Ayer por la noche me acostaba con la noticia de la adquisición de GripTape por parte de The Foundry.

Creo que no soy el único que se venía preguntando porque The Foundry estaba tardando tanto en reaccionar a la nueva ola de la IA generativa.

Bien es verdad que había implementaciones de ComfyUi para Nuke desarrolladas por la comunidad pero realmente no ofrecían nada realmente funcional. Los que lo hemos probado hemos sufrido las dificultades de conexión y el poco empaque de estos intentos, merecía mas la pena volverse a Comfy que ejecutarlo dentro de Nuke.

1. ¿Qué es Griptape y qué son Griptape Nodes?

• Para situarnos:
  Griptape es un framework open source orientado a la construcción de aplicaciones de IA basadas en LLMs (Large Language Models). Está pensado más para desarrolladores que para artistas: orquestación de agentes, flujos de trabajo, integración con herramientas externas, memoria, etc.

Hasta aquí, nada que nos suene especialmente a VFX.

• Lo interesante viene con Griptape Nodes:
  una capa visual, basada en sistemas de nodos, que permite construir workflows de IA de forma gráfica, muy en la línea de lo que ya conocemos en herramientas como ComfyUI

Para cualquiera que venga del mundo de los VFX, esto es inmediatamente familiar. No es casualidad: el paradigma de nodos es la forma natural en la que pensamos los pipelines complejos.

2. Qué está haciendo realmente The Foundry (y por qué esto es estratégico)

Foundry no está comprando “otro generador” ni “otro modelo”. Está comprando la capa que falta para que la IA sea usable en un estudio sin que se rompa todo lo demás: orquestación.

La IA ya estaba dentro de Nuke como Copycat o The Cattery pero con un enfoque de resolver taras concretas dentro de un plano o secuencia de planos.

Con Griptape, el enfoque cambia:

• Pasamos de features sueltas → a pipeline.

Hablan literalmente de “AI-powered features” + “critical orchestration capabilities” y de construir un “AI-first pipeline of the future”. Traducido: esto ya no va de un nodo que hace X, sino de cómo conectas X con el resto del sistema.

• El problema real: control, seguridad y trazabilidad.

En cuanto un estudio deja de “probar cosas” y quiere meter IA en producción diaria, aparecen siempre los mismos fantasmas:

quién puede usar qué modelo, con qué datos, qué queda registrado, qué sale fuera, qué entra, qué se versiona, qué es reproducible.

En la nota lo nombran tal cual: control + seguridad + trazabilidad como requisito de “major production environments”.

• “Controlled access” a modelos open source y comerciales.

Esto es clave: Griptape no se casa con un modelo. La idea es que el estudio pueda orquestar varios modelos y agentes, e ir cambiándolos sin reventar el workflow cada vez que el ecosistema gira (que gira cada 2 días...)

• Integración con Nuke (y, por extensión, con tu toolset real).

No lo dejan en abstracto. Dicen que lo integrarán con herramientas creativas “including Nuke”.

O sea: no quieren que la IA viva en una web externa, quieren que viva en el mismo entorno donde se toman decisiones y se finalizan planos.

• Arquitectura Python, extensible y pensada para durar.

Esto me parece de las frases más importantes: “highly extensible Python-based architecture designed for scale, workflow longevity, and integration with existing infrastructure”.

“Workflow longevity” es una forma elegante de decir: no queremos otro juguete que se queda obsoleto en 3 meses; queremos infraestructura.

• Hand-offs a producción y granja.

También mencionan integración con “production management and render farm hand-offs”.

Esto no es menor: están pensando en IA como algo que entra en la cadena industrial (colas, granja, automatización, aprobaciones), no como un botón local en la máquina de un artista.

• Agentes programables más allá del chat.

Otro punto muy “enterprise”: “Beyond simple conversational interfaces… secure, programmable agents”.

O sea: no es “pregúntale a la IA”, sino “crea agentes que ejecuten tareas dentro de un marco controlado”.

En resumen: Foundry está intentando colocarse donde está el valor real para los estudios: no en “hacer magia”, sino en domar la magia. Hacerla integrable, trazable, segura y repetible. Veremos si lo consiguen..

3. Primeras impresiones

Dicho todo esto, lo importante no es la nota de prensa. Lo importante es: ¿qué pasa cuando lo instalas y te pones a tocarlo?

