Google Diffusion Controller unifica el control de imágenes, pero su mayor prueba está más allá de Stable Diffusion

Google presentó Diffusion Controller con un resultado llamativo: una configuración de caja blanca logró una tasa de victorias del 90% frente a su línea base preentrenada. Google Diffusion Controller busca mejorar la alineación con los prompts sin sacrificar la calidad visual que ya ha aprendido un modelo de imágenes. Su movimiento central es sorprendentemente moderado. En lugar de reconstruir el generador, aprende una corrección más pequeña que dirige el proceso de eliminación de ruido.

El trabajo cuestiona una división habitual en la generación de imágenes. Los desarrolladores suelen elegir entre la guía aplicada durante la inferencia y el ajuste fino que modifica el comportamiento del modelo de forma más permanente. Google sostiene que ambos enfoques pueden encajar en un mismo marco teórico de control. Esa afirmación importa porque el marco también admite una configuración de caja gris, en la que el modelo original permanece congelado.

La presión recae más directamente sobre métodos de adaptación como LoRA, que requieren cierto acceso a los parámetros internos de un modelo. Según los informes, Diffusion Controller superó a LoRA en experimentos seleccionados pese a operar con un acceso más restringido. Sin embargo, esas pruebas utilizaron Stable Diffusion v1.4, no los sistemas comerciales de generación de imágenes más recientes. Por tanto, la investigación establece un mecanismo interesante, no un reemplazo consolidado para los flujos de producción actuales.

Google Diffusion Controller convierte soluciones separadas en un único problema de control

El cambio principal no es otro truco de guía, sino una descripción matemática común para varias formas de dirigir modelos de difusión.

Google Research publicó su explicación de Diffusion Controller el 29 de septiembre de 2026. El artículo subyacente apareció antes en 2026 y fue aceptado en la 43.ª Conferencia Internacional sobre Aprendizaje Automático. Sus autores pertenecen a Google Research, Google DeepMind y colaboradores académicos.

Un modelo de difusión genera una imagen al convertir repetidamente ruido aleatorio en una muestra estructurada. Cada paso de eliminación de ruido depende de lo que el modelo considera que debería parecer una imagen plausible. El condicionamiento por texto y otras señales influyen en esa trayectoria, pero una influencia más intensa no siempre produce un resultado mejor.

Pensemos en un prompt que pide un lagarto con gafas de sol. Un modelo podría crear un lagarto convincente, pero omitir las gafas. Una guía más fuerte podría añadirlas, pero dañar la cara, las escamas o las proporciones del animal. El prompt se vuelve más literal mientras la imagen pierde credibilidad.

Esa tensión ha impulsado una colección de soluciones especializadas. La guía sin clasificador modifica la intensidad del condicionamiento durante la generación. Los métodos de ajuste fino alteran el comportamiento aprendido antes de la inferencia. Los enfoques basados en recompensas entrenan un modelo hacia una puntuación de preferencia, mientras que los adaptadores modifican un subconjunto limitado de su computación.

El marco de Google trata estos métodos como operaciones de control relacionadas. Modela la difusión inversa como un proceso de control estocástico basado únicamente en el estado. En términos más simples, cada estado de eliminación de ruido se convierte en parte de un recorrido cuya dirección puede ajustarse.

El modelo preentrenado proporciona el recorrido predeterminado. Un controlador modifica después la probabilidad de los posibles pasos siguientes según una recompensa objetivo. Una penalización de divergencia limita cuánto se aleja el proceso controlado del modelo original.

Esta combinación importa. La recompensa por sí sola puede fomentar una optimización agresiva que explote un modelo de puntuación o deteriore cualidades no relacionadas. La penalización impone un coste por abandonar la distribución preentrenada. La alineación y la preservación pasan a formar parte del mismo objetivo en lugar de ser parches separados.

El artículo publicado sobre Diffusion Controller formaliza esta visión mediante procesos de decisión de Markov linealmente resolubles. Un LS-MDP es un modelo de control cuya estructura hace manejables determinados pasos de optimización. Los autores generalizan esa estructura con distintas medidas de divergencia.

Este planteamiento hace más que ordenar la teoría. Produce objetivos de entrenamiento concretos para aprendizaje supervisado, regresión ponderada por recompensas y optimización mediante gradiente de políticas. También conduce a la arquitectura de red auxiliar que da a la investigación su importancia práctica.

