Prompts en ruso en ComfyUI: FLUX.2 y Qwen-Image pierden entre 4 y 13 puntos, y SD-Turbo casi todo
El autor pasó 12 prompts en ruso por modelos abiertos para ComfyUI y los comparó con los ingleses. Los modernos FLUX.2 y Qwen-Image, con codificadores LLM, entienden el ruso y bajan entre 4 y 13 puntos, mientras que la antigua SD-Turbo con CLIP en inglés cumple solo el 4 % de los detalles frente al 67 %. La causa principal de los fallos no es el idioma, sino las realidades culturales sin explicar, como las baranki y los valenki.
Procesado por IA desde Habr AI; editado por Hamidun News
«Cinco patitos de goma amarillos flotan en la bañera». Con esta frase, FLUX.2 klein 4B dibujó dos veces palitos amarillos, y SD-Turbo generó una vista aérea de una ciudad. En inglés, ambos modelos dibujaron los patitos sin problemas. La mayoría de las guías de ComfyUI dan por hecho que el prompt está en inglés, y el autor de este análisis decidió comprobar si eso es realmente obligatorio.
Por qué el codificador lo decide todo
Quien convierte el texto en imagen no es el modelo de difusión, sino el codificador de texto: divide el prompt en tokens y entrega sus vectores al modelo. Si conoce mal el idioma, ningún parámetro del sampler lo corregirá.
Los modelos de 2022–2024 tienen codificadores en inglés. OpenAI dice claramente que CLIP no fue entrenado ni probado con nada que no fuera inglés. T5 v1.1, usado en FLUX.1 y SD 3.5, conoce solo 14 de las 66 letras rusas, y únicamente minúsculas. Todo lo demás, incluida cualquier mayúscula, se convierte en el token <unk>. «Самовар на деревянном столе» («Un samovar sobre una mesa de madera») llega al modelo como «<unk>амовар на дерев<unk>нном столе». En la parte rusa del test, estos tokens suponen alrededor del 22 %. CLIP no pierde letras, pero trocea el ruso en fragmentos pequeños y el texto resulta 3,35 veces más largo que el inglés.
Los modelos nuevos incorporan grandes modelos de lenguaje: Qwen3 4B en FLUX.2 klein, Qwen2.5-VL 7B en Qwen-Image, Mistral Small 3.1 en FLUX.2 dev. Sus tokenizadores conocen el ruso y no hay tokens desconocidos.
Qué mostró el test
El autor redactó 12 prompts en los que es fácil tropezar: samovar, baranki, valenki, pelmeni, conteo de objetos, posición de objetos, cirílico en un letrero. Cada uno se ejecutó con dos semillas en ruso y en inglés. Las imágenes fueron evaluadas por dos modelos multimodales mediante respuestas «sí/no» a preguntas sobre los detalles; sus respuestas coincidieron en el 92,8 % de los casos.
Resultados por detalles cumplidos, ruso frente a inglés:
- FLUX.2 dev: 91 % frente a 95 %
- Qwen-Image 2512: 83 % frente a 93 %
- FLUX.2 klein 4B: 73 % frente a 86 %
- SD-Turbo en procesador: 4 % frente a 67 %
SD-Turbo con OpenCLIP en inglés casi no dibujó nada en ruso: cuatro detalles correctos de 92, todos casuales. En cambio, el ruso no estropea a los modelos modernos una composición sencilla («una taza roja a la izquierda, una tetera verde a la derecha»). Los fallos empiezan con las realidades culturales: ningún modelo dibujó un manojo de baranki a partir del prompt en ruso, y los valenki en ruso no le salieron a nadie.
El conteo y el cirílico en la imagen son difíciles en ambos idiomas. Exactamente cinco patitos los dibujaron de forma estable solo FLUX.2 dev y Qwen-Image. El letrero «Булочная» («Panadería») sin errores lo escribió únicamente FLUX.2 dev, y solo en un intento de dos. Qwen-Image produjo «Билочля» y klein, «Бузчиние».
¿Idioma o explicaciones?
