Creatividad de los modelos de difusión: una explicación matemática de Google Research

Investigadores de Google Research presentaron un estudio que explica la naturaleza de la creatividad en los modelos de difusión. Demostraron que la capacidad de un modelo para generar datos nuevos, en lugar de limitarse a copiar ejemplos de entrenamiento, es una consecuencia matemáticamente predecible de cómo se entrenan las redes neuronales. Durante el entrenamiento, la red neuronal suaviza de forma natural la función de puntuación, un campo vectorial que guía el proceso de eliminación de ruido. Este suavizado, denominado suavizado de puntuación, hace que las partículas se detengan en posiciones intermedias en lugar de reproducir exactamente los puntos de entrenamiento, creando nuevas muestras plausibles. En espacios de alta dimensión, el efecto solo aparece a lo largo de direcciones tangentes a la variedad latente de datos, sin ralentizar la convergencia hacia la propia variedad. Así, el modelo logra un equilibrio entre calidad y novedad: las imágenes son tanto realistas como originales. El trabajo se presentó en la Conferencia Internacional sobre Representaciones del Aprendizaje (ICLR, por sus siglas en inglés) de 2026.