13 modelos abiertos,
cada archivo con su peso.

Modelo text-to-image de Tongyi-MAI (Alibaba). 6B parámetros, arquitectura S3-DiT con generación turbo en 8 pasos. Usa Qwen 3 4B como text encoder. Apache 2.0.

Modelos compactos de edición de imagen de Black Forest Labs. 4B y 9B parámetros, inferencia rápida. Editá con lenguaje natural — fondos, ropa, restauración de fotos. El 4B es Apache 2.0.

Modelo text-to-image de Ideogram. 9.3B parametros, el mejor en tipografia y renderizado de texto entre los pesos open. DiT single-stream con text encoder Qwen3-VL-8B, cargado como modelos conditional + unconditional. Soporte day-0 en ComfyUI. Licencia no comercial.

Modelo de generación de video + audio de Lightricks. 21B parámetros, arquitectura Diffusion Transformer. Text-to-video e image-to-video, audio sincronizado, hasta 4K. LTX-2 Community License.

Modelo base (sin destilar) text-to-image de 6B de Tongyi-MAI (Alibaba). CFG real y negative prompts, más diversidad facial — el modelo para fine-tuning y entrenar LoRAs; con el distill patch LoRA corre a 8 pasos. Comparte text encoder y VAE con Z Image Turbo.

FLUX.1 Schnell es un transformer de rectified-flow de 12B para text-to-image, destilado por timesteps para generar imágenes de alta calidad en solo 1-4 steps. Lanzado por Black Forest Labs bajo Apache 2.0 - el miembro totalmente abierto y de uso comercial de la familia FLUX.1. Corre con guidance 1, sin negative prompt. El build FP8 es un checkpoint all-in-one (diffusion + text encoders + VAE en un archivo); BF16 y GGUF usan componentes separados.

Qwen Image es un modelo text-to-image de 20B parámetros (MMDiT, Multimodal Diffusion Transformer) del equipo Qwen de Alibaba, lanzado en agosto de 2025 bajo Apache 2.0. Su capacidad estrella es el renderizado de texto de primer nivel - layouts multilínea, párrafos y letra chica - tanto en alfabetos como en escrituras logográficas (sobre todo chino). Combina un text encoder Qwen2.5-VL 7B con un VAE propio y genera de forma nativa a 1328x1328. Una revisión 2512 viene en el mismo repo de Comfy-Org.

Modelo de edición de imágenes del equipo Qwen de Alibaba, versión 2511. MMDiT de 20B con edición multi-imagen nativa (hasta 3 referencias en un solo edit), mejor preservación de identidad facial y seguimiento de instrucciones. Comparte text encoder y VAE con Qwen Image.

Image-to-video y text-to-video del equipo Wan de Alibaba. A14B es un par mixture-of-experts: el experto high-noise define composicion, movimiento y camara; el low-noise resuelve textura, caras y detalle fino. El router es el timestep, asi que se necesitan los dos. 81 frames a 16 fps nativo (5.06 s), 720x1280 o 480x832. Sigue siendo el ultimo Wan con pesos abiertos — de 2.5 en adelante son solo API.

Krea 2 (Turbo) es la variante destilada a 8 pasos de Krea 2, el modelo text-to-image de Krea AI basado en un Diffusion Transformer denso de 13B de parámetros. Genera en aproximadamente dos segundos, combinando el VAE de Qwen Image con un text encoder Qwen3-VL que usa agregación de features multicapa, y produce de forma nativa en resolución 1K-2K (hasta 2 MP). Se distribuye bajo la Krea 2 Community License — según el anuncio de Krea, el uso comercial es gratuito para equipos de menos de 50 seats; ver la licencia para los términos vinculantes.

Modelo de animación de personajes del equipo Wan de Alibaba. Imagen de referencia + video guía: el personaje ejecuta el movimiento y la expresión completos del video, con punto de vista y fondo controlados por prompt. Soporte nativo en ComfyUI, repo autocontenido, 832x480 en segmentos encadenables de 81 frames.

Generación de video + audio sincronizado de Lightricks, sucesor de LTX-2.3. DiT de 22B con Pixel Diffusion, multishot nativo (consistencia de personaje y voz entre cortes), text encoder Gemma 4 12B y Auto Duration. El checkpoint distilled corre a 8 pasos, CFG 1. Gated: aceptar la licencia en Hugging Face antes de descargar.

Generación de video omni-modal de MiniMax (Hailuo). DiT denso de 33B que genera video con audio estéreo nativo sincronizado (voz, SFX, música) en el mismo pase. Dos checkpoints: FL2VA (t2v / i2v / first-last frame) y Ref2VA (hasta 9 imágenes + 3 videos + 3 audios de referencia fijan identidad, estilo y voz). 768p nativo, 24 fps, hasta 15 s. Las variantes pruned (~20B) reducen disco y RAM con igual salida.