompVis.

Tipos de modelos de difusión

La mayoría de los modelos de difusión combinan varios de los tipos siguientes: Stable Diffusion, por ejemplo, es un modelo latente, condicional y guiado que puede muestrearse con DDIM.

Modelos probabilísticos de difusión con eliminación de ruido (DDPM)

Los modelos probabilísticos de difusión con eliminación de ruido, publicados por Jonathan Ho, Ajay Jain y Pieter Abbeel en 2020, hicieron que la difusión fuera competitiva en imágenes. Añaden ruido gaussiano a lo largo de muchos pasos de tiempo, formando una cadena de Markov, y entrenan una red con una cota variacional ponderada para invertirla. Con imágenes LSUN de 256 x 256, el artículo obtuvo una calidad de muestra similar a la de ProgressiveGAN, y la mayoría de los modelos de difusión posteriores parten de su receta.

Modelos generativos basados en puntuación (SGM) y score SDE

Los modelos basados en puntuación aprenden una "función de puntuación" (score), el gradiente del logaritmo de la densidad de probabilidad de los datos, que indica hacia dónde debe moverse una muestra para parecerse más a los datos reales. Yang Song y Stefano Ermon los presentaron en 2019; el artículo de 2020 sobre las score SDE, de Song y sus colegas, describe el proceso directo como una ecuación diferencial estocástica en tiempo continuo, genera muestras resolviendo la ecuación en tiempo inverso y demostró que este marco abarca tanto los modelos basados en puntuación como los modelos probabilísticos de difusión.

Modelos de difusión latente (LDM)

Los modelos de difusión latente trasladan el proceso de difusión del espacio de píxeles al espacio latente de un autocodificador ya entrenado. Robin Rombach, Andreas Blattmann, Dominik Lorenz, Patrick Esser y Björn Ommer los presentaron en diciembre de 2021, y señalaron que los modelos de difusión en el espacio de píxeles solían necesitar cientos de días de GPU para entrenarse y eran costosos de muestrear. Trabajar con una representación compacta reduce ese costo conservando el detalle.

Después de eliminar el ruido, el decodificador convierte el latente de nuevo en una imagen. Stable Diffusion, publicado en agosto de 2022, es el modelo de difusión latente más conocido: CompVis lo construyó a partir de su artículo sobre LDM en colaboración con Stability AI y Runway. No todos los modelos famosos son latentes: DALL·E 2 usa un modelo previo (prior) que genera un embedding de imagen CLIP y un decodificador de difusión que lo convierte en imagen.

Modelos de difusión condicional

Los modelos de difusión condicional añaden información externa como señal de guía: embeddings de texto, etiquetas de clase, máscaras de segmentación o una imagen. En los sistemas de texto a imagen, una descripción escrita da forma a la composición, el estilo y el tema del resultado; en los de imagen a imagen, también lo hace una imagen subida. Una condición orienta el resultado, pero no fija cada detalle, algo importante para los arquitectos, como explica la última sección.

Modelos de difusión guiada

La difusión guiada orienta el proceso inverso hacia una condición durante el muestreo, sin reentrenar el modelo base. La guía con clasificador, presentada por Prafulla Dhariwal y Alex Nichol en 2021, usa los gradientes de un clasificador de imágenes entrenado aparte; la guía sin clasificador (classifier-free guidance), de Jonathan Ho y Tim Salimans (2022), entrena un solo modelo con la condición y sin ella y combina ambas predicciones. En los dos casos, una guía más fuerte sigue más de cerca la condición a costa de la variedad.

Modelos implícitos de difusión con eliminación de ruido (DDIM)

Los modelos implícitos de difusión con eliminación de ruido (Denoising Diffusion Implicit Models), de Jiaming Song, Chenlin Meng y Stefano Ermon (2020), no son un tipo distinto de modelo entrenado, sino una forma más rápida de muestrearlo: usan el mismo procedimiento de entrenamiento que los DDPM y un proceso inverso no markoviano que puede ser determinista, de modo que el mismo ruido inicial da la misma imagen. El artículo obtiene muestras de alta calidad entre 10 y 50 veces más rápido en tiempo de reloj que el muestreo DDPM.

