Stable Diffusion en Windows en 2026: guía actualizada para instalar y ejecutar

5 septiembre 2026147 vistas

Analizamos los métodos más fiables para instalar Stable Diffusion en PC: el instalador oficial ComfyUI Desktop, el universal Pinokio y Forge Neo para modelos modernos. Explicamos qué GPU se necesita, por qué Automatic1111 ya no es la mejor opción y cuánto tiempo se tarda hasta la primera imagen generada.

Stable Diffusion en Windows en 2026: guía actualizada para instalar y ejecutar

Stable Diffusion en Windows en 2026: qué ha cambiado y cómo ponerse en marcha en una tarde

Si antes instalar Stable Diffusion parecía un ritual con consola, clones de git y bailes alrededor de Python, en 2026 todo es notablemente más sencillo. «Clona el repositorio y ejecuta el script» ya no funciona: las compilaciones antiguas como la clásica Automatic1111 se rompen (por ejemplo, el famoso error 128 al descargar desde GitHub), y las herramientas actuales se instalan mediante instaladores oficiales o «tiendas» de aplicaciones especializadas. Un objetivo realista: desde el inicio de la instalación hasta la primera imagen pasan aproximadamente 15-20 minutos.

Lo principal que hay que saber sobre el hardware: sin tarjeta gráfica no hay nada que hacer. La generación en la CPU es posible, pero tan lenta que es más fácil alquilar una GPU en la nube como Google Colab. Para Nvidia existe una gradación simple: desde 6 GB de memoria de video — el umbral mínimo, 8 GB — cómodo para SD 1.5, 12 GB — para SDXL, y 16 GB o más abren el camino a FLUX. Los propietarios de AMD lo tendrán más difícil: los instaladores oficiales simples a menudo están orientados a Nvidia, por lo que se utilizan compilaciones alternativas con Zluda o DirectML: funcionan, pero son más lentas y caprichosas. El sistema necesita Windows 10/11, unos 20 GB de espacio libre y una conexión a internet estable durante la instalación: parte de los componentes se descargan desde GitHub. No se requiere VPN.

Método 1: ComfyUI Desktop — la opción para quienes quieren «simplemente trabajar»

ComfyUI Desktop es el cliente de escritorio oficial para ComfyUI, que actualmente se considera la interfaz más potente y rápida para Stable Diffusion. Su principal ventaja es el instalador, que instala Python, las dependencias y configura el entorno por sí mismo. La línea de comandos no es necesaria en absoluto.

Basta con descargar la versión para Windows en comfy.org/download (el instalador pesa aproximadamente 200-300 MB), ejecutarlo y esperar a la primera puesta en marcha. La aplicación preparará el entorno por sí sola y abrirá el navegador con un flujo de trabajo de ejemplo listo: se puede experimentar de inmediato. Además, vale la pena instalar el gestor de extensiones ComfyUI Manager para añadir los plugins y modelos necesarios sin complicaciones.

Matiz: la versión de escritorio para Windows está diseñada para tarjetas gráficas Nvidia. No es adecuada para propietarios de AMD: para ellos quedan Pinokio o las compilaciones portátiles con Zluda. En Mac, por cierto, la versión solo funciona en Apple Silicon.

Los modelos en el ecosistema de ComfyUI se colocan en la carpeta ComfyUI\models\checkpoints, y las imágenes generadas aparecen en ComfyUI\output.

Método 2: Pinokio — la «tienda» para aplicaciones de IA

Si se quiere instalar todo con un solo botón y no pensar en los detalles técnicos, vale la pena mirar Pinokio. Es un catálogo gratuito de herramientas de IA que descarga Python, Git y todas las dependencias por sí mismo. Este enfoque evita la descarga manual de archivos desde GitHub, donde a los usuarios les aparece precisamente ese error 128.

Todo lo que hay que hacer es descargar Pinokio desde pinokio.computer, abrir la biblioteca, buscar ComfyUI (o Forge Neo) y pulsar Install. El proceso suele tardar entre 10 y 20 minutos. El precio por la comodidad es un menor control sobre dónde se instalan exactamente los archivos y cómo está organizado el entorno. Para un principiante, esto es más una ventaja que un inconveniente.

Método 3: Forge Neo — una interfaz familiar para los modelos modernos

Para quienes echan de menos las pestañas, los campos y los deslizadores clásicos al estilo de Automatic1111, Forge Neo es adecuado. Es un fork de Forge del desarrollador Haoming02, que sabe trabajar con los modelos actuales: FLUX, Qwen, Wan. La interfaz sigue siendo reconocible para quienes provienen de la vieja escuela, pero el «interior» es moderno.

