Halcyon: generación de imagen texto-a-imagen entrenada desde cero, sin preentrenamiento de lenguaje
Chandrasegaran, Wu y colaboradores (arXiv 2610.26863) atacan una suposición básica de la generación de imagen: que hace falta un language model preentrenado a escala de internet para condicionar por texto. Su familia Halcyon son modelos autoregresivos multimodales de fusión temprana, entrenados de cero sobre GPIC, 100 millones de pares imagen-texto: Halcyon-0.52B se acerca a LlamaGen-XL/8 (gFD 63.3 frente a 48.0) con 18,2× menos cómputa de preentrenamiento, y Halcyon-1.6B supera a JiT-T2I-XXL/8++ (35.3 frente a 41.0 gFD) con 275× menos. El experimento controlado que vale la semana: el preentrenado solo en texto NO mejora la generación de imagen. Una receta barata y abierta para quien quiere su propio generador de imágenes sin pagar un LM gigante.