El resultado es un marco que cubre tanto la adaptación durante el entrenamiento como la intensidad del control en tiempo de ejecución. Esa unificación es el acontecimiento que conviene seguir. La arquitectura del controlador es su primer caso de prueba, no el alcance completo de la idea.

Por qué la columna vertebral congelada presiona a los métodos de adaptadores

Un controlador útil permitiría a los equipos personalizar el comportamiento de las imágenes sin obtener permiso para reescribir todo el modelo.

La mayoría de los métodos de adaptación asumen algún grado de acceso de caja blanca. El acceso de caja blanca significa que los desarrolladores pueden inspeccionar o modificar los pesos internos y los cálculos intermedios. Esa suposición funciona con modelos distribuidos abiertamente, pero se rompe cuando los proveedores exponen solo interfaces limitadas.

LoRA reduce la carga del ajuste fino al aprender actualizaciones de bajo rango para pesos seleccionados del modelo. Los pesos originales pueden permanecer congelados, pero el proceso de entrenamiento aún necesita acceso a las capas pertinentes. El método se popularizó porque sus adaptadores son más pequeños que copias completas del modelo.

La investigación original sobre LoRA se centró en modelos de lenguaje, pero el enfoque se extendió ampliamente por la generación de imágenes. Artistas y desarrolladores utilizan ahora adaptadores para enseñar estilos, personajes, productos y conceptos visuales. Ese ecosistema convierte a LoRA en un punto de comparación importante.

El diseño de caja gris de Google exige menos acceso interno. Un sistema de caja gris expone salidas intermedias útiles, pero mantiene inaccesibles los pesos de la columna vertebral. Diffusion Controller observa una media inversa intermedia y luego predice una corrección mediante una red auxiliar independiente.

La media inversa describe hacia dónde espera el proceso preentrenado que vaya el siguiente paso de eliminación de ruido. La red auxiliar combina esa señal con la imagen ruidosa actual y la información de condicionamiento. Su salida modifica la puntuación utilizada para guiar el siguiente paso.

La columna vertebral permanece congelada durante todo este proceso. Los desarrolladores entrenan el controlador en lugar de editar el generador original. En tiempo de inferencia, la columna vertebral y la red auxiliar operan juntas.

Esa separación podría cambiar quién puede personalizar un modelo. Una empresa podría recibir acceso controlado a una columna vertebral propietaria sin obtener sus pesos. El proveedor del modelo podría proteger el activo central y, al mismo tiempo, exponer suficiente información intermedia para una adaptación aprobada.

Esto no equivale a conectar un controlador a una API pública de imágenes convencional. Google usa "gray-box" por una razón. El enfoque aún requiere una señal intermedia de eliminación de ruido y una forma de inyectar la corrección. Un servicio que solo ofrezca prompts e imágenes terminadas no proporcionaría ese punto de integración.

La distinción modera el lenguaje de Google sobre la compatibilidad con código cerrado. Diffusion Controller puede admitir un modelo con acceso restringido cuyo operador exponga la interfaz requerida. No puede acceder por sí solo al interior de cualquier endpoint comercial opaco.

Aun así, este modelo de acceso presiona a los adaptadores convencionales. La ventaja de eficiencia de LoRA se vuelve menos decisiva si una red externa más pequeña puede lograr una alineación comparable. Los proveedores de modelos también obtienen un posible punto intermedio entre una API cerrada y la distribución completa de pesos.

El artículo evalúa cuatro configuraciones. El controlador principal de caja gris utiliza la media inversa intermedia y un flujo de adaptador auxiliar dedicado. Una versión ingenua elimina ambos elementos arquitectónicos. Dos variantes de caja blanca entrenan el controlador junto con la columna vertebral, de forma conjunta o por separado.

Estas variantes permiten a los autores evaluar más que el rendimiento bruto. Examinan si la descomposición propuesta importa, si la información intermedia ayuda y si el acceso total a la columna vertebral aporta valor. Esta estructura ofrece a los experimentos un oponente más claro que una prueba de calidad genérica.

El oponente es la suposición de que una personalización eficaz exige editar el propio generador. Google Diffusion Controller no elimina esa vía. Sostiene que una corrección independiente puede capturar gran parte del comportamiento necesario.

