NVIDIA und Hugging Face arbeiten zusammen, um das Training großer Bild- und Video-KI-Modelle deutlich zu vereinfachen
Ein neues Open-Source-Tool ermöglicht es Entwicklern, einige der größten Bild- und Videogeneratoren auf Hardware von einer einzelnen Maschine bis zu Hunderten von Chips fine-tunen zu können – ohne komplizierte Dateikonvertierungen.
Wichtigste Punkte
- NVIDIA und Hugging Face veröffentlichten im Juni 2025 gemeinsam NeMo Automodel, ein kostenloses Open-Source-Trainingstool.
- Das Tool unterstützt das Fine-Tuning von Modellen einschließlich FLUX.1-dev (12 Milliarden Parameter) und HunyuanVideo (13 Milliarden Parameter), zwei der leistungsfähigsten Open-Source-Bild- und Videogeneratoren.
- Entwickler können das Training direkt anhand von Modellen starten, die auf dem Hugging Face Hub gehostet werden – dem weltweit größten öffentlichen Repository für KI-Modelle – ohne Dateien vorher in ein spezielles Format konvertieren zu müssen.
- Die Software ist kostenlos unter der Apache-2.0-Lizenz nutzbar, was bedeutet, dass jeder sie kommerziell nutzen, verändern und darauf aufbauen kann.
Eine KI so zu trainieren, dass sie Bilder in einem bestimmten Stil generiert oder Videos produziert, die der visuellen Marke eines Unternehmens entsprechen, ist teure und technisch anspruchsvolle Arbeit. Bis jetzt bedeutete dies in großem Maßstab normalerweise, die Software von Grund auf neu zu schreiben, sobald ein neues Modell auftauchte.
NVIDIA und Hugging Face wollen das ändern.
Die beiden Unternehmen haben NeMo Automodel veröffentlicht, eine Open-Source-Bibliothek – also kostenlose Software, deren Code jeder einsehen und verändern kann – die NVIDIAs Trainingsinfrastruktur im Industriemaßstab mit der Hugging Face Diffusers-Bibliothek verbindet. Diffusers ist das am weitesten verbreitete Toolkit für die Ausführung von Diffusionsmodellen, einer Klasse von KI, die Bilder und Videos generiert, indem sie zufälliges Rauschen schrittweise zu einem fertigen Bild verfeinert.
Vereinfacht gesagt: Ein Entwickler, der FLUX.1-dev, einen der besten öffentlich verfügbaren Text-zu-Bild-Generatoren, lehren möchte, im Stil von Vintage-Tarotkarten zu zeichnen, kann das jetzt tun, ohne spezialisierte Code-Zeilen anzutasten. Er verweist das Tool auf seinen Datensatz, wählt eine Konfigurationsdatei und führt sie aus.
Was ändert sich dadurch eigentlich für Menschen, die KI-Tools entwickeln?
Vor dieser Veröffentlichung war das Verschieben eines Modells aus der Hugging Face-Bibliothek in ein Trainingssystem oft mit der Konvertierung der gespeicherten Gewichte des Modells – der numerischen Werte, die die KI gelernt hat – in ein anderes Dateiformat verbunden, dann das Training und schließlich die Rückkonvertierung. NeMo Automodel überspringt das ganz. Ein feinabgestimmtes Modell, das weiter auf neuen Beispielen trainiert wurde, um seine Fähigkeiten zu spezialisieren, wird unmittelbar nach Abschluss des Trainings direkt in Standard-Tools geladen.
Das Tool verwaltet die Skalierung automatisch. Ein kleines Team mit einer leistungsstarken Maschine und eine große Forschungsgruppe mit Hunderten von GPUs – den spezialisierten Chips, die die intensiven Rechenoperationen durchführen, die KI benötigt – können beide die gleichen Konfigurationsdateien verwenden. Der Wechsel zwischen verschiedenen Methoden, ein Modell auf mehrere Chips zu verteilen, ist eine Einstellungsänderung, keine Programmieraufgabe.
Für Entwickler mit begrenzter Hardware unterstützt das Tool LoRA, eine Technik, die nur einen kleinen Bruchteil der Werte eines Modells feinabstimmt, anstatt alle zu trainieren, was den Speicherverbrauch deutlich senkt und gleichzeitig die Qualität hoch bleibt.
Der Blog-Beitrag, ursprünglich von Hugging Face veröffentlicht, behandelt ein durchgearbeitetes Beispiel: das Fine-Tuning von FLUX.1-dev auf 78 gemeinfrei verfügbare Tarotkarten-Bilder. Der gesamte Trainingsvorgang dauert 200 Schritte und erzeugt ein Modell, das auf Abruf Tarot-Bilder generiert.
Zu den unterstützten Modellen beim Start gehören FLUX.1-dev für Bilder sowie Wan 2.1 und HunyuanVideo für die Videogenerierung.
Für die meisten gewöhnlichen Nutzer ändert sich dadurch heute direkt nichts. Die Menschen, die davon betroffen sind, sind die Entwickler und Forscher, die die Bildtools, Creative Apps und Business-Software bauen, die gewöhnliche Menschen letztendlich nutzen. Bessere und günstigere Trainings-Pipelines führen in der Regel dazu, dass spezialisierte KI-Funktionen schneller und kostengünstiger verfügbar werden.
Die Software ist jetzt auf GitHub verfügbar und wird im offiziellen Diffusers-Trainings-Guide dokumentiert.
