Argomenti di tendenza
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
Qwen
Modelli di fondazione aperti per AGI.
LightX2V offre supporto Day-0 per Qwen-Image-Edit-2511 — combinando un aumento della velocità del framework del 47% con CFG + distillazione a 4 passaggi (↓25× calcolo) per un'enorme accelerazione end-to-end di 42.55×!⚡️ Un grande grazie a @XHPlus_
3 ore fa
🚀 42.55x Velocità!
LightX2V offre supporto Day 0 per @Alibaba_Qwen il nuovo Qwen-Image-Edit-2511!
🔥 47% aumento della velocità del framework
⚡️ CFG+distillazione a 4 passaggi (↓25x calcolo)
📈 42.55x accelerazione totale
Repo:
Modello:
14
🚀 Presentiamo Qwen-Image-Edit-2511 — un aggiornamento importante rispetto al 2509, che offre una coerenza significativamente più forte e un editing delle immagini nel mondo reale più potente.
✨ Novità in 2511:
👥 Coerenza multi-persona più forte per foto di gruppo e scene complesse
🧩 LoRAs popolari della comunità integrate — nessuna regolazione extra necessaria
💡 Generazione migliorata di design industriale e di prodotto
🔒 Riduzione della deriva delle immagini con una coerenza di carattere e identità notevolmente migliorata
📐 Ragionamento geometrico migliorato, comprese linee di costruzione e modifiche strutturali
Dalle modifiche ai ritratti che preservano l'identità alla fusione multi-persona ad alta fedeltà e flussi di lavoro pratici di ingegneria e design, il 2511 porta l'editing delle immagini al livello successivo.
👉 Provalo ora:
🎨 Qwen Chat (Image Edit):
6
Felice di collaborare con SGLang su Rollout Routing Replay (R3)—ora attivo! 🎉
19 ore fa
SGLang + Miles: Rollout Routing Replay (R3) è ora attivo! 🎉
Siamo entusiasti di annunciare che SGLang e Miles ora supportano il Rollout Routing Replay (R3) per l'addestramento stabile del reinforcement learning sui modelli MoE!
L'addestramento dei modelli MoE con RL è stato notoriamente instabile, portando spesso a un collasso catastrofico. Il problema? L'incoerenza del routing tra i motori di inferenza e di addestramento. R3 risolve questo problema registrando le decisioni di routing degli esperti durante l'inferenza e riproducendole durante l'addestramento.
L'impatto è significativo: riduzione drammatica della discrepanza tra addestramento e inferenza riutilizzando le decisioni di routing dell'inferenza, prevenendo il collasso dell'addestramento. R3 ha pieno supporto per l'addestramento distribuito con DataParallel Attention e tutte le strategie di parallelismo, i modelli supportati includono Qwen3-30B-A3B, deepseek_v2, ecc.
Provalo e facci sapere i tuoi risultati! 🚀
17
Principali
Ranking
Preferiti