Flow matching y flujo rectificado

El flow matching entrena un modelo para llevar el ruido hacia los datos por una trayectoria aprendida, en lugar de invertir paso a paso una cadena fija de ruido. Black Forest Labs construyó FLUX.1 (agosto de 2024, 12 mil millones de parámetros) con flow matching, que describe como un método general que incluye la difusión como caso particular, y FLUX.2 (noviembre de 2025) con flow matching latente y un transformer de flujo rectificado.

Modelos de difusión destilados y de pocos pasos

La destilación entrena un modelo alumno rápido para que haga en pocos pasos lo que un modelo maestro más lento hace en muchos. SDXL Turbo usa la destilación adversarial de difusión (Adversarial Diffusion Distillation) para muestrear en 1 a 4 pasos, incluso con una sola evaluación de la red, y FLUX.1 [schnell] genera imágenes en 1 a 4 pasos. Los modelos de pocos pasos son una de las razones por las que los generadores de imágenes ya devuelven resultados en segundos; los motores en tiempo real que dibujan escenas 3D usan otra técnica, explicada en nuestra guía de renderizado en tiempo real.

Breve historia de los modelos de difusión

¿Quién inventó los modelos de difusión?

Jascha Sohl-Dickstein, Eric A. Weiss, Niru Maheswaranathan y Surya Ganguli presentaron los modelos probabilísticos de difusión en marzo de 2015. Yang Song y Stefano Ermon desarrollaron los modelos generativos basados en puntuación en 2019, y el artículo de los DDPM de Jonathan Ho, Ajay Jain y Pieter Abbeel (junio de 2020) logró que el método produjera imágenes de alta calidad. Robin Rombach y sus coautores presentaron la difusión latente en diciembre de 2021, la base de Stable Diffusion.

¿Cuándo se inventaron los modelos de difusión?

El primer modelo de difusión se publicó en 2015, pero las primeras versiones eran experimentales. Los DDPM trajeron imágenes de alta calidad en 2020, y en 2021 Prafulla Dhariwal y Alex Nichol mostraron que los modelos de difusión superaban a las GAN en síntesis de imágenes. La difusión de texto a imagen despegó en 2022 con DALL·E 2, Imagen y la publicación abierta de Stable Diffusion. La cronología siguiente recoge los hitos con sus fuentes.

Ventajas y desventajas de los modelos de difusión

Los modelos de difusión se convirtieron en el enfoque principal para generar imágenes porque combinan calidad, variedad y un entrenamiento estable. A cambio, muestrean más despacio, exigen mucho cálculo y ofrecen un control que nunca es exacto.

Ventajas de los modelos de difusión

• Imágenes fotorrealistas de alta calidad: el muestreo refina la imagen poco a poco, lo que da texturas finas y detalles coherentes. En 2021, los modelos de difusión superaron a los mejores modelos generativos de entonces en ImageNet y cubrieron mejor la variedad de los datos.

• Variedad: cada ruido inicial nuevo da una imagen distinta, así que un mismo prompt ofrece muchas opciones.

• Entrenamiento estable: un solo objetivo de eliminación de ruido y ninguna competencia entre un generador y un discriminador hacen que el entrenamiento sea más predecible que el de una GAN y menos propenso al colapso de modos.

• Control: texto, etiquetas de clase, máscaras, bordes, mapas de profundidad o una imagen de referencia pueden condicionar el resultado.

• Muchas tareas con una sola idea: la misma eliminación de ruido sirve para inpainting, superresolución, imagen a imagen, video y audio.

Desventajas de los modelos de difusión

• Muestreo más lento que los modelos de una sola pasada: la red se ejecuta una vez por paso, mientras que una GAN genera en una sola pasada. Los muestreadores DDIM son entre 10 y 50 veces más rápidos que DDPM y los modelos destilados necesitan de 1 a 4 pasos, así que la diferencia se ha reducido mucho.

• Alto costo de cálculo, memoria y energía: el artículo sobre LDM señala que los modelos de difusión en el espacio de píxeles solían necesitar cientos de días de GPU para entrenarse. La ficha de Stable Diffusion v1-4 indica 150 000 horas en GPU A100, con unas emisiones estimadas de 11 250 kg de CO2 equivalente, y Stable Diffusion v1 necesita una GPU con al menos 10 GB de memoria para funcionar.

