Fizgig 9.2 réduit l'entraînement des LoRA MOSS-Image à 20 minutes

Fizgig 9.2, publié le 8 novembre, rend chaque entraînement plus rapide et plus léger, et MOSS-Image plus que tout. Sur une RTX 5090, un LoRA MOSS-Image (94 images, lot 1, Muon, 70 époques) se termine désormais en environ 20 minutes au lieu de 49, avec des scores de ressemblance identiques ou meilleurs (notes de version).

Onglet Start de Fizgig. L'entraîneur fonctionne de manière autonome, puis enregistre des LoRA au format kohya pour ComfyUI/models/loras/.

Les chiffres

Au lot 3, l'entraîneur égale désormais les 1,07 s par étape de OneTrainer sur la même carte tout en utilisant moins de mémoire (6,9 Go contre 7,4 Go), si bien que les exécutions par lots deviennent une option pratique plutôt qu'un compromis.

Une exécution dans l'onglet Training, avec la file d'attente dans la barre latérale.

Ce qui a changé

• PyTorch 2.15. Avec le gradient checkpointing activé, la mémoire chute fortement : Krea 2 au lot 1 passe de 22,9 à 14,9 Go. Sur un portable 4090 de 16 Go, Fibo 2.0 s'entraîne 22 % plus vite, Klein 13 % et Krea 2 11 %.
• Une étape Muon plus rapide. Elle traite désormais les matrices d'un LoRA ensemble au lieu d'une par une : 12 fois plus rapide, à résultats identiques. L'entraînement LoKR est 4 à 6 fois plus rapide sur tous les modèles.
• Des lots plus rapides. Les légendes de longueurs différentes ne ralentissent plus l'attention : étapes 18 % plus rapides sur MOSS-Image, 12 % sur Krea 2, 9 % sur Qwen-Image 2.1.

MOSS-Image Turbo Train

La version 9.2.5 ajoute un preset expérimental MOSS-Image Turbo Train : le preset Fast (rang 16, 0,25 MP, Muon) avec Adaptive LR fonctionnant entre 2e-4 et 4e-4, et un suivi par image pour que chaque photo ait son propre rythme. C'est un moyen rapide de voir ce que pourrait devenir un LoRA avant de s'engager dans une longue exécution, et il tient la route sur un bon jeu de données.

Les presets pour MOSS-Image passent aussi à un nouveau partage Clean-end, 30:7:60:8:3 : 30 % des étapes sur des images presque propres jusqu'à l'époque 7, puis 60 % à partir de l'époque 8. Rechargez un preset pour en profiter, car les paramètres enregistrés conservent l'ancien planning.

Mise à jour

La mise à jour télécharge PyTorch 2.15 (environ 3 Go) et nécessite Python 3.11 ou plus récent. Les pilotes NVIDIA doivent prendre en charge CUDA 13, version 580 ou plus récente ; si Fizgig ne voit plus le GPU après la mise à jour, mettez le pilote à jour. Sur AMD, le PyTorch ROCm fourni est inchangé, et les pods loués récupèrent la nouvelle version après un redémarrage.