Fizgig 9.2 reduce a 20 minutos el entrenamiento de LoRA de MOSS-Image
Fizgig 9.2 usa PyTorch 2.15 y un paso Muon más rápido: un LoRA de MOSS-Image entrena en 20 minutos en vez de 49 en RTX 5090, con un tercio de memoria. Los LoRA cargan en ComfyUI.
Fizgig 9.2, publicado el 8 de noviembre, hace que cada entrenamiento sea más rápido y ligero, y MOSS-Image más que ninguno. En una RTX 5090, un LoRA de MOSS-Image (94 imágenes, lote 1, Muon, 70 épocas) ahora termina en unos 20 minutos en lugar de 49, y las puntuaciones de parecido salieron iguales o mejores (notas de la versión).
La pestaña Iniciar de Fizgig. El entrenador se ejecuta por su cuenta y luego guarda LoRA en formato kohya para ComfyUI/models/loras/.
Los números
| LoRA de MOSS-Image en una RTX 5090 | Antes de 9.2 | 9.2 |
|---|---|---|
| 94 imágenes, lote 1, Muon, 70 épocas | 49 min | unos 20 min |
| Memoria, lote 3, gradient checkpointing | 21,7 GB | 7,1 GB |
Con lote 3, el entrenador ahora iguala los 1,07 s por paso de OneTrainer en la misma tarjeta usando menos memoria (6,9 GB frente a 7,4 GB), así que los entrenamientos por lotes son una opción práctica y no un compromiso.
Un entrenamiento en la pestaña Entrenamiento, con la cola en la barra lateral.
Qué cambió
- PyTorch 2.15. Con el gradient checkpointing activado, la memoria baja mucho: Krea 2 con lote 1 pasa de 22,9 a 14,9 GB. En un portátil con una 4090 de 16 GB, Fibo 2.0 entrena un 22% más rápido, Klein un 13% y Krea 2 un 11%.
- Un paso Muon más rápido. Ahora procesa las matrices de un LoRA en conjunto en lugar de una por una: 12 veces más rápido, con los mismos resultados. El entrenamiento de LoKR es de 4 a 6 veces más rápido en todos los modelos.
- Lotes más rápidos. Los captions de distintas longitudes ya no ralentizan la atención: pasos un 18% más rápidos en MOSS-Image, un 12% en Krea 2 y un 9% en Qwen-Image 2.1.
MOSS-Image Turbo Train
La versión 9.2.5 añade un preset experimental MOSS-Image Turbo Train: el preset Fast (rank 16, 0,25 MP, Muon) con Adaptive LR funcionando entre 2e-4 y 4e-4, y seguimiento por imagen para que cada foto lleve su propio ritmo. Es una forma rápida de ver en qué podría convertirse un LoRA antes de comprometerse con un entrenamiento largo, y aguanta bien con un buen dataset.
Los presets de MOSS-Image también pasaron a un nuevo reparto Clean-end, 30:7:60:8:3: un 30% de los pasos con imágenes casi limpias hasta la época 7, y luego un 60% desde la época 8. Vuelve a cargar un preset para aplicarlo, ya que las configuraciones guardadas conservan la programación anterior.
Actualizar
La actualización descarga PyTorch 2.15 (unos 3 GB) y necesita Python 3.11 o superior. Los controladores de NVIDIA deben ser compatibles con CUDA 13, versión 580 o superior; si Fizgig no detecta la GPU después de actualizar, actualiza el controlador. En AMD, el PyTorch con ROCm incluido no cambia, y los pods alquilados reciben la nueva versión tras reiniciar.
.safetensors normales que se cargan con el cargador de LoRA estándar de ComfyUI.
Comentarios
Inicia sesión con GitHub para unirte a la conversación.