Herramientas de IA puntuadas para tu trabajo
Gana entrenando IA
🤝 Estás en la biblioteca Gratis y Open Source — herramientas creadas por la comunidad que puedes usar sin pagar. Un concepto distinto a nuestro directorio de IA puntuado.
Inicio › Gratis y Open Source › Ciberseguridad › HY-SOAR
✦ Gratis y open sourceCiberseguridad

HY-SOAR

Entrena modelos de difusión de flujo rectificado utilizando autocorregción sin recompensas para corregir errores en la trayectoria de desruido.

Alineación de Autocorrección para Modelos de Difusión

Post-entrenamiento para modelos de difusión que corrige el sesgo de exposición sin modelos de recompensa ni etiquetas de preferencia.

Gratis para siempre · source-available · Licence not stated in the repository
✓ Needs IT✓ En el navegador✓ Colaboración en tiempo real
5.9
ZEKAI
Entrenamiento avanzado de modelos de flujo
Gratis y open source · Ciberseguridad
Facilidad de configuración2
Utilidad8
Mantenimiento7
Comunidad6.5
★ 752
GITHUB
Apr 2026
ACTUALIZADO
Licence not stated in the repository
LICENCIA
🛠 ¿No quieres alojarlo tú mismo? Podemos configurarlo →
⚡ Respuesta rápida

HY-SOAR es un framework de post-entrenamiento open source desarrollado por Tencent-Hunyuan para modelos de difusión de flujo rectificado como Stable Diffusion 3.5. Debes usarlo si quieres eliminar el sesgo de exposición de la trayectoria durante la generación sin depender de modelos de recompensa terminales o pares de preferencias etiquetadas. Está dirigido a ingenieros de machine learning e investigadores de IA generativa que afinan pipelines de difusión.

Funciona en
Cross-platform
Alojamiento
Self-host
Idiomas
Python
Licencia
Licence not stated in the repository

Qué es

La herramienta muestrea estados en la trayectoria de un despliegue del modelo de difusión, vuelve a añadir ruido a los estados fuera de trayectoria hacia un punto final de ruido y calcula velocidades de corrección analíticas. Esto crea una señal de corrección por paso temporal y en política que engloba el SFT estándar. Proporciona scripts de entrenamiento, código de evaluación de recompensas e integración con DeepSpeed para hardware multi-GPU.

Para quién

Se adapta a investigadores de IA e ingenieros de ML que hacen post-entrenamiento de modelos de texto a imagen basados en flow-matching para un refinamiento específico de tareas. No es adecuado para usuarios no técnicos o equipos que buscan un generador visual llave en mano, ya que requiere infraestructura multi-GPU y profunda experiencia en PyTorch.

Funciones clave

Corrección de Trayectoria por Sesgo de Exposición

Supervisa al desruidador en el paso temporal exacto en el que ocurren los errores volviendo a añadir ruido a los estados fuera de trayectoria hacia el punto final de ruido original.

Objetivos Densos Sin Recompensas

Proporciona objetivos de corrección geométrica por paso temporal anclados a latentes limpios sin utilizar modelos de recompensa ni muestras negativas.

Señal de Entrenamiento en Política

Genera estados auxiliares a partir de los propios despliegues del modelo activo para que la distribución de entrenamiento evolucione junto con los parámetros del modelo.

Suite de Evaluación Multimétrica

Integra configuraciones de evaluación local para GenEval, PickScore, CLIPScore, HPSv2.1 y PaddleOCR.

Cómo empezar

Listo en 3 pasos

1
Clona el repositorio y construye el entorno Conda de Python 3.10 con PyTorch 2.6 y CUDA 12.6.
2
Descarga los puntos de control de evaluación de recompensas y compila las dependencias nativas de CUDA para MMCV y MMDetection.
3
Autentícate a través de huggingface-cli para acceder a Stable Diffusion 3.5 Medium e inicia sora.train_soar_sd3_5m con torchrun.
Sin rodeos

Nuestro veredicto honesto

Lo mejor

  • Corrige errores acumulativos de desruido sin necesidad de datasets de preferencia ni entrenamiento de modelos de recompensa.
  • Actúa como un reemplazo directo o etapa previa para el Fine-Tuning Supervisado (SFT) estándar.
  • Incluye scripts de lanzamiento preconfigurados de DeepSpeed ZeRO-2 para entrenamiento distribuido.
  • Proporciona pipelines de evaluación local simplificados para métricas de benchmark como GenEval y HPSv2.1.

Sus límites

  • Requiere una potencia de cómputo GPU significativa, con el entrenamiento predeterminado configurado para un nodo de 8-GPU.
  • Exige configuraciones de entorno complejas que incluyen compilaciones personalizadas de C++ para MMCV y CUDA 12.6.
  • No se proporciona ninguna licencia oficial en los metadatos del repositorio, lo que deja poco claros los términos de uso legal.
Costo

Precios y licencia

HY-SOAR se puede descargar gratis desde GitHub, pero el repositorio no especifica una licencia open source. El único costo operativo proviene de aprovisionar el hardware de GPU de alto rendimiento necesario para el entrenamiento distribuido de modelos.

Trabajo remunerado

Empleos para hispanohablantes

877 puestos remotos abiertos de entrenamiento de IA, actualizados el 16 de noviembre de 2026; la mayoría paga $20–$175 por hora. 22 de ellos piden hispanohablantes. Zekai los lista gratis; la solicitud va a la plataforma del empleador.

Ver todos los puestos abiertos →
Comparar

Alternativas

🎁 Alternativas gratis y open source
Más

Úsalo, o deja que lo configuremos

📄 PDF gratis: HY-SOAR para Ciberseguridad
Una guía en lenguaje claro para tu primer resultado. Enviada a tu correo.
🔔 64 personas quieren un tutorial en vídeo completo — añade tu voto
🛠 ¿No quieres configurarlo tú mismo?
Instalamos, alojamos y configuramos HY-SOAR por ti — y formamos a tu equipo.
Que lo hagamos por ti ↗
Preguntas

FAQ

¿Requiere HY-SOAR etiquetas de preferencia o retroalimentación humana?

No, HY-SOAR calcula objetivos de corrección geométrica analítica directamente a partir de estados generados y latentes limpios sin etiquetas de preferencia externas.

¿Se puede usar HY-SOAR junto con etapas de Aprendizaje por Refuerzo?

Sí, amplía los objetivos de flow-matching y puede reemplazar el SFT estándar antes de aplicar la alineación de RL posterior como Flow-GRPO.

¿Qué modelo base entrena HY-SOAR de manera predeterminada?

Los scripts de entrenamiento proporcionados usan por defecto Stable Diffusion 3.5 Medium (stabilityai/stable-diffusion-3.5-medium).

Radar

Últimas noticias de IA

✉️ El kit gratuito semanal
Las mejores nuevas herramientas gratis y open source para Ciberseguridad — un correo corto por semana, en tu idioma.
Gratis · 1 correo/semana · cancela cuando quieras
Gana dinero entrenando IA →

Ve Zekai primero en Google