La forma más sencilla de instalar Forge Neo es, de nuevo, a través de Pinokio. Si se prefiere la instalación manual, se necesitarán Git (git-scm.com) y estrictamente Python 3.10.6: las versiones 3.11 y posteriores no son compatibles. A continuación, la secuencia es la siguiente:

  • clonar el repositorio: git clone https://github.com/Haoming02/sd-webui-forge-classic;
  • entrar en la carpeta: cd sd-webui-forge-classic;
  • cambiar a la rama necesaria neowebui;
  • ejecutar user.bat: en el primer arranque se descargarán todas las dependencias.

Para que funcione se necesitan al menos 6 GB de memoria de video y 16 GB de RAM. Si algo sale mal con la descarga de archivos grandes, ayuda el comando git config --global http.postBuffer 524288000: aumenta el límite del tamaño del búfer HTTP para git. Las actualizaciones se realizan manualmente con los comandos git checkout dev y git pull.

Qué pasa con el clásico Automatic1111

Respuesta honesta: en 2026 es una rama sin futuro. El legendario Automatic1111 fue en su día el estándar, pero su tiempo ha pasado: el proyecto no sigue el ritmo del desarrollo de los modelos y sufre problemas técnicos. Ya no tiene sentido intentar hacerlo funcionar cuando existen alternativas rápidas y con soporte.

Resumen: qué método elegir

En resumen: ComfyUI Desktop — para la mayoría de los usuarios con Nvidia que valoran la velocidad y la funcionalidad moderna. Pinokio — una opción universal para principiantes y propietarios de tarjetas AMD. Forge Neo — para quienes quieren una interfaz familiar, pero con soporte para los nuevos modelos. En todos los casos se obtiene un sistema funcional sin horas de bailes con la consola, y las actualizaciones y la instalación de nuevos modelos se convierten en una rutina, no en una aventura.

Preguntas frecuentes

Material similar

Todos los materiales
Modelo del mundo para agentes basados en LLM cerrados: corrección en puntos de riesgo
Noticias

Modelo del mundo para agentes basados en LLM cerrados: corrección en puntos de riesgo

Se propone PAWM, un predictor externo que no duplica la observación paso a paso, sino que se activa cuando es probable que ocurra un fallo y desvía al agente de una acción equivocada. Tras el ajuste fino supervisado (SFT) con escenarios sintéticos y el coentrenamiento con GRPO, el método logró una mejora del 24,3 % en ScienceWorld y del 7,7 % en WebArena-Lite para Claude Sonnet 4.5.

4 noviembre 2026
Método GoldiMask para el ajuste fino de modelos de lenguaje de difusión: selección del contexto y ponderación de objetivos
Noticias

Método GoldiMask para el ajuste fino de modelos de lenguaje de difusión: selección del contexto y ponderación de objetivos

Este trabajo presenta GoldiMask, un enfoque de ajuste fino supervisado para modelos de lenguaje con difusión discreta que selecciona los tokens visibles mediante la maximización aproximada de una función submodular y asigna pesos a los objetivos restantes según su utilidad para el entrenamiento. Los experimentos con varios modelos y conjuntos de datos muestran un aumento de la precisión media y mejoras en tareas de razonamiento lógico y programación, además de menos iteraciones de decodificación paralela en GSM8K y MATH-500 con una calidad similar.

30 octubre 2026
Confusión de contexto: por qué los ejemplos alineados rompen la alineación fuera de su ámbito
Noticias

Confusión de contexto: por qué los ejemplos alineados rompen la alineación fuera de su ámbito

El trabajo introduce el concepto de confusión contextual: el ajuste fino con ejemplos pertinentes en un ámbito temático puede trasladar el comportamiento aprendido a solicitudes de otro ámbito y provocar una desalineación localizada. A partir de casos de igualdad de género, privacidad y seguridad física, se muestra que los datos generales de alineación apenas resuelven el problema, mientras que los ejemplos específicos o las indicaciones contextuales durante la inferencia lo reducen; otra conclusión es la necesidad de realizar una comprobación exhaustiva de la coherencia tras el entrenamiento.

28 octubre 2026
Stable Diffusion en Windows en 2026: guía actualizada para instalar y ejecutar