Entrena modelos de difusión de flujo rectificado utilizando autocorregción sin recompensas para corregir errores en la trayectoria de desruido.
Post-entrenamiento para modelos de difusión que corrige el sesgo de exposición sin modelos de recompensa ni etiquetas de preferencia.
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.
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.
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.
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.
Proporciona objetivos de corrección geométrica por paso temporal anclados a latentes limpios sin utilizar modelos de recompensa ni muestras negativas.
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.
Integra configuraciones de evaluación local para GenEval, PickScore, CLIPScore, HPSv2.1 y PaddleOCR.
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.
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.
No, HY-SOAR calcula objetivos de corrección geométrica analítica directamente a partir de estados generados y latentes limpios sin etiquetas de preferencia externas.
Sí, amplía los objetivos de flow-matching y puede reemplazar el SFT estándar antes de aplicar la alineación de RL posterior como Flow-GRPO.
Los scripts de entrenamiento proporcionados usan por defecto Stable Diffusion 3.5 Medium (stabilityai/stable-diffusion-3.5-medium).
Ve Zekai primero en Google