• Grandes conjuntos de entrenamiento: los modelos competitivos aprenden de colecciones enormes de imágenes, como un subconjunto de LAION-5B en el caso de Stable Diffusion; algunos desarrolladores, como Adobe con Firefly y Moonvalley, dicen que entrenan con contenido con licencia.

• Sensibles a los ajustes: una mala programación del ruido, una tasa de aprendizaje inadecuada o una escala de guía mal elegida pueden frenar el entrenamiento o empeorar las imágenes.

• Interpretabilidad y control exacto limitados: el proceso es estocástico y difícil de interpretar, y un prompt o una imagen de referencia orientan el resultado sin fijar cada detalle, así que conviene revisar las imágenes.

Modelos de difusión frente a GAN, VAE y modelos autorregresivos

La difusión es una de varias formas de generar imágenes. La tabla compara las principales familias de modelos.

Las GAN son rápidas pero más difíciles de entrenar, los VAE son rápidos y estables pero dan imágenes más suaves, y los modelos de difusión cambian velocidad por calidad y variedad. Las familias suelen combinarse: la difusión latente usa un VAE para comprimir y descomprimir las imágenes, y la destilación de SDXL Turbo añade una pérdida adversarial tomada de las GAN. Nuestra guía sobre las GAN en arquitectura muestra cómo se usan en diseño.

¿Todos los generadores de imágenes con IA son modelos de difusión?

No. En su ficha de sistema de marzo de 2025, OpenAI afirma que la generación de imágenes de 4o en ChatGPT es un modelo autorregresivo, a diferencia de DALL·E, que describe como un modelo de difusión; la arquitectura de su modelo más reciente, GPT Image 2, no se indica. Los modelos FLUX usan flow matching, que incluye la difusión como caso particular, y las páginas de producto de los modelos de imagen Nano Banana de Google y de los modelos de video Veo, Runway y Pika no nombraban ninguna arquitectura cuando las revisamos en octubre de 2026. Para ver lo que ChatGPT puede hacer en el trabajo diario de diseño, consulta ChatGPT para arquitectos.

Modelos de difusión frente a LLM

Un gran modelo de lenguaje (LLM), como los que hay detrás de ChatGPT, es autorregresivo: escribe el texto token a token, y cada uno se predice a partir de los anteriores. Un modelo de difusión produce todo el resultado a la vez y lo refina en varios pasos de eliminación de ruido. La diferencia está en el método, no en el medio: también hay modelos de difusión para texto y modelos autorregresivos para imágenes.

¿Para qué se utilizan los modelos de difusión?

Los modelos de difusión generan y editan imágenes, video y sonido. Estos son sus usos principales.

Generación de texto a imagen

Un prompt escrito se convierte en una imagen nueva. Para eso se crearon Stable Diffusion, FLUX e Imagen, y se usa en arte conceptual, ilustraciones, imágenes de producto y primeras ideas de diseño.

Imagen a imagen y transferencia de estilo

Un modelo también puede tomar una imagen existente como condición y redibujarla en otro estilo, con otra luz o con otros materiales, manteniendo su composición general. Los adaptadores de control como ControlNet hacen que las líneas o la profundidad de la imagen de origen guíen el resultado más de cerca.

Edición de imágenes e inpainting (relleno de zonas)

El inpainting regenera solo una zona enmascarada para que se integre con el resto de la imagen: quitar un objeto, cambiar el piso o probar un nuevo material de fachada. En ArchiVinci, el inpainting con IA funciona con el módulo Editar: marca una zona con el pincel o el lazo, describe el cambio y solo se vuelve a dibujar esa zona, con un pequeño margen alrededor.

Superresolución y restauración

Los escaladores basados en difusión predicen el detalle de una versión más grande en lugar de estirar los píxeles, así que las líneas finas nuevas son una predicción y conviene revisarlas. Con un plan, la función Upscale de ArchiVinci amplía un resultado generado hasta 4096 px en el lado largo, como muestra la página para mejorar renders con IA; nuestra guía de escalado con IA explica cuándo ayuda.

