NVIDIA та Hugging Face об'єднуються, щоб спростити навчання гігантських моделей AI для зображень та відео

Ключові моменти

• NVIDIA та Hugging Face спільно випустили NeMo Automodel, безплатний інструмент навчання з відкритим кодом, у червні 2025 року.
• Інструмент підтримує дотримання моделей, включаючи FLUX.1-dev (12 мільярдів параметрів) і HunyuanVideo (13 мільярдів параметрів), двох з найбільш можливих генераторів відкритих зображень і відео.
• Розробники можуть розпочати навчання безпосередньо з моделей, розміщених у Hugging Face Hub, найбільшому у світі публічному сховищі моделей AI, без попередньої конвертації файлів в спеціальний формат.
• Програмне забезпечення можна використовувати безплатно за ліцензією Apache 2.0, що означає, що будь-хто може використовувати, змінювати та розвивати його комерційно.

Навчання AI генерувати зображення в певному стилі або створювати відео, які відповідають візуальному бренду компанії, — це дорога та технічно складна робота. До цих пір, робити це в масштабах зазвичай означало переписування програмного забезпечення з нуля кожного разу, коли з'являлася нова модель.

NVIDIA та Hugging Face хочуть змінити це.

Дві компанії опублікували NeMo Automodel, бібліотеку з відкритим вихідним кодом, що означає безплатне програмне забезпечення, код якого будь-хто може перевірити та змінити, яка з'єднує промислово-масштабну навчальну систему NVIDIA з бібліотекою Hugging Face Diffusers. Diffusers — найширше використовуваний набір інструментів для запуску моделей дифузії, класу AI, який генерує зображення і відео шляхом поступового уточнення випадкового шуму в готове зображення.

Простіше кажучи: розробник, який хочет навчити FLUX.1-dev, один з найкращих публічно доступних генераторів текст-в-зображення, малювати в стилі давніх карт таро, тепер може це зробити без дотику до будь-якого спеціалізованого коду. Він спрямовує інструмент на свій набір даних, вибирає файл конфігурації та запускає його.

Що це насправді змінює для людей, які будують інструменти AI?

До цього випуску, переміщення моделі з бібліотеки Hugging Face в систему навчання часто вимагало конвертування збережених ваг моделі, числових значень, які AI вивчив, в інший формат файлу, навчання, а потім зворотної конвертації. NeMo Automodel повністю пропускає це. Відповідна модель, яка була додатково навчена на нових прикладах для спеціалізації своїх навичок, завантажується прямо в стандартні інструменти в момент завершення навчання.

Інструмент також автоматично обробляє масштабування. Невелика команда з однією потужною машиною та велика дослідницька група з сотнями GPU, спеціалізованих мікросхем, які виконують важку обчислювальну роботу AI, можуть обидва використовувати одні й ті ж файли конфігурації. Перехід між різними способами розділення моделі на багато мікросхем — це зміна налаштувань, а не проект кодування.

Для розробників з обмеженим обладнанням інструмент підтримує LoRA, техніку, яка дотримується лише невеликої частки значень моделі замість всіх, значно скорочуючи використання пам'яті, зберігаючи високу якість.

Блог-пост, вперше опублікований Hugging Face, містить приклад виконання: дотримання FLUX.1-dev на 78 зображеннях карт таро у громадському надбанні. Весь цикл навчання займає 200 кроків і виробляє модель, яка генерує зображення в стилі таро за вимогою.

Підтримувані моделі при запуску включають FLUX.1-dev для зображень та Wan 2.1 і HunyuanVideo для генерування відео.

Для більшості звичайних користувачів це нічого не змінює безпосередньо сьогодні. На це впливають розробники та дослідники, які будують інструменти зображень, творчі додатки та бізнес-програмне забезпечення, які звичайні люди врешті-решт використовують. Кращі та дешевші конвеєри навчання, як правило, означають, що спеціалізовані функції AI приходять швидше та за нижчою ціною.

Програмне забезпечення доступне зараз на GitHub і задокументовано в офіційному посібнику навчання Diffusers.