Lo primero: No es otro ComfyUi

Yo esperaba un calco a Comfy pero se siente diferente. Tardas porco en darte cuenta que está pensado más como un sistema agéntico. Entiendo que la estrategia de The Foundry será ir implementando todos los controles a través embedings que agradecemos los que buscamos una capa extra de control en las generaciones.

De momento lo poco que he podido probar en la parte de generación de imagen lo he hecho a traves de créditos de API y me ha recordado mucho a la forma de trabajar con API nodes de Comfy, acceso a los modelos mas recientes y comerciales pero sin el control de los open weights.

Me he centrado más en construir un mini agente súper simple. Entrada de prompt muy sencillo en castellano, traductor a inglés y a través del agente controlado por API de OpenAI generar un prompt curado con unas reglas de promting para nano banana:

Prompt incial

“Desde un plano frontal un coche está volando tras haber saltado en mitad de un puente colgante al estilo brooklyn bridge. El puente se acaba de romper tras una explosión y al fondo vemos nueva york.”

Promt de salida:

“Subject: A red sports car

Composition: Close-up frontal shot

Action: The car is flying through the air after being propelled by an explosion.

Setting/Location: A suspension bridge resembling the Brooklyn Bridge, with New York City in the background.

Style: Cinematic, action-packed scene.

Camera lens, shadow, and lighting details: Dynamic lighting with fiery tones from the explosion, natural daylight illuminating the cityscape.”

Imagen:

A decir verdad no he conseguido que Gemini 3 Pro Imaga aka Nano Banana me devolviera la generación y me he pasado a Flux 2.0, viva Black Forest Labs!

He decir que tras un rato generando imágenes me han parecido un poco caros los Api credits. Estos días ire probando modelos open source e insistiré un poco con Nano Banana….

Aquí los precios de Flux:

Mi conclusión por ahora

A día de hoy, no diría “ya está, ComfyUI tiene competencia directa”.

Pero sí diría algo que para mí es más importante:

Foundry está intentando construir la infraestructura que hace falta para que la IA deje de ser experimento y se convierta en pipeline.

Y esa batalla —la de la infraestructura— es la que de verdad decide quién gana a medio plazo.

Si lo estáis probando también, contadme vuestras sensaciones. Abrazos familia!

Esta semana abrimos este post para intentar responder a una de las cuestiones que más nos inquietan de cara a adquirir un equipo en la actualidad: ¿cómo me aseguro de que el equipo que compre tiene prestaciones compatibles con procesos de cálculo de inteligencia artificial, que a su vez sea potente para VFX y que no se me quede desfasado a corto plazo?

Esta guía está pensada para artistas y estudios que trabajan con herramientas de VFX (Nuke/Maya/Houdini 3D, render, simulación…) y, además, quieren ejecutar workflows de IA en local.

Primero vamos a hacer un análisis de los componentes principales a tener en cuenta. Si te vas a gastar un dinero importante, conviene que conozcas ciertos aspectos técnicos que van a influir de manera determinante en el rendimiento de tu estación de trabajo:

GPU: La compra que decide tu equipo.

• La tarjeta gráfica se ha convertido en el motor de cálculo masivo del equipo. En este caso, lo más recomendable son las gráficas de NVIDIA, ya que la mayoría de herramientas de IA están optimizadas para su ecosistema CUDA. El desarrollo está más estandarizado y será mucho más fácil resolver problemas de compatibilidad que puedan surgir.

  • VRAM: Es la memoria de la tarjeta gráfica (GPU). Es el almacén de trabajo rápido donde la GPU guarda lo que necesita tener a mano para procesar gráficos o cálculos (IA, render, simulaciones), sin depender continuamente de la RAM del sistema.

    Para el caso de ComfyUI, la cantidad de VRAM es clave, ya que los pesos (.ckpt o .safetensors) se almacenan en un primer paso en esta memoria de la gráfica para poder hacer la inferencia (generación de imagen o vídeo).

    Estos pesos son lo que comúnmente conocemos como el “modelo de IA” y, realmente, son la codificación de la información aprendida en un punto del entrenamiento. Suelen ser archivos muy pesados que pueden ocupar hasta 64 GB, como es el caso del último modelo de Flux: “flux2-dev.safetensors”.

    Esto significa que, para correr en local ese modelo, vas a necesitar por lo menos esa cantidad de VRAM. Como esto haría que no se pudiera ejecutar en casi ninguna gráfica, los desarrolladores sacan versiones de los modelos cuantificadas que ocupan menos espacio, sacrificando cierta calidad en la inferencia.