Generación de video

Los modelos de difusión de video extienden la generación de imágenes en el tiempo, a partir de un prompt de texto o de una imagen fija; lo difícil es mantener coherentes los objetos, los materiales y la luz de un fotograma a otro. Los principales modelos de video aparecen en la sección siguiente. La función de imagen a video con IA de ArchiVinci convierte una imagen fija en un clip de 10 segundos, que se paga con los coins incluidos en los planes.

Síntesis de audio

La difusión también genera voz, música y efectos de sonido eliminando el ruido de formas de onda o espectrogramas de audio en lugar de píxeles.

Modelos de difusión más usados en 2026

Las tablas recogen generadores de imágenes y video muy usados en octubre de 2026, con lo que cada desarrollador dice sobre su arquitectura. No todos los generadores populares son modelos de difusión, y muchos desarrolladores no lo indican.

Modelos de generación de imágenes

Modelos de generación de video

Las herramientas pensadas para arquitectos combinan modelos como estos con un flujo de trabajo de arquitectura; nuestra lista de las mejores herramientas de render con IA las compara.

Modelos de difusión en arquitectura: lo que pueden y no pueden hacer

Para un arquitecto, la pregunta útil no es qué red usa una herramienta, sino con qué condiciones trabaja el modelo y qué significa eso para la imagen que recibe. Las herramientas de imágenes para arquitectura funcionan de dos maneras, y ambas tienen los mismos límites.

De texto a imagen: convertir una descripción en imágenes de arquitectura

En el modo de texto a imagen, las palabras son la única condición: el modelo parte del ruido y lo orienta hacia tu descripción. Sirve para primeros conceptos, ambientes e ideas de volumetría, pero el modelo no sabe nada de tu terreno, tu programa ni tus medidas. El módulo Imaginar de ArchiVinci, presentado en la página de Dream Space AI, funciona así: describe un edificio, un espacio o un paisaje y genera imágenes nuevas solo a partir de las palabras. Escribe la descripción en inglés para obtener los mejores resultados.

De imagen a imagen: convertir un boceto o una vista del modelo en una imagen

En el modo de imagen a imagen, una imagen subida es una segunda condición junto al texto. Según la herramienta, la imagen se convierte en bordes o en un mapa de profundidad que sigue un adaptador de control como ControlNet, o se entrega al modelo como imagen de referencia. En ambos casos, el modelo sigue dibujando una imagen nueva a partir del ruido: la imagen subida lo orienta, no se calca. El generador de renders con IA de ArchiVinci funciona así: sube un boceto, una foto o una captura de una vista de tu modelo 3D, describe materiales y luz, y su motor predeterminado, ArchiVinci 4.0, genera en segundos una imagen nueva que sigue lo que subiste. Los dibujos de líneas y los bocetos a mano también pueden pasar de boceto a render con IA.

Ejemplo de nuestra página de render con IA. Izquierda: el dibujo de líneas subido. Derecha: el resultado en el módulo Interior con el prompt "Warm modern living room with an oak floor, a beige linen sofa, a low travertine coffee table and sheer curtains.", el botón Luz diurna y el motor predeterminado.

Por qué dos generaciones nunca dan la misma imagen

Cada generación parte de un ruido aleatorio nuevo, así que el mismo prompt y la misma imagen subida dan una imagen distinta cada vez. Eso es útil para explorar opciones y un límite para documentar: una condición es una petición, no una restricción. En el ejemplo anterior, el prompt pedía una mesa de centro de travertino y el modelo dibujó un tablero de madera con una estructura fina; las barandillas, los montantes de las ventanas, los letreros y los textos pequeños se redibujan de la misma manera. Al motor predeterminado de ArchiVinci se le pide mantener tu perspectiva y tu geometría, lo que es una instrucción a un modelo de IA y no un bloqueo, así que revisa los detalles importantes. La luz también es una condición: las dos imágenes siguientes salen de la misma imagen subida y del mismo prompt, y solo cambió el botón de iluminación.

Ejemplo de nuestra página de render, hecho en el módulo Exterior con el motor predeterminado a partir de una imagen subida de una casa sin materiales y el prompt "Modern house with white plaster walls, timber cladding on the upper floor, large glass openings, a lawn and a few trees." Izquierda: el botón Hora dorada. Derecha: el botón Crepúsculo.

¿Puede un modelo de difusión producir un plano medido?