La principal salvedad del test: en cuatro prompts ingleses el autor añadió explicaciones como «valenki felt boots». Por eso volvió a ejecutar esos cuatro prompts en dos variantes nuevas. Resultados de los tres modelos en conjunto:
- en ruso: 72 %
- en ruso con explicaciones: 76 %
- en inglés sin explicaciones: 70 %
- en inglés con explicaciones: 81 %
El inglés sin explicaciones quedó al nivel del ruso normal. Es decir, el modelo no tropieza con el idioma, sino con una palabra tras la cual no hay una imagen clara. Las explicaciones en ruso ayudaron más a Qwen-Image: 68 % → 85 %. En FLUX.2 dev la mejora fue más modesta (79 % → 82 %), y en klein el resultado incluso bajó (68 % → 62 %). Pero el propio autor advierte de que los jueces responden de forma inestable en los detalles dudosos, por lo que una diferencia de un par de comprobaciones debe considerarse ruido.
Para SD-Turbo ayudó un traductor: un modelo de lenguaje barato la elevó al 61–63 % y costó alrededor de un kopek por prompt.
Limitaciones y qué hacer
Es un experimento con 12 prompts y dos semillas, no un benchmark. Cuatro modelos se ejecutaron mediante la API de BotHub (el autor escribe para su blog), donde los pasos y el guidance los elige el proveedor, por lo que conviene comparar el ruso con el inglés dentro de un mismo modelo. FLUX.1 schnell es traducido al inglés por el propio servicio, así que no se incluyó en las conclusiones sobre la comprensión del ruso.
Conclusión práctica:
- Los modelos con codificador LLM (FLUX.2, Qwen-Image) no necesitan un traductor en el grafo; el ruso les sirve.
- Explique las realidades culturales: no «podstakánnik», sino «un vaso en un portavasos metálico podstakánnik»; no «baranki», sino «un manojo de anillos de pan».
- Para modelos basados en CLIP o T5 (SD 1.5, SDXL, SD 3.5, FLUX.1, SD-Turbo), coloque un traductor LLM antes del codificador; es barato.
- El cirílico en letreros y envases es más fiable añadirlo después en un editor.
- 12 nov 2026Ocho países, OpenAI y Anthropic prometen un «interruptor de emergencia» para los modelos de IA, pero sin plazos ni sanciones
- 12 nov 2026Anthropic cierra Claude desde el 12 de noviembre a empresas bajo control ruso
- 12 nov 2026n8n lanza Nod, un agente de código abierto que funciona en tu ordenador
- 12 nov 2026Hugging Face advierte: una ola de hackeos podría hacer que la IA de código abierto sea menos abierta
Preguntas frecuentes sobre la noticia
¿Idioma o explicaciones?
La principal salvedad del test: en cuatro prompts ingleses el autor añadió explicaciones como «valenki felt boots». Por eso volvió a ejecutar esos cuatro prompts en dos variantes nuevas. Resultados de los tres modelos en conjunto: en ruso: 72 % en ruso con explicaciones: 76 % en inglés sin explicaciones: 70 % en inglés con explicaciones: 81 % El inglés sin explicaciones quedó al nivel del ruso normal. Es decir, el modelo no tropieza con el idioma, sino con una palabra tras la cual no hay una imagen clara.
¿Qué se sabe sobre Por qué el codificador lo decide todo?
Quien convierte el texto en imagen no es el modelo de difusión, sino el codificador de texto: divide el prompt en tokens y entrega sus vectores al modelo. Si conoce mal el idioma, ningún parámetro del sampler lo corregirá. Los modelos de 2022–2024 tienen codificadores en inglés. OpenAI dice claramente que CLIP no fue entrenado ni probado con nada que no fuera inglés. T5 v1.1, usado en FLUX.1 y SD 3.5, conoce solo 14 de las 66 letras rusas, y únicamente minúsculas.
¿Qué se sabe sobre Qué mostró el test?
El autor redactó 12 prompts en los que es fácil tropezar: samovar, baranki, valenki, pelmeni, conteo de objetos, posición de objetos, cirílico en un letrero. Cada uno se ejecutó con dos semillas en ruso y en inglés. Las imágenes fueron evaluadas por dos modelos multimodales mediante respuestas «sí/no» a preguntas sobre los detalles; sus respuestas coincidieron en el 92,8 % de los casos.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.