Modelos de IA local de octubre de 2026: Kandinsky 6 y más

👁 117 lecturas

En octubre de 2026 han aparecido varios modelos abiertos que merece la pena ejecutar en tu propio ordenador: Kandinsky 6.0, para generar vídeo con sonido; Qwen-Image 2.1 Turbo y FLUX 3 Image Klein, para imágenes; y YuE2, para canciones con voz. Los descargué y ejecuté en una RTX 4090 con ComfyUI, y medí los tiempos, la memoria y su rendimiento en polaco. Aquí tienes un resumen con los resultados y enlaces a las pruebas completas.

Cómo hice las pruebas

• Tarjeta RTX 4090 de 24 GB, 64 GB de RAM, procesador i9-14900KF y Windows 11.
• ComfyUI 0.41.0 (actualizado desde la versión 0.37, que no admite FLUX 3, YuE2 ni Qwen Turbo).
• Modelos almacenados en un SSD de 8 TB conectado por USB. La primera carga habría sido más rápida desde una unidad NVMe.
• Mido el tiempo desde que envío la tarea hasta que se guarda el archivo. La VRAM es el pico de uso de toda la tarjeta, medido con nvidia-smi.

Tabla comparativa

Vídeo: Kandinsky 6.0

La novedad más interesante del mes. Kandinsky 6.0, de Kandinsky Lab, genera imagen y sonido en un solo proceso: voz con movimiento de labios, efectos de sonido y música de fondo. La versión Lite tiene 3.000 millones de parámetros y cabe en 24 GB; la Pro tiene 29.000 millones y, en una RTX 4090, solo funciona con parte de los pesos en la RAM.

• Pro pronunció correctamente 7 de las 9 palabras de esta frase original en polaco: «¡Buenos días! Manzanas recién recogidas del huerto, dulces como la miel». La frase que ves es una traducción del material de prueba original en polaco. En inglés, la pronunció sin errores.
• Lite es más de 3 veces más rápido, pero deforma el habla en polaco.
• La licencia MIT no excluye ningún país. Es un aspecto importante, porque los pesos de MiniMax H3, un competidor, no se pueden usar en la UE.

En la prueba completa de Kandinsky 6.0 Video en local encontrarás ocho clips con sonido, una tabla de tiempos y las instrucciones de instalación.

Imágenes: Qwen-Image 2.1 Turbo

Una versión destilada del mejor modelo abierto de generación de imágenes del ranking de Artificial Analysis. Usa 8 pasos en vez de 25, y cuesta ver la diferencia de calidad si no comparas las imágenes una al lado de la otra. En mi prueba, los textos «JAZZ JUNTO AL ÓDER» (traducción del original en polaco) y «VINAGRE 12» (traducción del original en polaco) salieron bien; en lugar de la palabra correcta apareció [texto con grafía corrupta en la prueba original en polaco]. Las pruebas reales se realizaron en polaco.

En Qwen-Image 2.1 Turbo en local tienes la comparativa completa con cuatro indicaciones.

Imágenes: FLUX 3 Image Klein

Black Forest Labs publicó entre el 13 y el 15 de octubre el primer modelo abierto de la familia FLUX 3. Klein tiene 5.600 millones de parámetros y genera imágenes a partir de texto, permite editarlas y crear composiciones con hasta 10 imágenes de referencia. Usa Qwen3-VL-4B como codificador de texto y el mismo VAE que FLUX.2. ComfyUI lo admite de forma nativa desde la versión 0.41.

• Archivos para ComfyUI: modelo int8 de 5,83 GB, codificador int8 de 4,86 GB y VAE de 0,34 GB.
• El fabricante recomienda expresamente ampliar la indicación antes de generar la imagen, por ejemplo con un «prompt upsampler» independiente basado en Qwen 3.5 9B o con cualquier modelo de lenguaje. Una indicación breve produce una imagen genérica.
• El repositorio requiere aceptar la licencia FLUX Kommunity, por lo que necesitas una cuenta y un token de Hugging Face para descargarlo.

En mis mediciones, tardó 6-7 s en generar una imagen de 1024×1536 (15 pasos, int8), con un pico de 7,5 GB de VRAM en toda la tarjeta: más del doble de memoria que Qwen Turbo. Los textos en polaco rindieron igual que con Qwen Turbo: «ÓDER» (traducción del original en polaco) y «12» salieron bien, pero apareció [texto con grafía corrupta en la prueba original en polaco]. Las pruebas reales se realizaron en polaco. En la prueba de FLUX 3 Image Klein en local encontrarás la comparativa con las mismas indicaciones y las instrucciones de descarga; también tienes una guía de la versión en la nube: FLUX 3 Image.

