Theo transforme l'actualité de l'IA en choses à essayer dès ce soir.
Parcourez les modèles et les styles derrière des histoires comme celle-ci — compte gratuit, galerie immédiate.
Explorer le catalogueChoisissez un compagnon et découvrez son avis sur cette histoire
IBM a déployé Granite Switch 4.1.1, une mise à jour significative qui permet de mettre à jour les modèles d'IA en échangeant simplement de petits modules d'adaptateur spécialisés, plutôt que de nécessiter un réentraînement complet de l'ensemble du modèle de base. Ce changement signifie que les créateurs peuvent intégrer de nouvelles capacités et corrections dans leurs flux de travail beaucoup plus rapidement, sans le coût de calcul élevé et le temps des mises à jour de modèles traditionnelles.
Le cœur de Granite Switch 4.1.1 est sa capacité à effectuer ce qu'IBM appelle l'« échange d'adaptateurs ». Au lieu de réentraîner un modèle de base massif à partir de zéro chaque fois qu'un changement ou une amélioration mineure est nécessaire, les développeurs peuvent désormais entraîner des adaptateurs plus petits et spécifiques à une tâche. Ces adaptateurs sont ensuite chargés sur le modèle de base, modifiant son comportement sans altérer son architecture principale. Pour un créateur d'art IA, cela se traduit directement par des cycles de développement plus agiles pour les modèles personnalisés ou les styles spécialisés. Imaginez que vous avez affiné un modèle pour une esthétique artistique particulière, et qu'un nouvel ensemble de données émerge qui pourrait améliorer sa génération de textures. Avec l'échange d'adaptateurs, vous pourriez entraîner un petit adaptateur sur ces nouvelles données de texture et l'appliquer à votre modèle existant, plutôt que de lancer un processus d'affinage coûteux et de plusieurs jours pour l'ensemble du modèle.
Diagramme illustratif du fonctionnement de l'échange d'adaptateurs dans Granite Switch 4.1.1.
Image : Hugging Face Blog
Cette approche est particulièrement bénéfique pour les applications de niche où des mises à jour fréquentes et ciblées sont cruciales. Par exemple, un concepteur de personnages utilisant l'IA pour générer des variations d'un personnage spécifique pourrait vouloir ajuster subtilement les expressions faciales ou les détails vestimentaires. Au lieu de relancer un affinage complet, il pourrait développer un petit adaptateur pour ces ajustements spécifiques. Cela rend l'itération sur les conceptions de personnages beaucoup plus efficace, permettant une expérimentation et un raffinement rapides dans des outils comme la suite de création de personnages de Charmloop.
Le bénéfice le plus immédiat pour les créateurs est la réduction des frais généraux de calcul. L'entraînement d'un grand modèle de base peut coûter des milliers de dollars et prendre des jours ou des semaines sur des GPU puissants. L'entraînement d'un petit adaptateur, en revanche, peut être effectué en quelques heures, voire quelques minutes, sur du matériel beaucoup moins cher. Cette rentabilité ouvre davantage de voies à l'expérimentation, en particulier pour les créateurs indépendants ou les petits studios qui pourraient avoir un accès limité à des ressources informatiques haut de gamme. Elle démocratise la capacité à personnaliser et à mettre à jour les modèles d'IA, allant au-delà du paradigme traditionnel du modèle-en-tant-que-monolithe.
De plus, cette mise à jour rationalise le processus de déploiement. Une fois qu'un adaptateur est entraîné, il peut être rapidement chargé et échangé à l'exécution, de la même manière que les plugins logiciels fonctionnent. Cela signifie qu'une plateforme offrant divers styles ou capacités de modèle pourrait mettre à jour des aspects spécifiques de ses offres sans exiger des utilisateurs qu'ils téléchargent des modèles entièrement nouveaux. Pour les créateurs générant des images avec des styles spécifiques, cela pourrait signifier un accès plus rapide à de nouvelles variations stylistiques ou à des corrections de bugs qui améliorent la qualité de la sortie, facilitant l'exploration de nouvelles directions esthétiques ou le raffinement des existantes. Vous pouvez en savoir plus sur la façon dont les modèles sont développés et déployés dans notre section guides.
L'approche d'IBM avec Granite Switch 4.1.1 reflète une tendance industrielle plus large vers la modularité en IA, traitant les modèles moins comme des artefacts statiques et plus comme des composants logiciels évolutifs. À mesure que le paysage de l'IA mûrit, de telles avancées dans la maintenance des modèles deviendront essentielles pour suivre le rythme de l'innovation rapide et des demandes des utilisateurs.
« Granite Switch 4.1.1 apporte un mécanisme de mise à jour de type logiciel aux grands modèles linguistiques, permettant des modifications ciblées et efficaces. »
— Hugging Face Blog