Vyb: el primer modelo de diseño de Coco Labs crea gráficos de marketing en capas editables

Coco Labs anunció Vyb el 20 de octubre de 2026: un modelo de diseño que construye gráficos de marketing elemento por elemento en lugar de pintar una única imagen plana. La propuesta es acotada y concreta. Dale a Vyb el sitio web o los archivos de recursos de una marca una sola vez, y cada diseño que produzca vuelve como una pila de capas editables: el titular es un objeto de texto que puedes reescribir, el logotipo es un vector, la foto del producto son los píxeles originales a resolución completa. Cambia el titular y nada más en el archivo se mueve. Los lanzamientos de herramientas de diseño rara vez publican cómo falla el flujo de trabajo en producción, y los incidentes registrados se catalogan en el OrcaRouter AI Incident Archive donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

Esa última frase es todo el producto. Cualquiera que haya intentado corregir una errata en un anuncio generado por IA conoce la alternativa: volver a ejecutar el prompt, obtener un diseño ligeramente distinto y perder la maquetación que ya había aprobado. Vyb es el intento de Coco Labs de detener ese ciclo, y es el primer lanzamiento de un modelo de la empresa, sea del tipo que sea.

Lo que realmente se envió

La publicación de lanzamiento es de David Zats y Anusha Ramesh y describe Vyb como «el primer modelo de diseño que entiende los gustos de un usuario». El mecanismo importa más que el eslogan. Vyb compone un diseño en un formato interno que Coco Labs llama Cocolang —una descripción breve y estructurada del diseño que tanto humanos como modelos pueden leer y editar. El texto, las formas vectoriales y las imágenes conservan sus formatos nativos dentro de esa estructura en lugar de aplanarse en un solo ráster. Como la salida está estructurada, se puede exportar «sin pérdidas» a herramientas de diseño externas como Figma, donde cada elemento llega en su propia capa.

Vyb también puede recurrir a generadores de imágenes y herramientas de edición cuando un trabajo necesita algo que no puede dibujar por sí mismo, lo cual es una división del trabajo sensata: generar la fotografía, colocarla como capa y mantener la tipografía y la maquetación nítidas a su alrededor.

Lo que no se lanzó es casi igual de importante. No hay tarifario. No hay API pública. No hay un número de parámetros publicado, ni descripción de la arquitectura, ni divulgación de los datos de entrenamiento más allá del hecho de que Coco Labs construyó un pipeline propietario para diseños por capas porque existen pocos diseños públicos por capas con los que entrenar. El acceso es mediante lista de espera, y unirse a ella incluye $10 en créditos de generación. Al momento de escribir esto, el producto está anunciado y solo disponible por invitación, no de forma general.

Los tres números con los que Coco Labs está liderando

Coco Labs publicó un benchmark llamado VybBench, que abarca 145 fuentes de Google, 100 colores y 200 ediciones frente a tres rivales: ChatGPT Image (gpt-image-2.5), Muse (muse-image) y Recraft v4.1. Todas las cifras siguientes son comunicadas por el proveedor. Nadie fuera de Coco Labs las ha ejecutado, y el autor del benchmark es la empresa cuyo modelo lo gana.

• Fidelidad tipográfica — puntuación de coincidencia de formas frente a una representación programática de la misma palabra: Vyb 90,3 %, ChatGPT Image 76,0 %, Muse 50,9 %, Recraft 46,2 %. Coco Labs midió un techo de ruido del 94,4 % al puntuar representaciones idénticas entre sí, por lo que 90,3 % está cerca del máximo práctico en esta prueba.

• Fidelidad de color — error máximo medio por canal sobre 255, cuanto menor, mejor: Vyb 0.00, ChatGPT Image 3.94, Muse 5.67, Recraft 27.19. Un cero literal es posible aquí porque un color puede escribirse como un valor en lugar de pintarse; eso es el formato por capas haciendo el trabajo, no un mejor pintor.

• Localidad de edición — proporción media de píxeles modificados en 200 instrucciones de edición: Vyb 11,9 %, ChatGPT Image 95,5 %, Muse 91,8 %, Recraft 98,9 %. Un juez LLM independiente también evaluó si cada edición solicitada se había completado realmente: Vyb 94,7 %, ChatGPT Image 100 %, Muse 98,0 %, Recraft 50,3 %.

Lee la tercera fila con atención, porque es la que decide si el producto es real. Un modelo de diferencias de píxeles no puede cambiar el 11,9 % de una imagen por accidente; cambia casi todo porque regenera casi todo. Vyb cambia poco porque está editando un documento. La tasa de aceptación del 94,7 % frente a un 100 % de ChatGPT Image es el coste honesto de eso: Vyb ocasionalmente rechaza una instrucción que considera mal diseño, como un cambio que haría que el texto fuera ilegible, y el evaluador contó el rechazo como un fallo.

Coco Labs revela una asimetría metodológica en su propio benchmark: Vyb recibió entradas SVG por capas para la prueba de edición, mientras que los otros tres recibieron PNG aplanados, porque no pueden aceptar capas. Eso no es un truco —es la diferencia que se está midiendo—, pero sí significa que la comparación pone a prueba dos contratos de entrada distintos, no dos modelos a los que se les dio un trabajo idéntico.

