Saltar al contenido principal
Zubnet AI › Aprender › Wiki › Imagen (Google)
Modelos

Imagen (Google)

También conocido como: Gemini Image
La línea de modelos de generación de imágenes de Google, desde los modelos de difusión Imagen hasta los modelos de imagen conversacionales de Gemini conocidos como Nano Banana.

Por qué importa

Google es una de las pocas empresas con modelos de frontera para texto, imágenes y video, y sus modelos de imagen llegan a una audiencia enorme a través de la aplicación de Gemini, Google Fotos, Workspace, la Búsqueda y Android. La investigación de Imagen también marcó a todo el campo: su hallazgo de que el codificador de texto importa tanto como el modelo de imagen influyó en Stable Diffusion 3, FLUX y muchos otros.

Nano Banana, por su parte, volvió masiva la edición conversacional de imágenes. Subir una foto y decir «ponla al atardecer y quita el auto» mientras todo lo demás, incluidos los rostros de las personas, se mantenía igual fue un salto frente a las herramientas anteriores, y generó cientos de millones de ediciones de imágenes en pocas semanas.

En profundidad

Imagen era la familia de modelos de texto a imagen de Google. La primera versión, publicada como artículo de investigación en mayo de 2022, mostró que combinar un gran modelo de lenguaje como codificador de texto con un modelo de difusión producía imágenes que seguían los prompts con más fidelidad que todo lo anterior. Google no la lanzó al público en ese momento, y luego fue incorporando versiones sucesivas a sus productos: Imagen 2 a fines de 2023, Imagen 3 en 2024 e Imagen 4 en 2025. Desde entonces, Google ha dado de baja todos los modelos Imagen (Imagen 4, el 17 de agosto de 2026).

Junto a Imagen, Google integró la generación de imágenes directamente en sus modelos Gemini. Esa segunda línea se hizo famosa en agosto de 2025 con el apodo Nano Banana, y hoy se encarga de toda la generación de imágenes de Google.

El diseño original

Imagen (2022) usaba un codificador de texto T5-XXL congelado y una cascada de modelos de difusión: uno generaba una imagen de 64×64, y dos modelos de superresolución la ampliaban a 256×256 y luego a 1024×1024. A diferencia de Stable Diffusion, trabajaba directamente sobre píxeles en lugar de hacerlo en un espacio latente comprimido. Las versiones posteriores pasaron a diseños de difusión latente más eficientes, con mejoras constantes en fotorrealismo, renderizado de texto y seguimiento del prompt. Imagen 4 sumó detalles más nítidos, una tipografía mucho mejor, salida de hasta 2K de resolución y una variante rápida.

Dos líneas de modelos

Hasta 2026, Google tenía dos enfoques para las imágenes:

  • Los modelos Imagen eran generadores dedicados de texto a imagen. Enviabas un prompt y recibías imágenes. Eran rápidos, relativamente baratos por imagen y fuertes en fotorrealismo y estilo.
  • Los modelos de imagen de Gemini generan imágenes de forma nativa como parte de un LLM multimodal. El primero de uso amplio fue Gemini 2.5 Flash Image (Nano Banana, agosto de 2025). Nano Banana Pro, construido sobre Gemini 3 Pro, llegó en noviembre de 2025 con texto preciso dentro de las imágenes, salida de hasta 4K, la capacidad de combinar muchas imágenes de referencia y grounding opcional con la Búsqueda de Google. Desde entonces, nuevas versiones han continuado la línea.

La diferencia práctica es que los modelos de Gemini entienden el pedido con todo el conocimiento y el razonamiento de un LLM. Pueden editar a lo largo de varios turnos de conversación, mantener un personaje consistente entre imágenes, seguir composiciones complejas, dibujar diagramas e infografías con etiquetas correctas y usar conocimiento del mundo. Para una sola imagen a partir de un prompt claro, Imagen solía bastar. Para edición, composición con varias imágenes o cualquier cosa que requiriera razonar, los modelos de Gemini eran la mejor opción.

Dónde usarlos

Los consumidores encuentran los modelos de imagen de Gemini en la aplicación de Gemini y en los productos de Google. Los desarrolladores acceden a ellos mediante la API de Gemini en Google AI Studio y mediante Vertex AI en Google Cloud, con precios por imagen o por token de salida. Plataformas de terceros también los ofrecen.

Marcas de agua y salvaguardas

Toda imagen de los modelos de Google lleva SynthID, una marca de agua invisible incrustada en los píxeles y diseñada para sobrevivir a recortes, compresión y filtros. Google permite a los usuarios comprobar si una imagen la lleva en la aplicación de Gemini, y en algunos productos también adjunta credenciales de contenido C2PA. Los modelos aplican filtros para contenido inseguro y límites para representar a personas reales, aunque el realismo de las versiones recientes ha renovado la preocupación por los deepfakes y la desinformación.

El panorama competitivo

Las principales alternativas son los modelos GPT Image de OpenAI, que siguen un enfoque similar nativo de LLM, Midjourney por su estética, FLUX de Black Forest Labs para pesos abiertos y uso por API, y modelos de laboratorios chinos como Seedream de ByteDance y Qwen-Image de Alibaba. El campo avanza rápido, y el liderazgo en las tablas de clasificación públicas cambia de manos cada pocos meses.

← Todos los términos
ESC