Música: YuE2 y comparativa de cuatro modelos

Di a cuatro modelos locales el mismo texto de una canción en polaco (una balada con dos estrofas y dos estribillos) y pasé el resultado por Whisper large-v3. Calculé qué porcentaje de las palabras de la letra se reconocía en la grabación.

YuE2 consiguió el mejor resultado individual en polaco (98,8%) y no cometió errores en inglés, pero sus resultados varían bastante y su licencia no permite ganar dinero con el modelo. ACE-Step 1.5 fue el más consistente y permite el uso comercial. En la prueba de YuE2 y canciones en polaco encontrarás más detalles, muestras de audio y los ajustes.

Influencers de IA: fotos y vídeos

También hice una prueba práctica con los mismos modelos: generé 5 influencers de IA muy diferentes, sin aspecto «artificial», con 2 fotos por modelo en 5 modelos de imagen; después creé vídeos de 5 segundos con habla en polaco. Para generar fotos con fines comerciales, el que mejor rindió fue FLUX.2 Klein 4B (Apache 2.0); para vídeos con voz, Kandinsky 6.0 Pro (un promedio del 65% de palabras reconocidas).

• Influencers de IA sin aspecto artificial: 125 fotos y una plantilla de indicación
• Una influencer de IA que habla: 15 clips con Kandinsky 6 y Wan 2.2

Otros lanzamientos que no descargué

• MiniMax H3 (vídeo con sonido, 33B): la licencia de los pesos excluye la UE, Estados Unidos, el Reino Unido y Corea del Sur. La versión reducida FastH3, que usa 8 GB de VRAM, no cambia esa limitación.
• HY Image 3.5 Preview, de Tencent: disponible en ComfyUI desde el 13 de octubre. Lo describí en la prueba de texto en polaco y edición de imágenes.
• MAGI-2 y LTX-2.5: puedes ver la comparativa en el artículo Modelos de vídeo abiertos de 2026.

Por dónde empezar

1. Instala ComfyUI o actualízalo a la versión 0.41: consulta la guía ComfyUI desde cero.
2. Para empezar, descarga FLUX 3 Klein (unos 11 GB; funciona incluso con tarjetas de 8-12 GB) o Qwen-Image 2.1 Turbo (7,3 GB + 10 GB de archivos compartidos; es el más rápido con 24 GB).
3. Para vídeo, prueba Kandinsky 6.0 Lite (6,4 GB + unos 18 GB de archivos compartidos).
4. Para canciones, elige ACE-Step 1.5 (el más consistente en polaco, MIT) o YuE2 (7,8 GB + 1,4 GB) para letras en inglés y uso privado.

En la guía de IA local tienes la lista completa de modelos que he probado en local, incluidos los modelos de lenguaje.

Preguntas frecuentes

¿Basta con una tarjeta de 16 GB?

Para Qwen Turbo, YuE2 y Kandinsky Lite, sí, pero tendrás que trasladar parte de los pesos a la RAM y funcionarán más despacio que en mis mediciones. No recomiendo Kandinsky 6 Pro con 16 GB.

¿Cuáles de estos modelos permiten el uso comercial?

Kandinsky 6.0 (MIT), DiffRhythm 2 (Apache 2.0) y ACE-Step 1.5 (MIT). Qwen-Image 2.1 Turbo tiene una licencia solo para investigación, y YuE2 usa CC BY-NC 4.0. FLUX 3 Klein tiene su propia licencia, FLUX Kommunity: lee sus condiciones antes de usarlo para ganar dinero.

¿Cuánto espacio ocupan en el disco?

Todos los modelos de esta lista, con Kandinsky Pro en int8 y sin contar la versión oficial bf16, ocupan unos 100 GB. Kandinsky Pro ocupa 30,5 GB en int8 y 60,3 GB en bf16.

¿Funcionan en un Mac?

Solo los probé en Windows con una tarjeta NVIDIA. Algunos modelos tienen versiones MLX para Mac, como YuE2 y Qwen Turbo, pero no las he probado.

Fuentes

• Kandinsky 6.0 en Hugging Face
• Qwen-Image 2.1 Turbo en Hugging Face
• FLUX 3 Image Klein en Hugging Face
• YuE2 en Hugging Face
• DiffRhythm 2 en GitHub
• Registro de cambios de ComfyUI
• Mediciones propias en una RTX 4090, 17 de octubre de 2026.

// sigue leyendoMejor traductor IA: Google Traductor vs DeepL vs 6 modelosBenchmarksTest modelos IA 16.09.2026: Claude Opus 5, GPT-6 Astra y másBenchmarksTypeSafe AI lanza Jev, un modelo que devuelve números en lugar de texto por $0,042 por millón de tokensBenchmarks

Kinetyra