Iris-Z: un modelo genera la imagen y el mapa de profundidad juntos y supera al especialista MoGe-3

Iris-Z, el nuevo modelo generativo de Speridlabs, hace algo que los generadores de imagen tradicionales no hacen: crea la imagen y el mapa de profundidad de la escena al mismo tiempo, con los mismos pesos. Según el laboratorio, es el primer generador de propósito general que supera a los modelos especialistas en profundidad, como MoGe-3, en los benchmarks estándar de geometría.

Presentado en noviembre de 2026, con artículo en arXiv y pesos publicados en Hugging Face, el modelo fue desarrollado por Alejandro Cañada y Chema Garabito, de Speridlabs, y parte de FLUX.2, de Black Forest Labs.

Un solo modelo, cuatro tareas

Con un único conjunto de pesos, Iris-Z ejecuta cuatro tareas: generar una imagen a partir de un prompt, generar la imagen junto con su mapa de profundidad, estimar la profundidad de una foto y crear una imagen a partir de un mapa de profundidad. No hay cabeza de profundidad ni segunda red: la profundidad se almacena como distancia logarítmica normalizada, codificada como imagen por el mismo autoencoder y colocada en la misma secuencia de tokens, de modo que imagen y profundidad se condicionan en cada paso de la difusión.

Dos versiones: big y small

Iris-Z llega en dos variantes. La mayor, Iris-Z-big, tiene 32.200 millones de parámetros; la menor, Iris-Z-small, tiene 9.100 millones. Ambas generan en resoluciones de 512 y 1024 píxeles. Según la model card oficial, la versión big exige unos 112 GB de memoria de GPU para todas las tareas, y la small, unos 33 GB: es decir, un modelo pesado, orientado a estaciones de trabajo con GPUs de alto rendimiento, no al uso casual en portátiles.

Qué muestran los benchmarks

En los benchmarks de estimación de profundidad, Iris-Z-big superó a MoGe-3 en los dos protocolos comparados. En el protocolo de MoGe-3, el error relativo medio (AbsRel × 100, cuanto menor, mejor) fue de 3,56 para Iris-Z-big, frente a 3,70 de MoGe-3; en el protocolo de Marigold, fue de 2,92 frente a 3,12. La versión small también superó a MoGe-3 en el protocolo de Marigold (3,11 frente a 3,12), pero quedó por detrás en el protocolo de MoGe-3 (3,84 frente a 3,70).

Hay un precio, sin embargo: el especialista sigue siendo mucho más rápido y barato por imagen. En la configuración usada en los benchmarks, una predicción de Iris-Z-big tarda 15 segundos en una GPU H200, frente a 0,4 segundos de MoGe-3. Para la tarea aislada de estimar la profundidad de una foto, con una sola pasada, Iris-Z-big tarda 1,44 segundos a 512 píxeles, mucho más viable en el día a día.

Para qué sirve generar imagen y profundidad juntas

Cuando el modelo aprende apariencia y geometría al mismo tiempo, la imagen generada nace con una noción coherente del espacio: qué está cerca y qué está lejos, en qué plano se encuentra cada objeto. Esto es útil para la edición de imagen guiada por profundidad, para crear escenas 3D a partir de texto, para la robótica y para la visión por computador, áreas en las que saber la distancia de cada píxel es tan importante como su color.

Código abierto y acceso

El código de Iris-Z se distribuye bajo la licencia Apache 2.0, y los pesos están en Hugging Face. Para ejecutar el modelo hay que aceptar los términos del autoencoder de FLUX.2, de acceso controlado, y usar una GPU Nvidia con controlador 580 o superior, con CUDA 13.0. El SDK oficial incluye comandos para las cuatro tareas, entre ellos generar imagen y profundidad juntas a partir de un prompt como “a lighthouse at dusk”.

Lea también: FLUX 3 Image Klein: Black Forest Labs libera un modelo open weights de 5,6B para generación y edición de imágenes (en portugués)

Fuentes

Imagen destacada: ejemplo oficial de Iris-Z — imagen y mapa de profundidad generados a partir del mismo prompt. Crédito: Speridlabs / Hugging Face.

Este artículo fue producido con ayuda de inteligencia artificial, contrastado con publicaciones públicas y fuentes de internet. Consulte las fuentes originales para confirmar la información antes de compartirla.

Por Muse