    Si pensamos trabajar con procesos de cálculo de IA, lo mínimo recomendable serían 16 GB de VRAM en sobremesa y 12 GB en portátiles.

  • ARQUITECTURA: Como de modernos o actualizados están los diferentes componentes de la GPU.

    A nivel práctico, la arquitectura Blackwell (RTX 50) es una evolución clara sobre Ada Lovelace (RTX 40): más VRAM de serie, memoria GDDR7 más rápida, núcleos RT y Tensor de nueva generación y un diseño del chip orientado explícitamente a neural rendering.

  Ahora para concretar un poco si nos fijamos en los nombres de las diferentes tarjetas de NVIDIA veremos (RTX 5090, RTX 4090, RTX 5080, RTX 4080). Donde el 50../40.. hacen referencia a la generación de las gráficas y el ..90/..80/..70 a la gama dentro de esa generación. A mejor gama mas caro, mas VRAM y prestaciones mas altas.

  Aquí os dejo una comparativa de rendimiento entre la RTX 5090 y la RTX 4090 (las mas altas de la gama para equipos accesibles) en diferentes escenarios donde la gráfica el clave. En este caso intentaría apostar por la serie 50 siempre que el presupuesto lo permita al tener la tecnología mas actualizada y optimizada para procesos de IA:

  

  Y por aquí las especificaciones mas importantes de las series 50 para sobremesa y portátil:

  

CPU: Procesador

• Si la GPU es el motor gráfico, la CPU es el director de orquesta que coordina todo lo demás: sistema operativo, discos, red, decodificación de vídeo, compresión, lanzado de renders y procesos en segundo plano.

  Es clave entender que a más potencia en la CPU mayor es la posibilidad de trabajar en modo multitarea (dos scripts de Nuke abiertos, Comfy UI generando un fondo, Photoshop para ir puliendo la imagen y de fondo un buen disco del genio Robe en Spotify..)

  A la hora de elegir procesador conviene tener en cuenta:

  • Número de núcleos: Un núcleo es, simplificando, una “unidad de trabajo” capaz de ejecutar tareas. Cuantos más núcleos (y, en muchos casos, más hilos), mejor se reparten las cargas en trabajos paralelizables: render, simulaciones, exportaciones, compresión, etc.

  • Frecuencia en Hz: La frecuencia indica cuántos ciclos por segundo puede realizar el procesador. En términos generales, más GHz puede ayudar, sobre todo en tareas sensibles al rendimiento por núcleo.

    • Frecuencia Base: La velocidad constante para tareas normales.

    • Frecuencia Turbo: La velocidad máxima que alcanza bajo carga intensa (gaming, render…) Esta es la que realmente nos importa.

  • Arquitectura: Es como esta programada la CPU para ser más eficiente. La tecnología de AMD 3D V-Cache Ryzen saca mayor rendimiento que la competencia con menos núcleos.

    En el caso de los procesadores deberemos elegir entres los dos grandes fabricantes Intel y AMD.

    En Intel, el número tipo 14xxx indica la generación y el i9/i7/i5 la gama; en los Core Ultra, ‘Ultra 9/7/5’ marca la gama y el primer dígito del número (1xx/2xx) la serie.

    En AMD, en sobremesa el 7000/8000/9000 te ubica la generación y Ryzen 9/7/5 la gama.

    En portátiles, el primer dígito suele indicar el año y el sufijo U/HS/HX te dice si es un chip eficiente o de alto rendimiento (con mas consumo de batería claro)

    Para IA en local la GPU sigue siendo la prioridad, pero una CPU decente evita cuellos de botella y hace que el equipo se sienta ágil cuando estás moviendo EXRs grandes, haciendo caches, leyendo/escribiendo proyectos y lanzando procesos de IA en paralelo al resto de tu trabajo.

ALMACENAMIENTO: Una distribución de discos pensada para tu flujo

• En una workstation de VFX + IA, el almacenamiento no es “un disco grande y ya”. La clave está en separar usos para que el sistema no esté compitiendo por el mismo disco cuando esta trabajando varios procesos simultáneamente. Vamos a ver los tipos de discos de almacenamiento según su arquitectura y funciones:

  • NVMe: Es el formato moderno más rápido. Ideal para: sistema, software, cache/scratch, proyectos activos. (1-2 TB recomendable)

  • SSD SATA: Más lento que NVMe, pero fiable y económico. Útil para: librerías, proyectos menos exigentes, almacenamiento “activo” secundario. (2 TB recomendable)

  • HDD (disco mecánico): Lento, pero barato para muchos TB. Útil para: archivo, backups locales, material que no necesitas “en caliente”.

