Entraînez des modèles de diffusion par flux rectifiés en utilisant l'auto-correction sans récompense pour corriger les erreurs de trajectoire de débruitage.
Post-entraînement pour les modèles de diffusion qui corrige le biais d'exposition sans modèles de récompense ni étiquettes de préférence.
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.
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.
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.
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.
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.
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.
Intègre des configurations d'évaluation locales pour GenEval, PickScore, CLIPScore, HPSv2.1 et PaddleOCR.
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.
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.
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.
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.
Les scripts d'entraînement fournis utilisent par défaut Stable Diffusion 3.5 Medium (stabilityai/stable-diffusion-3.5-medium).
Voir Zekai en premier dans Google