ViRDM permet de post-entraîner un générateur vidéo causal sans modèle enseignant ni critique
1 sourcemis à jour 25 sept.pertinence 2,8 sur5
L’essentiel
Avec 20 mises à jour du générateur et 16 heures-GPU A100, la méthode atteint 84,87 sur VBench officiel, soit 0,36 de plus que la meilleure référence causale en peu d’étapes précédente.
Propagation1 article, publié par HF Daily Papers le 25 sept..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceZichong Meng, Chongjian Ge, Chun-Hao P. Huang et al.huggingface.co
ViRDM: Taming Representation Distribution Matching for Few-Step Causal Video Generation (site externe)
By coupling RDM with stochastically truncated clean-exit supervision, a lightweight VAE decoder, and staged vector--Jacobian products, ViRDM makes representation distribution matching memory-feasible for multi-step causal video rollouts.
Sur les mêmes thèmes
Infra
Ai2 publie Olmo-core 3, son framework d’entraînement ouvert pour de grands modèles à mélange d’experts
Infra
SlimWise élague les experts uniquement au décodage pour servir plus efficacement les modèles MoE
Recherche
RayOrch, un moteur distribué, préserve les liens parent-enfant dans la préparation de données d’IA
Infra
TRACE propose un entraînement FP4 par RL pour les modèles MoE, guidé par les rollouts
À lire ensuite
Modèles
Google DeepMind annonce Gemini 4 Argon, déployé d’abord auprès de défenseurs cyber de confiance via Fairwind
Modèles
OpenAI lance GPT-6 Sol et GPT-6 Luna, deux modèles plus économiques qui complètent GPT-6 Astra
Modèles
Anthropic publie Claude Opus 5.5 et OpenAI lance GPT-6 Sol et GPT-6 Luna à environ une heure d’écart
Modèles
Anthropic lance Claude Sonnet 5.5, deuxième modèle de la famille Claude 5.5