Arquitectura del modelo Flux: Cómo el Modelo 12B Crea NSFW Realista

A partir de mayo de 2026, los modelos Flux de Black Forest Labs destacan porque abandonaron el viejo manual de U-Net. Flux.1 se lanzó en agosto de 2024 con una configuración híbrida de 12B. Flux.2 llegó en noviembre de 2025 y lo refinó aún más. Mira, el secreto está en esos bloques MMDiT de doble flujo y flujo único. Procesan tokens de texto e imagen juntos mediante atención multimodal. El flujo rectificado reemplaza el habitual baile de difusión ruidosa. Los embeddings rotatorios mantienen las relaciones espaciales ajustadas. Esa escala más el cambio de arquitectura se nota donde más importa: poros de la piel que parecen reales, sombras musculares que siguen la luz correctamente, y poses íntimas que no colapsan en anatomía de pesadilla. Los diseños U-Net más antiguos luchaban con estos detalles. Flux simplemente los renderiza.

Empieza con ruido. El modelo ejecuta bloques transformadores paralelos que permiten que cada token de texto hable directamente con cada parche de imagen. La atención multimodal es el verdadero motor aquí. Aquí va lo importante: cuando pides un ángulo corporal o expresión específica, las capas de atención fijan la semántica desde el principio. El camino de flujo rectificado luego limpia la muestra sin la deriva habitual que sufren los modelos antiguos. Salvaje. Terminas con manos coherentes, iluminación consistente en los pliegues de la piel y una composición de escena que sigue realmente el prompt en lugar de adivinar. Esa precisión es la razón por la que Flux supera a la arquitectura anterior de Stable Diffusion en escenas adultas complejas.

Flux.2 añadió un nuevo VAE, incorporó la semántica de Mistral-3 VLM y abrió soporte multi-referencia para hasta diez imágenes. Esos cambios mejoran la identidad entre tomas y optimizan cómo el modelo entiende la ropa, la iluminación y las relaciones corporales. No voy a mentir, la mejora del VAE por sí sola reduce los artefactos de piel cerosa que aún persiguen algunas generaciones. La multi-referencia hace que las escenas con varios personajes sean mucho más estables. La arquitectura avanzada de transformador multimodal de Flux es exactamente lo que permite a los generadores de vídeo e imágenes NSFW de nueva generación producir contenido adulto más coherente, anatómicamente preciso y controlable. Arquitectura del modelo Flux: Transformador Híbrido para Precisión NSFW