Linum ha publicado un modelo de generación de imágenes cuyo entrenamiento, según sus autores, costó 21.038 dólares de cómputo. El laboratorio de dos personas no lo presenta como un producto terminado, sino como un experimento que comparte código, pesos, imágenes de muestra y los detalles de la factura de GPU.
La publicación del 4 de noviembre describe P-JiT, abreviatura de Pyramid-JiT. Su objetivo es investigar una arquitectura más eficiente para avanzar hacia modelos de vídeo. De momento, el lanzamiento produce imágenes a partir de texto y permite estudiar qué consigue un equipo pequeño con una ejecución de entrenamiento acotada.
Qué hay detrás de los 21.038 dólares
La cifra se divide en dos partes: 20.348 dólares de preentrenamiento y 690 de ajuste posterior. Linum calcula el total a partir de 8.415 horas de H100, valoradas a 2,50 dólares por hora. El entrenamiento principal utilizó 64 GPU H100; las horas agregadas incluyen los reinicios indicados por los autores.
Es una estimación de cómputo para esa ejecución, no una contabilidad de todos los gastos del laboratorio. Tampoco incluye el coste histórico de crear cada tecnología previa que aprovecha el proyecto. El sistema utiliza, por ejemplo, un codificador de texto Qwen3.5-4B congelado: ese componente ya estaba entrenado y no vuelve a aprender sus capacidades lingüísticas desde cero dentro de esta factura.
El modelo generador es un transformador de difusión de unos 2.000 millones de parámetros. Por tanto, conviene distinguir el tamaño del generador del componente que interpreta el texto. Reducir ambos a una sola cifra escondería una parte importante de cómo funciona el sistema completo.
Generar directamente en píxeles cambia el problema
Muchos sistemas de difusión trabajan sobre una representación comprimida por otro modelo y después la convierten en imagen. Linum explora un enfoque que aprende a comprimir y generar dentro del mismo proceso. La intención es adaptar esa representación al trabajo que necesita hacer el generador.
El equipo añade salidas intermedias que predicen versiones de menor resolución de la imagen final. Esas predicciones aportan señales de entrenamiento a partes anteriores de la red. La idea se parece a comprobar cómo va quedando un dibujo durante el proceso, en vez de dar información útil únicamente cuando está terminado.
El experimento pasa por una etapa de resolución de la clase de 512 píxeles y otra de la clase de 1.024, con distintas proporciones. Los autores contabilizan unos 660 millones de muestras vistas durante el entrenamiento. Ese dato describe ejemplos procesados, no demuestra que todos sean imágenes únicas diferentes.
Hay muestras públicas para mirar más allá de una imagen elegida
La página del lanzamiento reúne 249 resultados con sus indicaciones y semillas. Incluye personas, animales, arquitectura, productos, paisajes y estilos gráficos. Las imágenes de este artículo proceden de esa galería: son salidas generadas por el modelo, no fotografías documentales de las personas o los lugares que representan.
Publicar una colección permite explorar variaciones y comprobar qué tipo de escena ha elegido enseñar el laboratorio. Sigue siendo una galería del autor, no una comparación independiente que determine qué modelo es mejor. PLANA no ha ejecutado una nueva generación ni medido tiempos de inferencia para esta noticia.
El ajuste posterior utiliza una variante de Finite Difference Flow Optimization con JEV-Image y evaluación humana. Linum lo presenta como una línea todavía joven dentro de los modelos de difusión. La publicación no convierte esa técnica en una garantía de calidad para cualquier prompt.
No sirve para carteles con texto y todavía se equivoca con los cuerpos
Una limitación especialmente clara es la escritura. El equipo retiró del entrenamiento imágenes con texto renderizado, como carteles, páginas, documentos o diapositivas. Como consecuencia, advierte que esta versión no puede utilizarse para generar bien ese material.
También reconoce problemas con cuerpos completos, escenas con muchos elementos, interacciones entre personas y determinados conocimientos visuales. Entre los ejemplos de fallo publica anatomías deformadas, objetos que se funden y un dado que muestra seis puntos en todas sus caras visibles. Enseñar esos casos ayuda a situar las muestras más convincentes dentro de lo que realmente puede hacer esta versión.
Es un lanzamiento experimental para investigadores y desarrolladores dispuestos a revisar resultados. El precio de entrenamiento no elimina las necesidades de hardware para ejecutarlo ni convierte el modelo en una herramienta lista para resolver cualquier encargo de diseño.
Código y pesos abiertos para estudiar el método
El repositorio de P-JiT y los pesos en Hugging Face están publicados con licencia Apache 2.0. La documentación permite consultar la arquitectura y las condiciones técnicas de la ejecución. Utilizar imágenes o materiales de terceros sigue requiriendo atender a sus propias condiciones.
El interés de P-JiT está en hacer visible una parte del camino: qué arquitectura se probó, cuánto cómputo consumió y dónde aparecen los fallos. Para un equipo que quiera investigar generación visual, ese detalle puede resultar más útil que una única imagen espectacular. El siguiente paso que anuncia Linum sigue siendo el vídeo; esta entrega, por ahora, es un modelo de imágenes que sirve para poner a prueba esa dirección.