# NVIDIA et Hugging Face simplifient le fine-tuning sans conversion

> NVIDIA et Hugging Face permettent le fine-tuning à grande échelle sans conversion, optimisant ainsi l'entraînement des modèles diffusion.

Type : Actualité IA · Catégorie : Outils · Publié le 2026-07-18 · Signal IA - Order & Chaos
Source : https://www.orderchaos.eu/signal-ia/actu/nvidia-et-hugging-face-lia-optimisee-sans-conversion
Tags : nvidia, hugging face, diffusion, nemo automodel, fine-tuning, flux, open-source, ia-image

---

## En résumé

- NVIDIA et Hugging Face simplifient le fine-tuning des modèles diffusion avec NeMo Automodel.
- NeMo Automodel permet d'éviter les conversions complexes de checkpoints grâce à une intégration directe.
- Cette solution offre des capacités de parallélisme avancées pour un entraînement plus efficace à l'échelle.

**Le signal :** NVIDIA intègre NeMo Automodel pour le fine-tuning des modèles diffusion sur Diffusers, sans conversion de formats nécessaires.

**[NVIDIA et Hugging Face](/signal-ia/actu/nvidia-redefinit-la-sante-au-japon-avec-lia-et-la-robotique)** ont collaboré pour intégrer NeMo Automodel, facilitant ainsi un fine-tuning efficace des modèles d'images et de vidéos à grande échelle. Cette innovation permet de traiter les modèles directement sur le Hub de Hugging Face sans avoir besoin de conversion de formats, ce qui simplifie grandement le processus pour les développeurs et chercheurs.

**Historiquement**, le fine-tuning des modèles de diffusion nécessitait souvent des changements de format et des réécritures complexes. Avec l'intégration de NeMo Automodel, cela devient obsolète, car le système s'adapte directement aux modèles Diffusers avec une simple configuration.

**Techniquement**, NeMo Automodel introduit des options avancées de [parallélisme](/signal-ia/actu/nvidia-nemotron-3-efficacite-serveur-doublee), comme FSDP2, qui améliorent significativement la performance des modèles sur des infrastructures multi-nœuds. Des modèles renommés tels que FLUX.1-dev bénéficient désormais d'une optimisation pour des performances accrues grâce aux capacités de sharding et de mise en cache.

**Selon les sources**, cette approche rend l'adoption des nouveaux modèles de diffusion plus fluide, nécessitant seulement de petites adaptations de code. Cela bénéficie à la communauté en permettant un [cycle de développement raccourci](/signal-ia/actu/nvidia-reduit-les-couts-dia-avec-nemotron-3-ultra) et une utilisation plus efficiente des ressources technologiques disponibles, le tout sous licence open source.