Cómo Google Diffusion Controller dirige cada paso de eliminación de ruido

El controlador funciona porque la puntuación óptima se separa en una línea base preentrenada y una corrección aprendida.

Una puntuación de difusión estima la dirección que lleva una muestra ruidosa hacia una imagen limpia más probable. El ajuste fino tradicional modifica la red que produce esa puntuación. Diffusion Controller, en cambio, representa la puntuación deseada como dos componentes.

El primer componente procede del modelo preentrenado fijo. El segundo representa la señal de control necesaria para un nuevo objetivo. Esa descomposición se deriva de las condiciones de optimalidad del marco, en lugar de un diseño arbitrario de adaptador.

Google describe la red auxiliar como un amortiguador de dirección. La analogía resulta útil si se trata con cuidado. Un amortiguador no sustituye el motor de una motocicleta, pero modera el movimiento y mejora el control. Del mismo modo, la red auxiliar modifica la trayectoria de generación sin volver a aprender el modelo base.

El objetivo puede representar alineación con el prompt, una preferencia artística u otro resultado final medible. "Final" significa que la recompensa se calcula a partir de la imagen terminada, no de cada estado intermedio. El controlador debe aprender qué correcciones anteriores tienden a producir mejores resultados finales.

El marco proporciona dos rutas basadas en recompensas. La primera utiliza un método de gradiente de políticas, incluida una versión basada en optimización de políticas proximales. PPO limita el tamaño de las actualizaciones individuales de la política, lo que puede reducir saltos de entrenamiento desestabilizadores.

La segunda utiliza una pérdida ponderada por recompensas. Las muestras que obtienen recompensas más altas reciben mayor peso durante el aprendizaje. Bajo la configuración de divergencia de Kullback-Leibler del artículo, los autores derivan una garantía de preservación de minimizadores para el objetivo resultante.

Esa garantía es más limitada que una promesa de imágenes perfectas. Se refiere a la relación entre objetivos matemáticos bajo supuestos establecidos. No garantiza que un modelo de recompensa represente con precisión las preferencias de todos los usuarios.

El término de divergencia sigue siendo esencial. Una f-divergencia mide una forma de diferencia entre distribuciones de probabilidad. Al penalizar grandes desviaciones respecto al proceso inverso preentrenado, el controlador debe equilibrar la mejora de la recompensa frente a la deriva del comportamiento.

Este equilibrio aborda un problema conocido en la generación guiada. Un control más fuerte puede aumentar la adherencia al prompt mientras reduce la variedad o la plausibilidad visual. Un optimizador de preferencias también puede descubrir atajos que complacen a su evaluador sin satisfacer a las personas.

El marco sitúa ese conflicto dentro del objetivo. Los desarrolladores eligen la recompensa y la intensidad de regularización, en lugar de combinar técnicas no relacionadas sin una interpretación compartida. Esto no elimina el ajuste, pero aclara qué controla dicho ajuste.

Un parámetro independiente en tiempo de ejecución ajusta la intensidad de la guía. Los usuarios pueden aumentar la influencia del controlador para una coincidencia más estricta con el objetivo o reducirla para mantenerse más cerca de la línea base. No es necesario volver a entrenar para cada configuración.

Esto se asemeja a la flexibilidad que hizo que classifier-free guidance fuera ampliamente útil. Classifier-free guidance combina predicciones condicionales e incondicionales durante el muestreo. Su escala de guidance ofrece control directo sobre la intensidad del condicionamiento textual.

Diffusion Controller tiene una ambición más amplia. Aprende una corrección para un objetivo especificado y luego expone la intensidad de esa corrección en tiempo de ejecución. La alineación con el texto es un objetivo posible, pero la formulación matemática no se limita al texto.

Esa distinción explica por qué Google presenta el trabajo como un marco unificador. La propuesta conecta el control de inferencia, el ajuste fino supervisado, el aprendizaje ponderado por recompensas y los gradientes de política. Cada uno se convierte en una expresión distinta de movimiento controlado alrededor de un proceso preentrenado.

La arquitectura también podría aislar cambios futuros. Los equipos podrían conservar una base validada mientras sustituyen los controladores para distintos dominios o políticas. Esa modularidad facilitaría las pruebas porque el componente modificado sigue siendo identificable.

