Gradio convierte los flujos de IA en interfaces ejecutables

Hugging Face publicó el 25 de agosto de 2026 una guía sobre gr.Workflow, una función integrada en Gradio para construir y desplegar flujos de trabajo de inteligencia artificial. La propuesta convierte una cadena de operaciones en la propia interfaz: los pasos se describen como un grafo de nodos tipados y Gradio ofrece un lienzo visual de arrastrar y soltar en el que cada nodo puede ejecutarse y mostrar sus resultados intermedios.

Los flujos están pensados para aplicaciones compuestas por varias etapas. Una imagen puede generarse y pasar después por un proceso de eliminación de fondo o edición, mientras que un texto puede utilizarse para crear una voz y un título. En lugar de conectar estas operaciones únicamente mediante código y revisar cada resultado con técnicas de depuración, gr.Workflow permite observar los valores producidos en cada punto del grafo.

La guía presenta un editor de imágenes formado por un único nodo que llama a Qwen-Image-Edit mediante Hugging Face Inference Providers. El usuario sube una imagen, escribe una instrucción como convertirla en una escena invernal nevada o añadir gafas de sol y recibe la imagen editada.

Otro ejemplo, AI Media Studio, combina tres flujos en un mismo grafo. A partir de una indicación, FLUX genera una imagen que después se envía a un Gradio Space para eliminar el fondo y convertirla en una pegatina. El mismo tema se transforma además en una locución mediante un Space de texto a voz y en un título de episodio mediante una llamada a un modelo de lenguaje. El ejemplo utiliza dos llamadas a modelos a través de Hugging Face Inference Providers y dos llamadas a Gradio Spaces.

Cada una de las tres salidas de ese flujo cuenta también con su propio endpoint REST: /sticker, /voiceover y /episode_title. Las salidas pueden invocarse directamente desde código sin abrir la interfaz. La guía incluye ejemplos para utilizar gradio_client y para acceder a los endpoints mediante solicitudes HTTP con curl.

La generación en paralelo aparece en el ejemplo Generative Art Lab. Una sola idea produce una imagen base con FLUX, dos reinterpretaciones —una versión en acuarela y otra de estética cyberpunk— y un título para la galería generado por un modelo de lenguaje. Las imágenes se crean directamente desde la indicación mediante nodos de modelo, mientras que el título procede de un nodo fn que realiza una llamada a un LLM. El patrón de bifurcación permite alimentar varios operadores al mismo tiempo.

Data Detective utiliza otro patrón para analizar conjuntos de datos de Hugging Face. El usuario introduce un identificador, como stanfordnlp/imdb o mteb/tweet_sentiment_extraction, y la entrada se distribuye entre cuatro nodos operadores que consultan la Datasets Server API. El flujo genera una tarjeta de resumen, una vista previa de las primeras filas, estadísticas por columna y un gráfico de distribución, calculados de forma independiente y en paralelo.

Los nodos fn también pueden ejecutar modelos dentro del Space utilizando una GPU. Para ello, la función vinculada se decora con @spaces.GPU; ZeroGPU obtiene una GPU para esa ejecución, ejecuta el modelo y la libera después. La guía muestra este enfoque con un flujo que anima una imagen estática mediante Lightricks/LTX-Video, cargado a través de Diffusers y ejecutado completamente en un nodo.

En el modelo de gr.Workflow hay tres tipos de nodos: referencias, que representan las entradas; operadores, que realizan el trabajo; y sujetos, que corresponden a las salidas. Un operador puede ser una función propia de Python, un modelo disponible en Hugging Face Inference Providers, otro Gradio Space o una fila de un conjunto de datos del Hub. Los nodos se conectan entre puertos tipados y, al pulsar Run, cada resultado aparece en su posición.

El flujo creado también funciona como una API sin configuración adicional. Cada salida se convierte en un endpoint REST cuyo nombre procede de su etiqueta. Para comenzar un proyecto, la guía propone duplicar cualquiera de las demostraciones y modificar sus conexiones, o definir una función de Python y pasarla a gr.Workflow(bind=[your_function]).launch(). La documentación completa incluye el recorrido de construcción, los tipos de operadores, el esquema JSON y varios patrones reutilizables.

Fuente: Hugging Face.