К содержимому
Другое

Energy-Tweedie

веса к статье NeurIPS 2026 по диффузионным моделям

2 мин чтенияобновлено

Набор PyTorch-чекпоинтов и конфигураций от Andrej Leban (University of Michigan) к статье для конференции NeurIPS 2026. Работа обобщает формулу Твиди для распределений шума Гиббса (Gibbs noise distributions), что позволяет оценивать градиенты плотности (score estimation) через апостериорные сэмплы и восстанавливать неизвестные параметры шума по зашумлённым данным. В репозитории выложены готовые модели для классических синтетических и базовых бенчмарков — Eight-Gaussians и MNIST. Пригодится исследователям и разработчикам, изучающим математические основы диффузионных моделей и методы сэмплирования.

Ключевые особенности

  • Обобщение формулы Твиди: теоретический мост между энергетическими моделями, апостериорным сэмплированием и score-based диффузией.
  • Четыре набора экспериментов: отдельные директории для оценки скора и сэмплирования, сравнения оценщиков (ET-DSM и Hyvärinen), восстановления параметров шума и генерации MNIST.
  • Полная воспроизводимость: рядом с каждым чекпоинтом лежат готовые файлы конфигурации config.yaml или config.json для ноутбуков и скриптов обучения.

Что можно сделать

  • Воспроизвести эксперименты NeurIPS 2026: запустить генерацию сэмплов по пяти траекториям на MNIST или сравнить методы оценки скора на Eight-Gaussians.
  • Оценивать параметры шума: использовать чекпоинты из parameter_estimation/ для изучения восстановления характеристик неизвестного шума по искажённым данным.
  • Адаптировать под свои исследования: взять за основу скрипты обучения и конфигурации из репозитория для тестирования Energy-Tweedie на собственных датасетах.

Пример

import torch
from huggingface_hub import hf_hub_download
from omegaconf import OmegaConf
from utils.mnist import build_mnist_engressor

cfg = OmegaConf.load(hf_hub_download("andleb/et", "mnist/posterior/config.yaml"))
ckpt = torch.load(hf_hub_download("andleb/et", "mnist/posterior/final.pt"), map_location="cpu", weights_only=True)
engressor = build_mnist_engressor(cfg, device="cpu")
engressor.model.load_state_dict(ckpt["model_state_dict"])
ПодробнееДатасеты: Eight-Gaussians и MNIST (пятипараметрическая апостериорная модель).
Требования: PyTorch, huggingface_hub, omegaconf и код из GitHub-репозитория andleb/et (в примере загрузка идёт на CPU).
Лицензия: BSD 3-Clause.
Обсудить Telegram 1 22

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.4 GB · готовые файлы1.0 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.7 GB
  • 4-bitвеса 0.1 GB0.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # andleb/et
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download andleb/et --local-dir ~/models/et
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к et
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии et — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

andleb/et
Автор
andleb
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

221

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

LIS1-0.8B

LIS1-0.8B