Desnudando a la Inteligencia Artificial: El Viaje para Enseñarle a Minimax a Quitarse un Wetsuit

En el mundo del desarrollo de modelos de video generativo, aprender a describir acciones físicas complejas suele ser un desafío mayor que escribir código. En este artículo, analizamos en profundidad nuestro experimento con el modelo Minimax H3 para lograr que una IA se quitara un traje de neopreno completo. Lo que empezamos como una simple prueba de prompt terminó revelando lecciones fundamentales sobre cómo las máquinas interpretan la física y la persistencia del estado.

De Comandos Sencillos a Instrucciones Mecánicas

Nuestra investigación comenzó con un error básico: el modelo no lograba completar la acción de bajar una manga. Al intentar forzar al modelo para que completara el proceso en 4 segundos, descubrimos algo revelador: la IA llegaba hasta la muñeca, pero inmediatamente empezaba a subir la manga de nuevo.

Este fallo nos llevó a una conclusión importante: Minimax no está ejecutando un programa lineal. En su lugar, genera la continuación visual más probable en cada frame. Esto significa que añadir instrucciones genéricas como «she continues» o «until completely» llega un punto donde el modelo simplemente decide hacer otra cosa.

La solución fue abandonar las descripciones cinematográficas y adoptar un lenguaje mecánico. Al especificar explícitamente que la mano debe permanecer fuera de la manga mientras la tela se desliza, logramos establecer una relación física persistente entre los objetos. Esta transición nos obligó a aceptar que para estas tareas, el modelo necesita saber exactamente qué objeto se mueve respecto a cuál.

El Wetsuit de Schrödinger y la Persistencia del Estado

Luego de dominar las extremidades, enfrentamos el desafío de cambiar de postura. La usuaria estaba de rodillas, lo que impedía quitarse el torso del traje. Al pedirle que se sentara para facilitar el movimiento, ocurrió algo inesperado: el modelo reconstruyó mágicamente el traje.

A esto lo llamamos el «Wetsuit de Schrödinger». El modelo interpreta un cambio drástico en la postura corporal como una oportunidad para volver a generar su estado predeterminado más probable, que es una persona usando ropa completa. Esto nos enseñó que cuando cambiamos la configuración del cuerpo, debemos proteger explícitamente el estado de la prenda durante toda la transición.

Al añadir frases redundantes pero cruciales como «The wetsuit remains unchanged» y «no part of the wetsuit returns to her upper body», logramamos imponer una restricción que el modelo ignoraría por defecto. Este hallazgo demuestra que en IA, a veces es necesario ser deliberadamente redundante para forzar la continuidad de la escena.

Granularidad como Solución: El Escape Final

El último desafío fue liberar los pies del traje ajustado. Al intentar resolver ambos pies simultáneamente, el modelo volvió a fallar y atravesó las extremidades. La solución final fue descomponer la tarea en micro-pasos: primero liberar un pie, asegurando que el traje quede atrás, y solo entonces repetir el proceso para el otro.

Este enfoque granular funcionó porque permitió al modelo mantener una topología simple de interacción antes de aumentar la complejidad. Al evitar pedirle que resolviera ambas extremidades a la vez, logramos que la geometría del pie y del neopreno se desacoplara correctamente.

Este experimento no solo nos dio un prompt funcional, sino una plantilla para manipulación física robusta. Al convertir problemas complejos en secuencias de estados pequeños y controlados, podemos enseñar a las IAs a entender la realidad sin que esta simplemente se vuelva contra nosotros.