BRIA lanza RMBG-3.0: elimina el fondo en 6 segundos y vence a BiRefNet en el 75,9% de los duelos
BRIA AI ha lanzado RMBG-3.0, un modelo de eliminación de fondo que entiende qué hay en la imagen: una persona, un logotipo en un envase o una sombra en el suelo. Por eso limpia el fondo de las rejas y de los radios de una bicicleta, y no borra las inscripciones pequeñas de los productos. Procesa una imagen en resolución completa en unos 6 segundos con una GPU NVIDIA L40S. Para un catálogo de productos, tiene sentido pasar por el modelo las fotos más complicadas.
Procesado por IA desde TG: @cgevent (Метаверсище и ИИще); editado por Hamidun News
La eliminación automática de fondos parece un problema resuelto hasta que aparece una imagen difícil: una valla de malla, una bicicleta con radios, una foto de grupo o un bote con letra pequeña en la etiqueta. En esos casos, las herramientas habituales dejan trozos de fondo en los huecos o se comen el texto pequeño. BRIA AI ha lanzado RMBG-3.
0, la tercera generación de su modelo de eliminación de fondo, que primero «entiende» qué aparece en la imagen y solo después recorta. Tarda unos 6 segundos por imagen en resolución completa en una sola GPU NVIDIA L40S y, en una prueba ciega con 234 fotografías difíciles, quedó en primer lugar con un ranking medio de 1,51 (cuanto más cerca de uno, más a menudo resultó mejor el modelo).
Qué ha cambiado por dentro
Los modelos anteriores eran segmentadores: buscaban el límite entre el objeto y el fondo y recortaban siguiendo el contorno. RMBG-3.0 es la primera que se construye sobre una base generativa, Fibo 2.0, es decir, un modelo capaz de crear imágenes y que, por ello, entiende mejor la estructura de la escena. Después se destiló: se comprimió el modelo grande hasta una versión ligera que necesita solo 4 pasos en lugar de decenas. Además, la inferencia se ejecuta sin CFG, un modo que en los modelos generativos suele exigir cálculos adicionales en cada paso.
Como el modelo comprende la semántica de la escena, según la descripción de BRIA conserva a todas las personas en las fotos de grupo, no corta las extremidades difuminadas por el movimiento, deja en su sitio los logotipos y etiquetas pequeños de los productos, limpia los huecos de las rejas y entre los radios de la bicicleta, y descarta las sombras proyectadas.
Qué mostró la prueba ciega
En la comparación ciega con 234 fotos difíciles, RMBG-3.0 quedó primera. Estos son los porcentajes de victorias de la nueva solución en las comparaciones por pares:
- frente a Photoroom: 55,1%;
- frente a remove.bg de Canva: 59,4%;
- frente a la anterior RMBG-2.0: 60,9%;
- frente a Ideogram: 65,6%;
- frente a la abierta BiRefNet: 75,9%.
La ventaja sobre los servicios comerciales es más modesta que sobre los modelos abiertos. Frente a Photoroom, la ventaja es de apenas algo más de la mitad de los casos: es una pequeña ventaja, más que una paliza. En cambio, la nueva versión supera con más claridad a la anterior, RMBG-2.0, y eso es un argumento para quienes siguen con la generación previa.
Qué hacer en la práctica
Los pesos están publicados en Hugging Face (briaai/RMBG-3.0), hay una demo en línea en remove-bg.bria.ai y es posible ejecutar el modelo sin servidor propio a través de fal.ai. Así se puede probar primero con las propias fotos problemáticas y decidir después si hace falta infraestructura propia.
Algunas salvedades. La publicación original no aclara quién realizó la prueba, y 234 fotografías son una muestra pequeña, así que con sus datos el resultado puede ser distinto. Conviene leer las condiciones de la licencia para uso comercial en la página del modelo antes de implantarlo. Y una más sobre el coste: 6 segundos en una GPU L40S, con un flujo grande de imágenes, suman una cantidad notable, por lo que es razonable dejar las fotos sencillas con fondo liso en una herramienta más rápida y barata.
Un esquema práctico para el equipo de una tienda en línea: reunir entre 50 y 100 de las imágenes más incómodas de su flujo (rejas, detalles transparentes, etiquetas, fotos de grupo), pasarlas por RMBG-3.0 y por el servicio actual, y comparar los resultados a simple vista. Si la mejora es evidente, tiene sentido enviar al nuevo modelo al menos los casos difíciles.
- 18 nov 2026Al poner a cero menos del 0,05% de los pesos, una LLM grande aprende algo nuevo tan bien como con fine-tuning
- 18 nov 2026La posición del token se recuperó al 99% en un transformer NoPE y al 29–42% en RWKV-7
- 18 nov 2026Liquid AI publica LiquidCodec: decodifica voz 2,9 veces más rápido que Mimi
- 18 nov 20261000 agentes de IA escribieron un chatbot sin red neuronal: la tasa de victorias pasó del 0% al 26%
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué ha cambiado por dentro?
Los modelos anteriores eran segmentadores: buscaban el límite entre el objeto y el fondo y recortaban siguiendo el contorno. RMBG-3.0 es la primera que se construye sobre una base generativa, Fibo 2.0, es decir, un modelo capaz de crear imágenes y que, por ello, entiende mejor la estructura de la escena. Después se destiló: se comprimió el modelo grande hasta una versión ligera que necesita solo 4 pasos en lugar de decenas.
¿Qué se sabe sobre Qué mostró la prueba ciega?
En la comparación ciega con 234 fotos difíciles, RMBG-3.0 quedó primera. Estos son los porcentajes de victorias de la nueva solución en las comparaciones por pares: frente a Photoroom: 55,1%; frente a remove.bg de Canva: 59,4%; frente a la anterior RMBG-2.0: 60,9%; frente a Ideogram: 65,6%; frente a la abierta BiRefNet: 75,9%. La ventaja sobre los servicios comerciales es más modesta que sobre los modelos abiertos.
¿Qué se sabe sobre Qué hacer en la práctica?
Los pesos están publicados en Hugging Face (briaai/RMBG-3.0), hay una demo en línea en remove-bg.bria.ai y es posible ejecutar el modelo sin servidor propio a través de fal.ai. Así se puede probar primero con las propias fotos problemáticas y decidir después si hace falta infraestructura propia. Algunas salvedades. La publicación original no aclara quién realizó la prueba, y 234 fotografías son una muestra pequeña, así que con sus datos el resultado puede ser distinto.
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.