    (4 TB recomendable)

RAM: la memoria que evita que tu equipo “se ahogue”

* Actualmente nos encontramos en un momento de subidas de precios desorbitados en los módulos de RAM debido a la alta demanda por determinados grandes jugadores y sus desarrollos relacionados con la inteligencia artificial. Lo prudente sería ir con un mínimo funcional de 32/64GB de RAM, asegurarnos en las especificaciones del equipo que es ampliable y esperar un tiempo a que se estabilicen los precios si es que esto llega a ocurrir...

Si la VRAM es el almacén rápido de la GPU, la RAM es el almacén de trabajo del sistema: donde viven tus proyectos abiertos, las cachés de aplicaciones, las texturas/geo que se están manipulando y los datos que van y vienen entre CPU, disco y GPU.

En la mayoría de workflows de IA (ComfyUI, inferencia, upscaling), la prioridad sigue siendo VRAM, pero la RAM ayuda a cargar/gestionar modelos y datasets con menos fricción, evita cuellos cuando haces multitarea y reduce el castigo cuando estás moviendo archivos grandes o generando muchos outputs.

• Capacidad (lo primero): en VFX se nota más pasar de 32→64→128 GB que subir 200 o 400 MHz de velocidad de reloj. Si trabajas con EXRs pesados, cachés y multitarea real, 64 GB es un mínimo serio y 128 GB suele ser el punto dulce en sobremesa.

• DDR5: es la evolución de DDR4: normalmente ofrece más ancho de banda, mejor escalabilidad y mayor capacidad por módulo, pero requiere plataforma compatible. DDR5 solo funciona en placas y CPUs diseñadas para DDR5.

Otros componentes

• Más allá de GPU, CPU, almacenamiento y RAM, el resto de componentes determinan la fiabilidad, el ruido y la experiencia diaria, tanto en sobremesa como en portátil. En sobremesa, prioriza una placa base estable (buen VRM, suficientes M.2/PCIe y puertos), una fuente de calidad con margen para picos de consumo, y una refrigeración sólida (disipador o AIO) dentro de una caja con buen flujo de aire y filtros, porque el rendimiento sostenido en renders y cachés depende de las temperaturas. Considera también red (2.5G/10G o Wi-Fi moderno) y conectividad (USB-C, lector SD si lo necesitas).

En portátil, la clave es la gestión térmica y energética: potencia sostenida vs picos, calidad del sistema de ventilación, pantalla, batería, puertos y posibilidad real de ampliación (SSD/RAM).

A continuación os presento configuraciones recomendadas para estaciones de trabajo orientadas a VFX e Inteligencia Artificial, separadas por rango de precio. Se incluyen opciones tanto de sobremesa como portátiles.

Cada configuración prioriza los componentes clave discutidos (GPU potente con suficiente VRAM, CPU robusta, abundante RAM y almacenamiento adecuado) para asegurar un rendimiento óptimo en aplicaciones de visual effects y workflows de IA en local.

Aquí os dejo dos tablas por componentes recomendados para portátiles y sobre mesa divididos en 3 grupos de coste/rendimiento:

Aquí os dejo algunas ideas de modelos ya montados que pueden encajar con las indicaciones que os he mencionado anteriormente (no tengo ningún tipo de asociación de referidos o afiliado con cualquiera de los fabricantes o distribuidores listados).

Realmente ahora depende de cada uno terminar de perfilar la búsqueda en función del presupuesto.

Presupuesto 1000–1500 €: Nivel básico

• Opción 1 SOBREMESA: PcCom Workstation Ready: RTX 5060 Ti 16GB / AMD Ryzen 7 5800X / 32GB / 1TB SSD M2 .

• Opción 2 SOBREMESA: MSI MAG Infinite S3: RTX 5060 TI 16GB / Intel Core i7-14700F / 32GB / 1TB SSD M2.

