Análisis de los Priors en Modelos de Expansión de Video: Wan 2.1 vs LTX

El misterio de la expansión de video

Hace poco surgió una idea fascinante al analizar el comportamiento de los modelos generativos: ¿por qué un modelo como Wan 2.1 se niega a expandir un video específico, mientras que otro como LTX lo hace con facilidad? La hipótesis inicial apuntaba directamente a datos concretos: si un modelo ha sido entrenado masivamente con material de una serie específica, como el opening de Evangelion en resolución 4:3, podría haber desarrollado una resistencia inexplicable al intentar expandir ese mismo contenido a 16:9.

Esta observación es crucial para entender cómo funcionan estos sistemas. No se trata de que el modelo «reconozca» conscientemente la escena y decida rechazarla, sino de cómo su entrenamiento ha moldeado sus prioridades internas.

Prior Semántico: El efecto Atractor

El primer factor a considerar es el prior semántico. Si durante su fase de aprendizaje un modelo vio innumerables copias del opening de Evangelion, siempre en una composición 4:3 y centrada, ese material se convierte en un «atractor». El modelo aprende que esa composición es completa por sí misma. Al pedirle que expanda la imagen, el sistema entra en conflicto porque su distribución de probabilidad está fuertemente concentrada en mantener esa escena exacta.

Prior Geométrico: Los límites del encuadre

Luego, hay una capa técnica fundamental llamada prior geométrico. En los datos de entrenamiento estándar, el modelo asume que la imagen 4:3 es el marco completo. Para el algoritmo, los bordes izquierdo y derecho son simplemente límites del tensor, no espacios por descubrir. Cuando se intenta un outpainting, se está forzando al modelo a inventar lo que hay fuera de un encuadre que él considera cerrado.

Límites del mecanismo de Outpainting

Finalmente, existe la limitación inherente del propio mecanismo de outpainting. El modelo no siempre tiene una condición suficientemente fuerte para obligarlo a generar contenido nuevo sin modificar el centro original. Esto puede resultar en comportamientos absurdos: hacer zoom-out en lugar de expandir, reconstruir toda la escena desde cero o simplemente ignorar la máscara de expansión.

En conclusión, al separar estas tres causas—el prior semántico, el geométrico y las limitaciones del mecanismo—podemos entender por qué Wan 2.1 se niega a expandir ciertas zonas mientras LTX lo hace con éxito. Es un recordatorio de que los modelos no solo aprenden contenido, sino también cómo interpretar la geometría y los límites físicos de su propio entrenamiento.