No. Un modelo de difusión devuelve píxeles, no geometría: no tiene muros, cotas ni escala, solo colores que se les parecen. Puede reinterpretar la imagen de un plano, y eso hace el módulo Plano de ArchiVinci cuando quieres colorear planos con IA en uno de cuatro estilos (Vista 3D, Marcador, Color sólido o Dibujo), pero las longitudes y superficies del resultado no están medidas. Para un plano que puedas medir y editar, dibújalo con Floor Plan Maker: muros, puertas, ventanas y habitaciones con sus superficies en el navegador, una vista 3D y exportación a DXF, SVG, PDF o PNG. Funciona en navegadores de escritorio, dibujar y exportar es gratis, y una imagen o un PDF de un plano existente puede reconstruirse con IA como plano editable (1 crédito en una cuenta gratuita, que se devuelve si la conversión falla).

ArchiVinci: render con IA que sigue tu imagen

ArchiVinci es una aplicación web que genera renders de arquitectura con IA. Sube un boceto, una foto o una captura de una vista de cualquier programa 3D, CAD o BIM (JPG, PNG o WebP de hasta 5 MB), añade si quieres un prompt con materiales y luz, y el motor predeterminado genera en segundos una imagen fotorrealista nueva que sigue lo que subiste. La imagen se genera en línea, así que no necesitas una tarjeta gráfica propia ni una granja de render.

Lo que controlas después de subir la imagen:

• Iluminación: botones como Luz diurna, Hora dorada y Crepúsculo fijan la luz sin escribir palabras de iluminación en el prompt; Crepúsculo da un anochecer con las luces encendidas.

• Una zona cada vez: Editar render te deja marcar una zona con el pincel o el lazo y cambiar solo esa parte.

• Varias versiones: cada generación dibuja una imagen nueva, y con un plan una generación devuelve hasta 4 imágenes.

• Upscale y Animate: con un plan, Upscale amplía un resultado hasta 4096 px en el lado largo y Animate lo convierte en un video corto.

Se necesita una cuenta, y una cuenta nueva empieza con 3 créditos gratis. El uso comercial, como el trabajo para clientes o el marketing, requiere un plan activo; los planes están en la página de precios.

Conclusiones clave

• Los modelos de difusión generan imágenes, video y sonido partiendo de ruido aleatorio y eliminándolo paso a paso, invirtiendo un proceso de adición de ruido aprendido de los datos de entrenamiento.

• La mayoría de los modelos de imagen combinan un backbone de eliminación de ruido (U-Net o transformer), un VAE para el espacio latente, un codificador de texto y un muestreador; Stable Diffusion es el modelo de difusión latente más conocido.

• Frente a las GAN, se entrenan de forma más estable y dan imágenes más variadas y de mayor calidad; los modelos destilados como SDXL Turbo y FLUX.1 [schnell] reducen el muestreo a entre 1 y 4 pasos.

• No todos los generadores de imágenes con IA son modelos de difusión: OpenAI describe la generación de imágenes de 4o en ChatGPT como autorregresiva, y FLUX usa flow matching.

• Un modelo de difusión devuelve píxeles, no geometría: un prompt o una imagen subida lo orientan, pero no lo fijan, así que revisa los detalles y dibuja los planos medidos en una herramienta de planos.

Pruébalo en ArchiVinci

Describe un edificio en una frase, o sube un boceto o una vista de tu modelo 3D: ArchiVinci genera imágenes de concepto que lo siguen. Una cuenta nueva empieza con 3 créditos gratis.

• Para los primeros conceptos: Conceptos de arquitectura con IA

• Renderiza un boceto, una foto o una vista 3D: Renders con IA

Preguntas frecuentes

¿Qué es la difusión?

La difusión es el proceso natural por el que las partículas pasan de zonas de alta concentración a zonas de baja concentración hasta alcanzar el equilibrio. En el aprendizaje automático, describe cómo se añade ruido poco a poco a los datos y cómo un modelo invierte ese proceso para recuperar la estructura. Este desorden controlado permite a los modelos de difusión generar datos nuevos a partir del azar con una base física y estadística.

¿Cuál es el objetivo de los modelos de difusión?

