En 30 segundos
El estudio analiza entrenamiento y escalado de tres modalidades. Presenta un modelo preliminar, sin anunciar un producto comercial.
Qué ha pasado
Apple ha difundido un estudio sobre modelos de difusión enmascarada entrenados desde cero con texto, imagen-texto y audio-texto. El equipo analiza cómo combinar esas modalidades dentro de un diseño unificado y presenta un modelo preliminar de escala reducida frente a sistemas de frontera.
Por qué importa
Un modelo multimodal necesita equilibrar datos, ruido y recursos entre tareas diferentes. El trabajo estudia leyes de escalado, proporciones de mezcla y configuraciones de muestreo, con el objetivo de orientar diseños posteriores. No demuestra una solución óptima para cualquier carga.
A quién afecta
Investigadores de generación multimodal y arquitecturas alternativas a modelos autoregresivos.
Un estudio de arquitectura
La publicación describe resultados de generación de texto, imágenes y habla en un modelo de 3.000 millones de parámetros. También propone una parametrización para separar decisiones de batch físico y lógico durante el entrenamiento.
Investigación, no disponibilidad de producto
El feed de Apple fecha la ficha el 14 de octubre. No hay en ese anuncio un lanzamiento de Siri ni una promesa de instalación inmediata para usuarios. IARADIA no ha entrenado o ejecutado el modelo ni reproducido sus pruebas.
Fuentes y procedencia
- The Design Space of Tri-Modal Masked Diffusion Models · Apple · Publicado 14/10/2026