• Opción 1 LAPTOP: GIGABYTE GAMING A16: RTX 5070 8GB / Intel Core i7-13620H / 32GB / 1TB SSD M2

• Opción 2 LAPTOP: ASUS TUF Gaming A18: RTX 5070 8GB / AMD Ryzen 7 260 / 32GB / 1TB SSD M2

Presupuesto 1500–3000 €: Gama media/alta

• Opción 1 SOBREMESA: PC HP OMEN 35L Gaming: RTX 5080 16GB / AMD Ryzen 7 8700F / 64 GB / 2 TB SSD M.2

• Opción 2 SOBREMESA: MSI MPG Infinite X3: RTX 5070 Ti 16GB /Intel Core Ultra 7 265KF / 64GB / 1TB M.2

• Opción 1 LAPTOP: MSI Vector 16 HX RTX 5070 Ti 12GB / Intel Core Ultra 7 255HX/ 32GB / 1TB SSD M2

• Opción 2 LAPTOP: LENOVO LEGION PRO 7 RTX 5070 Ti 12GB / AMD Ryzen 9 9955HX / 32GB / 1TB SSD M2

Presupuesto por encima de 3000 euros

Si estamos pensando en estaciones de trabajo de más de 3.000 euros convendría contactar con distribuidores oficiales y buscar soluciones y recomendaciones a medida.

Pero por aquí os dejo algunas opciones y líneas de producto de altas prestaciones a explorar:

SOBREMESA:

• Acer Predator Orion

• Asus ROG G700

• Lenovo Legion Tower

PORTATIL:

• Mountain graphite

• ASUS ROG Strix SCAR

• HP OMEN 16 MAX

MONITOR

Para terminar quería recomendaros 3 modelos de monitor con los que llevo trabajando varios años y me han dado muy buenos resultados:

• Lenovo Thinkvision P27u-20: 27.0”, 4K UHD 3840 x 2160, IPS , (99,1 % DCI-P3 y 99,5 % Adobe RGB) 400 Nits.

• HP Z27k G3: 27.0”, 4K UHD 3840 x 2160, IPS, (85 % DCI-P3) 350 nits

• ASUS ProArt PA27UCGE: 27.0”, 4K UHD 3840 × 2160, IPS, (98 % DCI-P3) 600 nits

Espero haber ayudado a aclarar ideas si estás pensando en un equipo nuevo. La decisión final, como siempre, es tuya.

Seguimos conectados. Feliz semana!!!!

Yo ya llevaba un tiempo experimentando con herramientas de IA generativa. Midjourney en Discord me tenía completamente atrapado. Luego montaba los vídeos con Runway o Pika, pero no me daba la pasta para pagar 60/80 pavos al mes en suscripciones. No había casi curro...

Por ahí andaba Automatic 1111, donde se podían correr los primeros modelos open source de Stable Diffusion. Molaba y era gratis, pero los resultados no se acercaban ni de lejos a los de Midjourney.

Supongo que navegando por foros buscando información sobre este mundo, caí en Comfy. De aquellas, la instalación era un auténtico horror (sobre todo para los que no nacimos bendecidos con el don de la paciencia para aprender programación). Yo intentaba aprender Python, sin mucho éxito. Menos mal que ya podía contar con ChatGPT para resolver cada problema que me iba encontrando: las malditas dependencias... Instalaba Comfy, y de repente me dejaban de funcionar los otros siete programas que tenía en el ordenador. Iba completamente a ciegas.

No se la de horas que puede pasar resolviendo problemas técnicos hasta generar mi primera imagen... Pero había algo en Comfy que era para mi. El sistema de nodos, yo vengo de pasar los últimos 15 años día a día delante de un sistema de nodos como es Nuke así que pensé si hay algo en la IA en lo que parto con ventaja es aquí.

Siempre he sido de los que piensan que lo realmente importante en nuestra profesión es la imagen final, el visor. Me da igual si está resuelta con siete nodos básicos o con 57 gizmos llenos de expresiones en cada valor. Eso no es lo importante.

Durante el tiempo que pasaba en Comfy, el 95 % era para resolver errores de código, otro 4 % esperando a que se generara la imagen (todo era local), y el último 1 % valorando el resultado.

Mal negocio. Aquello tenía un potencial brutal —se veía a la legua—, pero le faltaba desarrollo. Así que decidí dejarlo respirar por un tiempo.

Diría que volví en serio casi un año después, las cosas habían cambiado..