El argumento subyacente al benchmark

La publicación de lanzamiento de Vyb dedica un párrafo a atacar el enfoque de un rival, y vale la pena citar la estructura del argumento más que su redacción. La afirmación es que convertir una imagen plana terminada de nuevo en capas —la descomposición en capas— no puede recuperar texto ni capas vectoriales genuinos, porque el texto de una imagen plana solo son píxeles, y cualquier región oculta detrás de otro elemento tiene que adivinarse. Coco Labs sostiene que la única manera de obtener una pila de capas real es generarla, y que la descomposición a posteriori es una demo que no sobrevive al contacto con los archivos reales de una marca.

Esa es una postura defendible, y también es una postura de marketing de la empresa que vende la alternativa. Es cierto que el texto rasterizado en una imagen plana no se puede volver a escribir con una fidelidad perfecta a las métricas tipográficas originales. También es cierto que la mayoría de los equipos de marketing ya tienen una biblioteca de recursos planos aprobados que les encantaría poder editar, y Vyb no tiene nada que ofrecerles para esos archivos. Los dos enfoques resuelven problemas distintos, y la publicación de lanzamiento está escrita como si solo uno de ellos contara.

Dónde encaja en un flujo de trabajo real

Un modelo de diseño por capas no elimina el resto del proceso. Alguien sigue teniendo que escribir el titular, decidir la oferta y comprobar que la afirmación sea legal en el mercado en el que se utiliza. Lo que cambia Vyb es el paso posterior: el texto publicitario se coloca como texto, con la tipografía de la marca, en un diseño que un diseñador puede ajustar en lugar de volver a generarse mediante un prompt.

La mitad de texto de ese pipeline también es la mitad que un router puede servir. OrcaRouter ejecuta una API para más de 200 modelos, con los precios de lista de los proveedores transferidos con un 0% de margen, de modo que el modelo que escribe el titular y el modelo que lo revisa contra las normas de marca pueden estar detrás de una sola clave sin un segundo contrato. La conmutación automática por error importa aquí por una razón aburrida: un paso de generación de textos que falla a mitad del lote deja un trabajo de diseño con una capa en blanco, y un modelo de respaldo cuesta menos que una cola atascada. Vyb en sí no se puede invocar a través de ningún router —no tiene API pública—, así que la arquitectura honesta a finales de 2026 es un modelo de texto para las palabras y Vyb, una vez que tengas acceso, para el arte gráfico.

¿Qué sigue sin demostrarse?

Cuatro cosas, en orden descendente según cuánto deberían influir en una decisión de compra.

• Precio. No existe una lista de tarifas. Coco Labs está dando $10 en créditos a quienes se inscriben en la lista de espera, lo que no revela nada sobre cuánto cuesta una campaña finalizada.

• Pruebas independientes. Todas las cifras de este artículo provienen del proveedor. El benchmark de fuentes solo abarca fuentes de Google disponibles públicamente; Coco Labs dice que espera que la brecha se amplíe para fuentes de marca personalizadas, pero no las midió, que es precisamente el caso que le importa a una marca.

• Fidelidad de archivo en la práctica. «Exportación sin pérdidas a Figma» es una afirmación sobre el exportador, no sobre si el árbol de capas resultante es uno en el que un diseñador quiera trabajar. Nadie fuera de la empresa ha abierto uno de estos archivos.

• Cobertura. El lanzamiento muestra carteles, anuncios, tarjetas con citas y comunicados. Los documentos de varias páginas, los troqueles de embalaje y cualquier material con perfil de color de impresión no se abordan en el material publicado hasta la fecha.

Nada de eso convierte el producto en vapor. Un modelo de diseño cuya salida es un documento en lugar de una imagen es una categoría genuinamente distinta de la de un generador de imágenes, y la cifra de localidad de edición es el tipo de resultado que solo procede de esa arquitectura. Pero una lista de espera y un benchmark del proveedor son un anuncio, no un historial comprobado, y la pregunta útil para un equipo de marketing no es si Vyb supera a ChatGPT Image en fuentes, sino si los archivos que produce le ahorran a un diseñador más tiempo del que habría costado rehacer la maquetación a mano. Esa pregunta se responderá cuando se abra la lista de espera, y no antes.

Qué ver

Tres señales harían que Vyb pasara de ser interesante a ser adoptado. Un precio publicado por diseño o por crédito, para que el costo se pueda comparar con la tarifa por hora de un freelancer. Una referencia comparativa de fuentes personalizadas, porque toda marca real usa al menos una tipografía que no está en G​oogle Fonts. Y una API, porque en el momento en que Vyb es invocable, deja de ser una herramienta y se convierte en un componente que se puede enrutar junto con todo lo demás en un pipeline de contenido. Hasta entonces, el crédito de $10 es la forma más barata de averiguar si el árbol de capas es tan limpio como implica la referencia comparativa.