Ajuste Fino

Page 2 of 2

Familia de modelos basada en S3-DiT con variantes optimizadas para calidad, velocidad y bajo consumo de VRAM

Z-Anime: Fine-Tune Completo para Generación Anime sobre Z-Image Base

Z-Anime es un fine-tune completo (no LoRA) de la arquitectura Z-Image Base de Alibaba, adaptado a la generación de estilo anime. Incluye variantes Base, Distill-8-Step y Distill-4-Step en formatos BF16, FP8, GGUF y AIO, con soporte para 8GB VRAM, prompting en lenguaje natural y compatibilidad con LoRA.

Una versión afinada por RunDiffusion para iluminación dramática, textura natural y retratos mejorados

Juggernaut Z: Ajuste cinematográfico de Z-Image Base

Juggernaut Z es un ajuste fino de Z-Image Base, entrenado por KandooAI y publicado por RunDiffusion. Ofrece iluminación más cinematográfica, enfoque nítido, textura de piel refinada y mejor representación étnica. Incluye pesos completos, FP16, FP8 y cuantizaciones GGUF.

Herramienta CLI para saber si puedes ajustar un LLM en tu GPU de consumo antes de descargar los pesos

Guía práctica de can-i-finetune-this: estima VRAM para fine-tuning

can-i-finetune-this estima el consumo de VRAM para fine-tuning con LoRA/QLoRA en GPUs de consumo. Incluye recomendaciones, benchmarks reales, calibración y generación de scripts de entrenamiento listos para usar.

Optimizaciones de entrenamiento e inferencia con cuantización NVFP4 y paralelismo de secuencia para generación de video de alta calidad y tiempo real

LongLive-2.0: Infraestructura paralela NVFP4 para video largo

LongLive-2.0 presenta un sistema de infraestructura paralela basada en NVFP4 para la generación de video largo, con entrenamiento AR paralelo, cuantización W4A4 y KV cache, y decodificación asíncrona, logrando hasta 2.1× de aceleración en entrenamiento y 45.7 FPS en inferencia, manteniendo alta calidad.

Modelos de lenguaje a nivel de byte que combinan tokenización latente jerárquica y difusión discreta para generación paralela

BLT-D: Difusión de bytes con verificación autoregresiva

Byte Latent Transformer (BLT) se combina con difusión discreta por bloques para generar bytes (BLT-D), logrando hasta un 92% de reducción en coste de ancho de banda. Se proponen variantes con verificación autoregresiva (BLT-DV) y auto-especulación (BLT-S). Evaluado en traducción y generación de código con modelos de 1B y 3B parámetros.