El objetivo es modelar distribuciones de datos complejas y generar muestras realistas que se parezcan a los datos reales. Al dominar la transformación entre ruido y estructura, los modelos de difusión pueden sintetizar imágenes, audio y videos coherentes. Priorizan la exactitud estadística y la diversidad en lugar de la memorización, lo que permite una generación creativa y a la vez coherente.

¿Cuál es la diferencia entre DDPM y DDIM?

Los DDPM muestrean con un proceso inverso aleatorio que añade ruido nuevo en cada paso y necesita muchos pasos. Los DDIM usan el mismo modelo entrenado con un proceso inverso que puede ser determinista y muestrean entre 10 y 50 veces más rápido, así que DDIM es la elección de un muestreador, no un modelo distinto.

¿Qué es la programación del ruido en los modelos de difusión?

La programación del ruido (noise schedule) define cuánto ruido se añade en cada paso del proceso directo y, por tanto, a qué velocidad pasan los datos del orden al azar. Las programaciones lineales añaden ruido en incrementos constantes, mientras que las de coseno lo hacen crecer de forma más suave. La programación elegida influye en la nitidez de las imágenes y en la estabilidad del entrenamiento.

¿Qué función de pérdida usan los modelos de difusión?

La mayoría de los modelos de difusión minimizan el error cuadrático medio entre el ruido predicho y el ruido real en cada paso. Así el modelo aprende a invertir la corrupción con precisión. Algunas variantes usan pérdidas perceptuales o en el espacio latente para mejorar el realismo visual y la coherencia semántica de los resultados.

¿Cuántos pasos de eliminación de ruido se necesitan?

Depende del muestreador y del modelo: el muestreador DDPM original recorre una cadena larga de pasos, DDIM es entre 10 y 50 veces más rápido, y los modelos destilados como SDXL Turbo y FLUX.1 [schnell] solo necesitan de 1 a 4 pasos.

¿Qué es la guía sin clasificador?

La guía sin clasificador (classifier-free guidance) mejora el control del prompt sin una red clasificadora aparte: el modelo aprende un modo condicional y otro incondicional y combina sus predicciones durante el muestreo. Una escala de guía más alta sigue el prompt con más rigor; los valores más bajos dejan más variedad.

¿Cuánto se tarda en entrenar un modelo de difusión?

De días a meses, según el tamaño del modelo, los datos y el hardware: los modelos pequeños pueden entrenarse en una sola GPU, mientras que la ficha de Stable Diffusion v1-4 indica 150 000 horas en GPU A100. Ajustar (fine-tuning) un modelo existente es mucho más rápido y está al alcance de creadores individuales.

¿Se pueden ejecutar modelos de difusión en una CPU?

Sí, pero despacio: los pasos de eliminación de ruido son mucho cálculo en paralelo que las GPU manejan mucho mejor, y Stable Diffusion v1 está documentado para una GPU con al menos 10 GB de memoria de video. En la práctica se usa una GPU local o un servicio en línea.

¿Cómo se ajusta (fine-tuning) un modelo de difusión?

El fine-tuning adapta un modelo ya entrenado a un estilo, un tema o un producto. Métodos como DreamBooth, LoRA y Textual Inversion le enseñan conceptos nuevos con un conjunto pequeño de imágenes sin que pierda su conocimiento general.

¿Qué lenguajes de programación admiten los modelos de difusión?

Python domina el campo gracias a PyTorch y TensorFlow. Bibliotecas como Hugging Face Diffusers simplifican la implementación tanto en investigación como en producción. Los modelos también pueden exportarse a ONNX o integrarse en C++ para una inferencia optimizada, aunque Python sigue siendo el lenguaje principal para desarrollar modelos de difusión.

¿Los modelos de difusión son aprendizaje por refuerzo?

No. Un modelo de difusión es un modelo generativo entrenado con un objetivo de eliminación de ruido sobre ejemplos de datos reales: aprende a predecir y quitar ruido, no a actuar en un entorno a cambio de una recompensa.

¿Cuáles son los mejores modelos de difusión en 2026?

No hay un único mejor modelo: depende de la tarea, de la licencia y de si necesitas pesos abiertos. En octubre de 2026, entre las opciones más usadas están Stable Diffusion 3.5 y FLUX.1 y FLUX.2 de Black Forest Labs, algunas versiones con pesos abiertos; las tablas anteriores muestran lo que declara cada desarrollador sobre sus modelos.