Sin embargo, la modularidad también desplaza la responsabilidad hacia la recompensa y el controlador. Un objetivo mal diseñado aún puede producir comportamientos indeseables. Una base congelada evita algunas formas de deriva, pero no convierte en correcto el objetivo de control añadido.

Las mejoras reportadas son relevantes, pero el benchmark es limitado

Los resultados de Google respaldan el mecanismo, aunque no establecen el rendimiento en los generadores de imágenes propietarios modernos.

El equipo evaluó Diffusion Controller con Stable Diffusion v1.4. Ese modelo ofrece una base de investigación reconocible y reproducible, pero pertenece a una generación anterior de sistemas de texto a imagen. Los productos actuales utilizan arquitecturas, conjuntos de datos, canalizaciones de condicionamiento y capas de seguridad diferentes.

Las pruebas abarcaron tres regímenes de entrenamiento: ajuste fino supervisado, pérdida ponderada por recompensas y PPO. Los investigadores midieron la alineación con las preferencias mediante HPS-v2, un sistema de puntuación aprendido para la calidad de imagen y la preferencia respecto al prompt. También realizaron evaluaciones humanas.

Según Google, el controlador de caja gris superó a LoRA en las tasas de victoria de HPS-v2 durante el entrenamiento supervisado y el ponderado por recompensas. Esta comparación es destacable porque LoRA recibió acceso de caja blanca, mientras que el controlador utilizó la configuración restringida de caja gris.

El artículo también compara el controlador propuesto con su variante ingenua de caja gris. Esa ablación evalúa si la media inversa intermedia y el flujo del adaptador lateral aportan información útil. Sin esa comparación, cualquier mejora podría reflejar simplemente una capacidad entrenable adicional.

Google afirma que su configuración de caja blanca alcanzó una tasa de victoria del 90% frente a la base preentrenada. Una tasa de victoria registra con qué frecuencia se prefiere la salida de un sistema en comparaciones por pares. No significa que cada imagen haya mejorado un 90%.

La elección de la base también importa. Superar a un modelo Stable Diffusion v1.4 sin adaptar en generación alineada con preferencias difiere de superar a un modelo de producción actual. El resultado demuestra que la optimización modificó las preferencias evaluadas bajo las condiciones de prueba.

HPS-v2 es en sí mismo un evaluador basado en modelos, entrenado para reflejar preferencias humanas. El benchmark de preferencias asociado buscó mejorar la medición de alineación entre prompts y estilos. Como toda métrica aprendida, captura solo una parte del juicio visual subjetivo.

La optimización frente a una puntuación de este tipo puede generar dependencia del evaluador. Un método puede llegar a ser especialmente bueno produciendo características recompensadas por HPS-v2. Una evaluación humana independiente ayuda, pero su solidez depende del tamaño del panel, la cobertura de prompts, el diseño de las comparaciones y la diversidad de los anotadores.

El blog de Google afirma que el controlador obtuvo los mejores resultados de calidad subjetiva y correspondencia con el prompt en prompts complejos de múltiples atributos. El resumen público no convierte esos experimentos en evidencia universal. Los resultados en retratos, tipografía, razonamiento espacial o conceptos culturales desconocidos pueden diferir.

La formulación más contundente de la empresa también merece cautela. El blog afirma que el controlador puede personalizar modelos fuertemente bloqueados sin tocar el código subyacente. En la práctica, el operador del modelo debe exponer la señal intermedia necesaria y aceptar la corrección inyectada.

Esto supone más acceso del que ofrecen muchas API de imágenes alojadas. Un desarrollador no puede asumir que un proveedor comercial existente admitirá la arquitectura. Por tanto, el despliegue depende de las interfaces técnicas y de los incentivos del proveedor, no solo de las matemáticas.

La sobrecarga computacional sigue siendo otra cuestión abierta para los equipos de producción. Una red lateral se describe como ligera, pero aun así se ejecuta junto a la base. La latencia, el consumo de memoria, la eficiencia del procesamiento por lotes y la utilización de aceleradores determinan si esa sobrecarga es aceptable.

El resumen de la investigación destaca la eficiencia de parámetros, en lugar del coste integral de serving. Menos parámetros entrenables pueden reducir el almacenamiento de entrenamiento y los requisitos de optimización. No generan automáticamente imágenes más rápido.

