Des outils IA notés pour votre métier
Missions IA payées
🤝 Vous êtes dans la bibliothèque Libre & Open Source — des outils communautaires utilisables sans payer. Un concept différent de notre annuaire IA noté.
Accueil › Libre & Open Source › Cybersécurité › HY-SOAR
✦ Libre & open sourceCybersécurité

HY-SOAR

Entraînez des modèles de diffusion par flux rectifiés en utilisant l'auto-correction sans récompense pour corriger les erreurs de trajectoire de débruitage.

Alignement par auto-correction pour les modèles de diffusion

Post-entraînement pour les modèles de diffusion qui corrige le biais d'exposition sans modèles de récompense ni étiquettes de préférence.

Gratuit pour toujours · source-available · Licence not stated in the repository
✓ Needs IT✓ Dans le navigateur✓ Collaboration en temps réel
5.9
ZEKAI
Entraînement avancé de modèles de flux
Libre & open source · Cybersécurité
Facilité d'installation2
Utilité8
Maintenance7
Communauté6.5
★ 752
GITHUB
Apr 2026
MIS À JOUR
Licence not stated in the repository
LICENCE
🛠 Pas envie de l'héberger vous-même ? Nous pouvons l'installer →
⚡ Réponse rapide

HY-SOAR est un framework de post-entraînement open source développé par Tencent-Hunyuan pour les modèles de diffusion par flux rectifiés comme Stable Diffusion 3.5. Vous devez l'utiliser si vous souhaitez éliminer le biais d'exposition de la trajectoire pendant la génération sans dépendre de modèles de récompense terminaux ou de paires de préférences étiquetées. Il s'adresse aux ingénieurs en apprentissage automatique et aux chercheurs en IA générative qui affinent des pipelines de diffusion.

Fonctionne sur
Cross-platform
Hébergement
Self-host
Langues
Python
Licence
Licence not stated in the repository

Qu'est-ce que c'est

L'outil échantillonne des états sur la trajectoire à partir d'un déploiement de modèle de diffusion, rebruite les états hors trajectoire vers un point de terminaison de bruit et calcule des vitesses de correction analytiques. Cela crée un signal de correction en politique et par pas de temps qui englobe le SFT standard. Il fournit des scripts d'entraînement, du code d'évaluation des récompenses et une intégration DeepSpeed pour le matériel multi-GPU.

Pour qui

Il convient aux chercheurs en IA et aux ingénieurs ML effectuant le post-entraînement de modèles texte-image par appariement de flux pour un affinement spécifique à une tâche. Il ne convient pas aux utilisateurs non techniques ou aux équipes recherchant un générateur visuel clé en main, car il nécessite une infrastructure multi-GPU et une expertise approfondie de PyTorch.

Fonctionnalités clés

Correction de trajectoire du biais d'exposition

Supervise le débruiteur au pas de temps exact où se produisent les erreurs en rebruitant les états hors trajectoire vers le point de terminaison de bruit d'origine.

Objectifs denses sans récompense

Fournit des cibles de correction géométrique par pas de temps ancrées sur des latents propres sans utiliser de modèles de récompense ni d'échantillons négatifs.

Signal d'entraînement en politique

Génère des états auxiliaires à partir des propres déploiements du modèle actif afin que la distribution d'entraînement évolue aux côtés des paramètres du modèle.

Suite d'évaluation multi-métrique

Intègre des configurations d'évaluation locales pour GenEval, PickScore, CLIPScore, HPSv2.1 et PaddleOCR.

Comment démarrer

Opérationnel en 3 étapes

1
Clonez le référentiel et créez l'environnement Conda Python 3.10 avec PyTorch 2.6 et CUDA 12.6.
2
Téléchargez les points de contrôle d'évaluation des récompenses et compilez les dépendances CUDA natives pour MMCV et MMDetection.
3
Authentifiez-vous via huggingface-cli pour accéder à Stable Diffusion 3.5 Medium et lancez sora.train_soar_sd3_5m avec torchrun.
Franchement

Notre verdict honnête

Ses atouts

  • Corrige les erreurs de débruitage cumulatives sans nécessiter de jeux de données de préférences ni d'entraînement de modèle de récompense.
  • Sert de remplacement direct ou d'étape préliminaire pour l'apprentissage supervisé avec affinement (SFT) standard.
  • Comprend des scripts de lancement DeepSpeed ZeRO-2 préconfigurés pour l'entraînement distribué.
  • Fournit des pipelines d'évaluation locaux simplifiés pour les métriques de référence telles que GenEval et HPSv2.1.

Ses limites

  • Nécessite une puissance de calcul GPU importante, l'entraînement par défaut étant configuré pour un nœud de 8 GPU.
  • Exige des configurations d'environnement complexes, notamment des builds C++ personnalisés pour MMCV et CUDA 12.6.
  • Aucune licence officielle n'est fournie dans les métadonnées du référentiel, ce qui laisse floues les conditions d'utilisation légales.
Coût

Tarifs & licence

HY-SOAR est téléchargeable gratuitement depuis GitHub, mais le référentiel ne spécifie pas de licence open source. Le seul coût opérationnel provient du provisionnement du matériel GPU haute performance nécessaire pour l'entraînement distribué de modèles.

Travail rémunéré

Missions pour francophones

877 missions ouvertes à distance en entraînement d’IA, mises à jour le 16 novembre 2026 ; la plupart paient $20–$175 de l’heure. 8 d’entre elles demandent des francophones. Zekai les liste gratuitement ; la candidature se fait sur la plateforme de l’employeur.

Voir tous les postes ouverts →
Comparer

Alternatives

🎁 Alternatives libres & open source
Pour aller plus loin

Utilisez-le, ou laissez-nous l'installer

📄 PDF gratuit : HY-SOAR pour Cybersécurité
Un guide simple pour obtenir votre premier résultat. Envoyé dans votre boîte mail.
🔔 64 personnes veulent un tutoriel vidéo complet — ajoutez votre vote
🛠 Pas envie de l'installer vous-même ?
Nous installons, hébergeons et configurons HY-SOAR pour vous — et formons votre équipe.
Confiez-nous l'installation ↗
Questions

FAQ

Est-ce que HY-SOAR nécessite des étiquettes de préférence ou des retours humains ?

Non, HY-SOAR calcule des cibles de correction géométrique analytiques directement à partir des états générés et des latents propres sans étiquettes de préférence externes.

Est-ce que HY-SOAR peut être utilisé parallèlement à des étapes d'apprentissage par renforcement ?

Oui, il étend les objectifs d'appariement de flux et peut remplacer le SFT standard avant d'appliquer un alignement RL en aval comme Flow-GRPO.

Quel modèle de base HY-SOAR entraîne-t-il directement ?

Les scripts d'entraînement fournis utilisent par défaut Stable Diffusion 3.5 Medium (stabilityai/stable-diffusion-3.5-medium).

Radar

Dernières actus IA

✉️ La boîte à outils gratuite hebdo
Les meilleurs nouveaux outils libres & open source pour Cybersécurité — un court e-mail par semaine, dans votre langue.
Gratuit · 1 e-mail/semaine · désabonnement à tout moment
Soyez payé pour entraîner l’IA →

Voir Zekai en premier dans Google