Imagecaster: los modelos locales con 16 GB aprenden a escribir en ruso y a probar nuevos looks

Seis dedos y texto ruso mal escrito son los grandes estereotipos de la generación local de imágenes. El creador de Imagecaster, antes llamado SD Studio, comprobó cuánto quedaba de ellos seis meses después de su primer artículo. Las pruebas se realizaron en una RTX 4070 Ti Super con 16 GB de memoria de vídeo.

Qué modelos pasaron el corte

En mayo, la aplicación solo incluía SD 1.5, SDXL y Pony. Estos modelos necesitan instrucciones basadas en etiquetas y resuelven mal escenas complejas como «la mano derecha sobre un letrero y la izquierda arreglándose el pelo». Ahora, la base la forman Flux 1, Z-Image Turbo, Moss-Image y Flux 2 Klein. Entienden frases normales, pero requieren entre 12 y 16 GB de memoria de vídeo.

Cada modelo tiene su especialidad. Flux 1 sigue con precisión las descripciones largas. Z-Image Turbo ofrece fotorrealismo en 8 pasos en lugar de 20–50, lo que facilita explorar variantes. Moss-Image representa la escena descrita tan bien como Flux 1 y permite editar con instrucciones en ruso: «sustituye los pantalones por una falda» cambia la ropa y conserva a la persona, la pose y el fondo. Klein se encarga del posprocesamiento y de las reinterpretaciones que preservan el rostro.

El autor probó Qwen-Image 2.1 y Krea 2, pero los retiró. La combinación de Z-Image, Moss y Klein cubre las mismas tareas con menos recursos y mayor rapidez.

La prueba del letrero en ruso

La instrucción: una joven en un mercado con un letrero que diga «Kartoshka, nedorogo» («Patatas, baratas»). Estos fueron los resultados:

• Moss: 50 pasos, unos 2 minutos por imagen y 5 de 10 sin errores. Los fallos eran pequeños, como «nedoroggo».
• Z-Image Turbo: unos 15 segundos por imagen y 6,5 de 10. Aparecieron errores como «Kartosha» y «Kartotska».
• Flux 1: alrededor de un minuto por imagen y 0 de 5.

Según Claude, la causa está en el codificador de texto, no en la cuantización. Flux 1 interpreta las instrucciones mediante T5, entrenado principalmente con inglés. Z-Image y Moss utilizan codificadores multilingües de la familia Qwen. Las muestras son pequeñas, de 5–10 imágenes, por lo que los resultados sirven de orientación, no de benchmark.

Un estilista de IA que mantiene las imágenes fuera de la nube

Una LLM local que quepa en 16 GB junto con la generación de imágenes se queda corta para hacer de estilista. Por eso, el esquema es el siguiente: un modelo de visión local describe la foto, un agente capaz (Claude Code o Codex) recibe el texto mediante MCP y la aplicación vuelve a generar la imagen. La imagen no sale del ordenador.

La contrapartida es que el agente no ve la foto directamente. Esto puede compensarse en la conversación: el usuario puede explicar sus gustos y lo que haya pasado por alto el modelo de visión. En un caso, el estilista dio por hecho que la foto mostraba a la esposa del autor, aunque la joven era una imagen generada.

El rostro plantea otro problema: Klein redibuja toda la imagen. Por eso, los ojos, la nariz y los labios se transfieren desde el original mediante puntos de referencia y se comprueba el parecido. Si el rostro no coincide, se repite la generación, con un máximo de tres intentos. En una serie de siete variantes con distintos peinados y colores de pelo, la métrica de diferencia facial se mantuvo entre 0,013 y 0,036, dentro de la zona verde.

Qué significa en la práctica

Si desarrollas un producto con generación local de imágenes e interfaz en ruso, fíjate en el codificador del modelo, además de en su tamaño. Para los textos en cirílico, solo los modelos con codificadores Qwen resultan realmente adecuados, y aun así tendrás que generar un lote de variantes. El esquema «cerebro en la nube + ojos y manos locales mediante MCP» permite preservar la privacidad cuando una LLM local pequeña no da la talla.

Las limitaciones son claras: los modelos pesados tardan hasta un par de minutos, la edición conversacional requiere un agente de IA y la tarjeta gráfica debe tener al menos 16 GB. imagecaster-server simplifica la instalación: instala Forge Neo, Ollama si hace falta y las versiones necesarias de Python y git en su propia carpeta.