Los experimentos con Stable Diffusion v1.4 también dejan sin resolver la transferencia entre arquitecturas. Un controlador probado en una base de difusión latente puede requerir cambios para sistemas de imágenes con gran peso de transformers. El vídeo añade consistencia temporal, trayectorias más largas y exigencias computacionales mucho mayores.

Estas limitaciones no eliminan la contribución. Definen el límite de lo que se ha demostrado. Google Diffusion Controller ofrece actualmente evidencia de un método de adaptación fundamentado en una plataforma de investigación controlada.

La competencia mayor es el acceso al modelo, no solo la calidad de imagen

Diffusion Controller importa más si los proveedores de modelos adoptan una capa intermedia entre las API cerradas y los pesos descargables.

El control de la generación de imágenes ya incluye varias rutas competidoras. La ingeniería de prompts modifica la entrada. Classifier-free guidance modifica la intensidad del condicionamiento. El ajuste fino modifica el comportamiento, mientras que los adaptadores limitan el número de parámetros alterados.

ControlNet introdujo otro patrón influyente. Añade ramas entrenables a un modelo de difusión congelado y acepta condiciones estructurales como bordes, poses o mapas de profundidad. La arquitectura de ControlNet mostró cómo una red auxiliar podía añadir control sin descartar las capacidades preentrenadas.

Diffusion Controller comparte el impulso de preservar una base y añadir computación especializada. Sin embargo, su contribución principal es diferente. ControlNet se centra en el condicionamiento espacial, mientras que Diffusion Controller deriva una corrección general a partir de una formulación de control óptimo.

El ajuste fino de difusión basado en recompensas plantea una segunda comparación. Estos métodos optimizan muestras generadas frente a recompensas de preferencia o de tarea. Pueden mejorar la alineación, pero sus algoritmos suelen proceder de la práctica del aprendizaje por refuerzo, en lugar de una teoría de control específica para difusión.

El marco de Google intenta conectar esas rutas. Los gradientes de política y la regresión ponderada por recompensas surgen del mismo proceso inverso controlado. La red lateral se deriva de la misma descomposición.

La cuestión comercial es si esa elegancia produce un contrato de acceso útil. Los proveedores de modelos cerrados suelen exponer endpoints simples porque protegen la propiedad intelectual y reducen el riesgo operativo. Las activaciones intermedias crean nuevas obligaciones de seguridad, compatibilidad y soporte.

Un proveedor tendría que definir qué salida de denoising permanece estable entre versiones del modelo. También tendría que validar los controladores entrenados por los clientes. Los controladores maliciosos o mal probados podrían debilitar los sistemas de seguridad o generar contenido prohibido.

El marco también podría respaldar controles de seguridad más sólidos. Google identifica la mitigación de riesgos como una dirección futura. Un controlador entrenado para el cumplimiento de políticas podría operar por separado de la base creativa y recibir actualizaciones independientes.

Sin embargo, esa misma separación crea conflictos entre controladores. Un controlador de personalización, uno de estilo de marca y uno de seguridad podrían solicitar cambios de trayectoria distintos. Su combinación requeriría arbitraje, pruebas y reglas claras de precedencia.

La intensidad de guidance en tiempo de ejecución introduce otro problema de gobernanza. Un control ajustable por el usuario puede ser valioso para la creatividad, pero las restricciones de seguridad no siempre pueden ser opcionales. Los sistemas de producción deben distinguir entre preferencias que los usuarios pueden ajustar y protecciones que no pueden desactivar.

Por tanto, los proveedores de modelos enfrentan una disyuntiva. Exponer control de caja gris podría atraer una personalización empresarial que las API cerradas actualmente tienen dificultades para ofrecer. La misma interfaz podría ampliar las superficies de ataque y complicar las garantías de servicio.

Los ecosistemas de pesos abiertos enfrentan un cálculo distinto. Sus usuarios ya poseen acceso de caja blanca, por lo que la compatibilidad de caja gris ofrece menos valor estratégico. Aun así, pueden adoptar el marco si su descomposición, control en tiempo de ejecución o eficiencia de parámetros ofrece mejores resultados.

LoRA no desaparecerá simplemente porque un estudio informe resultados de preferencia superiores. Cuenta con herramientas maduras, amplio apoyo de la comunidad, archivos compactos y flujos de despliegue conocidos. Un sustituto debe competir con todo ese ecosistema.