Comfy Org estaba empezando a crecer tomando una estructura mas empresarial y poniendo las cosas más fáciles a los usuarios. En Septiembre de 2025 levantó una ronda financiación de 17 millones de dólares que se deberían traducir en nuevas funcionalidades y un entorno mas user friendly.

Ahora si, empecemos por lo básico:

Es muy tentador bajarse templates y empezar a tocar nodos y parámatros sin tener la menor idea de lo que estamos haciendo, normal así hemos empezado todos. Pero pienso que los concpetos básicos son la clave de todo, los modelos irán cambiando, unos generan hype otros darán resultados burtales pero como funiona comfy o la generación de imagenes con IA es lo mas importante.

Así que nada, vamos a ello.

Voy a hablaros de los elementos clave para generar una imagen en Comfy a partir de texto. Text-to-image, el workflow más básico del que podemos partir:

• A - MODELO DE DIFUSIÓN:

  Es el “artista”. Cargaremos este modelo con el nodo “Load Checkpoint”. Lo que estamos haciendo es llamar a un punto del entrenamiento con un archivo .ckpt o .safetensors que contiene los parámetros aprendidos.

  Se llaman modelos de difusión porque aprenden a invertir el proceso de difusión del ruido, es decir, a transformar ruido aleatorio en una imagen coherente eliminando ese ruido paso a paso.

  Este archivo suele tener embebidos tres componentes:

  • Modelo (UNet): Es el encargado de predecir el ruido y generar la imagen durante el proceso de difusión.

  • Clip: Es el codificador de texto que convierte nuestras indicaciones (text prompts) en vectores numéricos que el modelo puede entender.

  • VAE (Variational AutoEncoder): Convierte las imágenes entre el espacio de píxeles y el espacio latente, ya que los modelos de difusión trabajan en el espacio latente, mientras que nuestras imágenes existen en el espacio de píxeles.

    

• B - ESPACIO LATENTE:

  Un canvas abstracto. Definiremos los parámetros del lienzo con el nodo “Empty Latent Image”. Cuando trabajamos con modelos de difusión estos operan en el espacio latente. No hay que pensar en un espacio visualmente entendible por nosotros como son los píxeles si no en otro espacio con una representación matemática más compacta y semántica de la imagen.

  

• C - CLIP TEXT ENCODE:

  Aquí es donde le daremos las instrucciones al artista. Escribiremos nuestro promt dentro del nodo “Clip Text encode” en lenguaje natural, tanto positivas como negativas. Los prompts se codifican en vectores semánticos mediante el componente CLIP cargado desde el Checkpoint .

  

• D - K SAMPLER:

  Es el núcleo de todo el flujo de trabajo, donde ocurre todo el proceso de eliminación del ruido, produciendo finalmente una imagen en el espacio latente.

  En el nodo KSampler, el espacio latente utiliza la semilla (seed) como parámetro de inicialización para construir el ruido aleatorio, y los vectores semánticos Positive y Negative se introducen como condiciones para el modelo de difusión.
  Luego, según el número de pasos de eliminación de ruido especificado por el parámetro steps, se realiza el proceso de denoising. Cada paso de denoising utiliza el coeficiente de intensidad de eliminación de ruido definido por el parámetro denoise para limpiar el espacio latente y generar una nueva imagen en el espacio latente.

  

• E - VAE Decode:

  Sería nuestro render. Es el punto en el que convertimos la imagen generada en el espacio latente a píxeles. Por un lado llamamos a los samples o datos generados por el K-Sampler y por otro lado al entrenamiento de este decodificador embebido en el modelo.

  

• F - SAVE IMAGE:

  Es el proceso donde podemos por fin visualizar una nuestra imagen en formato de píxleles y guardarla como .jpg, png...

Cada uno de estos elementos merece un post específico, pero creo que es una buena introducción a como gestiona Comfy el proceso de generación de una imagen.

Seguiremos hablando desde un punto de vista teórico y poco a poco nos iremos manchando las manos y poniéndolo en práctica.

Seguimos! Feliz semana a todos!

El primero del que quiero hablaros es HuggingFace, concretamente de su sección Spaces.

Pero antes, una breve introducción.

Cualquiera que haya trasteado un poco con IA seguramente se ha cruzado ya con Hugging Face. Es una plataforma colaborativa y de código abierto que funciona como un gran repositorio de modelos preentrenados. Allí no solo puedes acceder a infinidad de modelos, sino también crear y entrenar los tuyos propios (con herramientas como Transformers o AutoTrain). Todo ello bajo la filosofía de código abierto que hace que experimentar con IA esté al alcance de prácticamente cualquiera.

