DiffusionART: новый алгоритм дообучения диффузионных моделей от Kling AI

Kling AI представили DiffusionART — алгоритм для эффективного дообучения диффузионных моделей, снижающий затраты GPU в 12 раз.

Новый метод обучения нейросетей позволяет значительно снизить затраты на разработку качественных генеративных моделей.

Снижение потребности в вычислительных мощностях в 12 раз ускоряет и удешевляет процесс дообучения.
Повышение стабильности обучения позволяет избежать частых сбоев при настройке моделей.
Метод применим к современным архитектурам, таким как HunyuanVideo и SD35-M.

DiffusionART Алгоритм дообучения диффузионных моделей от Kling AI. Обучает модели генерации видео и изображений сильно дешевле - в 12 раз меньше GPU-часов при более высоком вознаграждении. • RL-дообучение видео- и image-моделей: качество, следование промпту, feedback • Стабильное обучение без крахов, без настройки EMA-расписания • Работает на #HunyuanVideo-13B, #Wan21-I2V-14B, #SD35-M Соль — порядок операций: сначала агрегировать вознаграждения и endpoints, потом регрессия, переиспользуя замороженную цель. Убирает скрытую силу согласованности из классического NFT, из-за которой обучение нестабильно Гитхаб HF #finetuning MAX

DiffusionART: новый алгоритм дообучения диффузионных моделей от Kling AI

Кратко (AI)

Компания Kling AI представила алгоритм DiffusionART для дообучения диффузионных моделей, который позволяет сократить затраты вычислительных ресурсов в 12 раз. Метод обеспечивает стабильное обучение видео- и image-моделей без необходимости сложной настройки EMA-расписания и успешно протестирован на моделях HunyuanVideo-13B, Wan21-I2V-14B и SD35-M.

DiffusionART: новый алгоритм дообучения диффузионных моделей от Kling AI

Кратко (AI)

Обсуждение