Noticias IA · Modelos Fundacionales, Arquitecturas Multimodales y Visión Artificial
Edición: Álvaro MaureiraFecha: 2026-11-02Fuente: DeepSeek-AI Multimodal Research Team
DeepSeek lanzó Janus, un modelo multimodal de pesos abiertos que supera el dilema clásico entre comprensión de imágenes y generación visual autorregresiva. Al desacoplar las rutas de codificación visual en codificadores especializados independientes antes de alimentar un transformador central unificado, Janus elimina la degradación cruzada de características que sufrían los modelos multimodales previos, alcanzando paridad con modelos especializados en pruebas de percepción mientras genera composiciones visuales complejas con fidelidad fotográfica.
Capítulo 01
La noticia en una frase
DeepSeek presentó Janus, modelo multimodal que desacopla las vías de procesamiento visual para dominar simultáneamente comprensión y generación de imágenes.
En noviembre de 2026, DeepSeek-AI publicó el artículo de investigación y repositorio oficial de Janus (1.3B y versiones escaladas). En los benchmarks estándar de visión y lenguaje (MME, Seed-Bench y MMMU), Janus superó ampliamente a modelos de tamaño equivalente e igualó a arquitecturas dedicadas exclusivamente a la percepción, mientras que en generación de imágenes alcanzó puntajes competitivos de GenEval con seguimiento minucioso de instrucciones complejas.
Capítulo 02
El alcance que cambia la lectura
Hasta el desarrollo de Janus, los modelos que intentaban realizar comprensión y generación visual con un único codificador sufrían una tensión arquitectónica intrínseca: la comprensión requiere abstracción semántica de alto nivel (como la proporcionada por SigLIP), mientras que la generación exige retener información espacial detallada a nivel de píxeles y parches (como la ofrecida por tokenizadores VQ o VAE).
Capítulo 03
El mecanismo documentado
Janus resuelve este dilema mediante un diseño de representación visual desacoplada: utiliza un codificador SigLIP optimizado para extraer representaciones semánticas destinadas a la comprensión del lenguaje, y un tokenizador visual discreto separado para la generación autorregresiva. Ambas corrientes convergen en un transformador autorregresivo estándar que predice el siguiente token ya sea de texto o de imagen sin conflicto de gradientes.
Capítulo 04
La relación entre las piezas
Janus se integra directamente con el ecosistema de inferencia de Transformers de Hugging Face y vLLM, permitiendo flujos de trabajo donde un usuario puede pedirle al modelo que analice una imagen existente, razone sobre sus defectos y genere una nueva versión corregida en una sola conversación continua.
Capítulo 05
Qué capacidad se puede atribuir
Se comprueba una capacidad excepcional para razonar sobre diagramas técnicos, responder preguntas basadas en documentos infográficos y sintetizar imágenes estilizadas siguiendo restricciones espaciales precisas. Sin embargo, no se debe asumir que el modelo pequeño de 1.3B pueda generar tipografía minúscula perfectamente nítida o superar a modelos de difusión gigantescos en resolución nativa 4K.
Capítulo 06
La puerta de control
Al ser un modelo con pesos totalmente abiertos y código de inferencia público, los investigadores pueden inspeccionar la atención cruzada, aplicar técnicas de fine-tuning con LoRA en GPUs de consumo doméstico y adaptar los tokenizadores a dominios científicos específicos.
Capítulo 07
Lo que la fuente no demuestra
La investigación de DeepSeek aclara que Janus no demuestra paridad completa con generadores de difusión comercial de última generación en texturas fotorrealistas de piel humana ultra-detallada sin post-procesamiento de superresolución.
Capítulo 08
Cómo probarlo sin prometer de más
Los usuarios pueden clonar el repositorio de DeepSeek en GitHub, instalar las dependencias con `pip install -r requirements.txt` y ejecutar la interfaz interactiva Gradio localmente en una tarjeta NVIDIA con al menos 16 GB de VRAM.
Capítulo 09
Veredicto editorial
Janus demuestra una vez más el rigor y la audacia investigadora de DeepSeek: la unificación real de la percepción y la creación visual no requería arquitecturas monstruosas, sino la elegancia conceptual de desacoplar lo que la física de los datos exigía separar.
Fuente oficial y reporte: alvaromaureira.cl