En la parte de Spaces puedes elegir qué modelo quieres probar y acceder directamente a un entorno de uso, donde es posible ajustar parámetros básicos e incluso algunos más avanzados.

Eso sí: conviene tener en cuenta que la mayoría de los modelos disponibles son open source o de libre acceso. Esto significa que quizá no encuentres determinados modelos comerciales o cerrados, salvo que sus creadores los hayan compartido en la plataforma.

La siguiente plataforma de la que quiero hablaros es Higgsfield.ai

A diferencia de Hugging Face, aquí ya hablamos de una plataforma de pago que ofrece acceso a algunos de los modelos más potentes del momento, como Veo 3, Kling 2.5, Wan 2.5 o Seedance Pro. La gran ventaja es que no necesitas registrarte en la web de cada desarrollador: todo está integrado en un único entorno.

El sistema funciona con créditos, que se van descontando en cada generación que hagas. Puede parecer un detalle menor, pero a mí me resulta bastante práctico, sobre todo para comparar modelos antes de decidir en qué dirección avanzar.

Por ejemplo: puedes subir la misma imagen, aplicar el mismo prompt en modo image-to-video y ver cómo responde cada modelo. La diferencia de resultados suele ser reveladora, y en minutos entiendes cuál se ajusta mejor a lo que buscas.

Podríamos seguir hablando de muchos otros playgrounds sencillos de este estilo, así que aquí os dejo una pequeña lista para que podáis experimentar por vuestra cuenta:

Freepik, Runway, Midjourney, NVIDA´s Ai playground, Open Ai Playground…

Pero llegados a este punto quiero detenerme en el que, personalmente, es mi favorito: ComfyUI.

A diferencia de los playgrounds clásicos, que suelen ser simples cuadros de texto, ComfyUI funciona con un sistema de nodos: cada nodo representa una parte del proceso (modelo, prompt, sampler, imagen, etc.), y al conectarlos construyes un workflow visual que define cómo se genera la imagen.

Lo que realmente me atrae de ComfyUI es la enorme cantidad de elementos de control y personalización que ofrece, y que fuera de este entorno suelen estar ausentes o muy limitados. En el mundo de los VFX, añadir esta capa de control no es un extra, es imprescindible: solo así puedes acercarte a resultados concretos y relativamente previsibles..

LoRAs, ControlNets, IP-Adapters, embeddings… son algunos de esos elementos de control de los que iremos hablando en próximos posts, y que convierten a ComfyUI en el entorno más adecuado para trabajar con la IA de una forma verdaderamente creativa y dirigida.

En los próximos posts iremos desgranando cómo funcionan estos elementos dentro de ComfyUI y qué posibilidades reales abren para artistas y creadores.

Seguimos explorando.
Lo bueno empieza ahora🚀

Este es el primer post de lo que espero sea una larga serie.

La idea: explorar el ecosistema de las herramientas de inteligencia artificial y ver cómo encajan en el mundo de los VFX.

No humo, no hype.

No sé por qué caminos transitaremos, pero espero que lo pasemos bien en el viaje.

De momento, para ir entrando en harina, vamos a repasar a los principales jugadores que están marcando el ritmo. Hay modelos, compañías, algunos de pago, otros gratuitos...

Iremos hablando de cada uno de ellos; por ahora solo quiero que te sitúes:

- VIDEO GEN: Seedance Pro 1.0 - Veo3 - Wan 2.2

- IMAGE GEN: Midjourney - Flux - Seedream 4.0

- VIDEO EDIT: Runway Aleph - Sora - Pika

- IMAGE EDIT: Nano Banana - Flux Kontest - Seedream 4.0

- IMAGE TO 3D: HunYuan 3d - Rodin - Luma

- MATCH MOVE: Move - Wonder Dinamics / Autodesk Flow Studio

- AUDIO GEN: Suno - Eleven Labs - Stable audio

- UPSCALER: Topaz - Magnific

- LLM: Gemini - Claude - Chat GPT

- VIBE CODING: Lovable - Replit - GPT 5

- AUTOMATION: Make - Zapier - n8n

Más adelante repasaremos los diferentes playgrounds donde correr estas herramientas y cómo se integran en un flujo real de trabajo.

Seguimos conectados.
Esto arranca 🚀