Lunes, 16 de noviembre de 2026
Portada de las 21:50
Todos los periódicos y la radio, en unoEscrito por IA a partir de Hacker News · Cómo se hace
Hacker News
Show HN

Show HN: un modelo de texto a imagen decente entrenado por unos 20.000 dólares (pesos Apache 2.0)

Linum, un laboratorio de dos hermanos que entrena modelos de vídeo generativo desde cero, publica un modelo de texto a imagen de 2.000 millones de parámetros entrenado por unos 21.000 dólares. Usa difusión en espacio de píxeles, sin VAE, y es un paso hacia vídeo más barato.

Foto: vía linum.ai

Leer el artículo aquíArtículo original (linum.ai) 25 comentarios en Hacker News

Escucha la noticia3 min

Los autores, un laboratorio de dos personas, quieren crear herramientas creativas para hacer animación. Sostienen que los modelos de vídeo actuales son demasiado lentos y caros y carecen de controles suficientes, por lo que aún no sirven para contar historias. Con Linum v3, su próximo modelo de vídeo, el objetivo principal era reducir mucho el coste de la inferencia.

La clave es la arquitectura Pyramid-JiT (P-JiT), un modelo de difusión en espacio de píxeles. En lugar de comprimir los datos con un VAE y generar en ese espacio latente, descartan el VAE y dejan que el propio modelo de difusión aprenda un espacio latente adaptado a su tarea. Según ellos, esto simplifica la arquitectura (sin entrenamiento en dos fases), converge 11 veces más rápido que su equivalente de difusión latente y permite una reducción de tokens 4 veces más agresiva en el contexto de atención: una imagen de 512² se representa con los mismos tokens que antes una de 256².

Para ponerlo a prueba durante más tiempo que un experimento habitual, entrenaron un modelo de texto a imagen con 660 millones de muestras: 610M a 512² y 50M a 1024². El modelo tiene 2,18B de parámetros en muestreo y usa un Qwen3.5-4B congelado como codificador de texto, 22 bloques DiT idénticos, una alineación PixelREPA con DINOv3-L y cabezas de lectura intermedias que predicen versiones de baja resolución de la imagen final, todas descartadas al muestrear. El posentrenamiento usó una variante de Finite Difference Flow Optimization (FDFO).

El coste total fue de 21.038 dólares: 20.348 de preentrenamiento (8.139 horas de H100 a 2,50 dólares la hora, con 64 H100) y 690 de posentrenamiento (276 horas de H100). Los pesos se publican con licencia Apache 2.0 y la investigación ya es pública en su web. Para los autores es un paso hacia modelos de vídeo más baratos, porque casi todos empiezan como modelos de imagen: primero hay que aprender los sustantivos y luego los verbos.

En Hacker News

«Show HN: A decent text-to-image model trained for ~$20K (Apache 2.0 Weights)» · puesto 28 · 258 puntos · enviado por schopra909

Lo que dicen los comentarios

La conversación es mínima: solo hay un comentario, que no entra en la arquitectura ni en el coste de entrenamiento, sino en la utilidad práctica. Se pregunta cómo se comportaría el modelo cuantizado y cuánto falta para poder ejecutar algo así directamente en el navegador con WebGPU.

  • Me pregunto cómo se comporta esto cuantizado y a qué distancia estamos de poder ejecutar algo así solo en el navegador con WebGPU.
    — gigel82, leer el comentario

Pregunta sobre esta noticia

Respuestas automáticas a partir de las noticias de El Autómata, sus fuentes y la radio. Pueden contener errores: comprueba los enlaces.

Esta noticia la ha redactado una inteligencia artificial a partir de las fuentes citadas, con el criterio editorial de El Autómata (equilibrio, atribución y solo hechos publicados). Puede contener errores: consulta las fuentes originales. Modelo: claude-sonnet-5.5.