Diffusion Controller podría convertirse, en cambio, en otra capa de la pila. Los equipos podrían usar LoRA para conceptos que requieren adaptación a nivel de pesos y un controlador para la orientación impulsada por recompensas. La teoría unificada no obliga a cada caso de uso a una única implementación.

Por eso la investigación no debe presentarse como una simple derrota de LoRA. La competencia más profunda se refiere a quién controla las interfaces de adaptación. Si los proveedores exponen estados intermedios útiles, los controladores separados se vuelven comercialmente plausibles. Si mantienen API limitadas a prompts, seguirán dominando el acceso de caja blanca y el ajuste gestionado por el proveedor.

Tres señales mostrarán si el marco se traslada

La próxima prueba es si equipos independientes pueden reproducir las mejoras, transferirlas a modelos más recientes y desplegarlas a un coste aceptable.

La primera señal es la reproducción independiente. Los investigadores deben repetir las comparaciones con Stable Diffusion v1.4 usando prompts, recompensas, checkpoints y procedimientos de evaluación idénticos. La reproducción reforzaría la confianza en que las mejoras proceden de la arquitectura del controlador y no de detalles de implementación.

Una evaluación humana más amplia forma parte de esa prueba. Los paneles deberían cubrir tipografía, manos, relaciones espaciales, estilos desconocidos y composición con múltiples sujetos. También deberían incluir prompts en los que una fuerte alineación entre en conflicto con la estética.

Si estudios independientes reproducen la ventaja reportada, la afirmación central del marco se fortalece. Si los resultados varían sustancialmente entre evaluadores, su aparente ventaja podría depender de HPS-v2 o de la distribución de prompts seleccionada.

La segunda señal es la transferencia a arquitecturas más recientes. Stable Diffusion v1.4 es un laboratorio útil, pero no puede representar todo el mercado de imágenes de 2026. Los investigadores deberían probar bases abiertas más potentes y sistemas que utilicen arquitecturas de denoising diferentes.

La configuración de caja gris merece especial atención. Una demostración convincente mantendría congelada una base moderna, expondría solo información intermedia limitada y aun así superaría a un adaptador bien ajustado. Ese resultado respaldaría la ventaja de acceso prometida.

Un fracaso de transferencia no invalidaría la teoría de control, pero limitaría la utilidad inmediata de la arquitectura. La red lateral podría depender de señales fáciles de exponer en un modelo e incómodas en otro.

La tercera señal es una interfaz de calidad de producción. Los proveedores de modelos o los proyectos de código abierto deben especificar cómo se conectan, entrenan, versionan y ejecutan los controladores. Los benchmarks deberían informar de latencia, memoria, rendimiento y tamaño del controlador junto con las puntuaciones de preferencia.

La compatibilidad entre actualizaciones de modelos será crucial. Un controlador entrenado con un checkpoint podría fallar cuando cambie el modelo base. Los proveedores deben decidir si los estados intermedios constituyen un contrato compatible o si siguen siendo detalles de implementación.

Las pruebas de seguridad pertenecen a la misma interfaz. Un proveedor debe saber si un controlador externo puede eludir los filtros de contenido, revelar el comportamiento del modelo o amplificar conceptos dañinos. Los clientes empresariales también exigirán registros de auditoría y mecanismos de reversión predecibles.

Un despliegue exitoso reforzaría la valoración más amplia de Google: el control puede residir fuera del generador central sin perder eficacia. Una integración costosa o frágil debilitaría el argumento práctico, incluso si las matemáticas siguen siendo sólidas.

Por ello, los desarrolladores deberían interpretar Google Diffusion Controller como una propuesta de diseño con un respaldo experimental creíble. Ofrece una forma más clara de razonar sobre alineación, preservación y acceso a la adaptación. Aún no determina qué controlador corresponde a un sistema de imágenes en producción.

El siguiente paso más útil es evaluar el marco frente a un requisito real de personalización. Elija un objetivo medible, conserve una referencia intacta y compare la fidelidad a las indicaciones, la calidad de imagen, la diversidad y el coste de servir el modelo. Después, compruebe si un único control en tiempo de ejecución puede gestionar esos objetivos en competencia.

Esa evidencia determinará si Diffusion Controller se convierte en una capa general de adaptación o si permanece como un resultado de investigación elegante. La teoría unifica varias técnicas antes separadas. La adopción depende ahora de las interfaces, la replicación y los resultados más allá de un único modelo base envejecido.