Experimento con tres modelos de imagen y tres rondas de refinamiento revela cómo varían los resultados al ajustar los prompts
Un autor comparó GPT‑Image 2.5 Sunburst, GPT‑Image 2.5 Flare y GPT‑Image 2 en ocho imágenes por ronda, mostrando que los cambios menores en el prompt influyen más que el modelo elegido.
El autor de la publicación envió el mismo brief creativo a tres modelos de generación de imágenes de frontera, ejecutando tres rondas de refinamiento en paralelo. Cada ronda produjo ocho imágenes (24 en total) con un coste total de 1,0554 USD. Los precios por ronda fueron de 0,3384 USD, 0,357 USD y 0,36 USD respectivamente.
Ronda 1 partió de un brief fotográfico puro. Ronda 2 añadió una capa tipográfica completa que no estaba presente antes. Ronda 3 mantuvo los elementos que ya funcionaban y sustituyó quirúrgicamente los fragmentos problemáticos, llegando a la imagen de catálogo deseada.
El punto clave no fue cuál modelo generó la mejor foto, sino cómo pequeñas variaciones en el prompt modificaron la dirección de los resultados. Todos los prompts, imágenes y un video breve están disponibles en los comentarios del hilo.
Para facilitar la ejecución simultánea de los tres modelos, el autor desarrolló una herramienta de código abierto que automatiza los lanzamientos y la recopilación de costos. El repositorio se encuentra en GitHub bajo el nombre cogfoundry‑labs/loomloom y puede consultarse en el siguiente enlace: código en GitHub.
La comunidad de ingeniería de prompts suele debatir si, al refinar, es mejor congelar las partes que ya funcionan y sustituir solo lo que falla, o si una reescritura completa produce mejores resultados. El autor abre la discusión preguntando a otros usuarios que iteran con prompts de imagen cuál de estas estrategias prefieren.
Este experimento subraya la necesidad de tratar los prompts como código: versionarlos, medir su impacto y ajustar de forma incremental. Para equipos que integran generación de imágenes en pipelines de producción, la lección es clara: invertir tiempo en la gestión del prompt puede reducir costes y acelerar la obtención del resultado deseado.