Linum, model eğitimini 3,6 kat hızlandıran JiT-DDT mimarisini tanıttı.

Şirket Linum yeni bir JiT-DDT mimarisi duyurdu, bu mimari generatif modellerin öğrenme sürecini optimize etmek için tasarlandı. Teknoloji, metin açıklamasına göre görüntü oluşturma için sinir ağlarının hazırlık süresini standart difüzyon modellerine (Latent Diffusion Models) kıyasla 3.6 kat azaltmasına olanak tanır.

JiT-DDT'nin temel farkı, geleneksel VAE (Variational Autoencoder) "dar boynuz" kullanmaktan vazgeçmesidir. Bunun yerine mimari, sıkıştırma ve oluşturma süreçlerini tek bir yapıya entegre eder. Sistem, tokenleri 32x32 boyutuna kadar agresif bir şekilde sıkıştırır, bu da öğrenme aşamasında hesaplama yükünü önemli ölçüde azaltır.

Geliştiriciler, bu yaklaşımın, nihai oluşturmanın kalitesini kaybetmeden uzaysal verilerle etkili bir şekilde çalışmasına olanak tanıdığını belirtiyorlar. Sıkıştırmanın model mimarisine doğrudan entegrasyonu, genellikle ölçeklendirme sırasında öğrenmenin darboğazı haline gelen harici kodlayıcılar aracılığıyla ön işlemenin gereksizliğini ortadan kaldırır.

Yeni mimari, görsel generatif modellerin geliştirme maliyetini ve süresini azaltmayı hedefliyor. JiT-DDT'nin kullanımı, araştırmacıların ve mühendislerin aynı donanım üzerinde daha fazla öğrenme iterasyonu gerçekleştirmesine olanak tanır, bu da yüksek performanslı görüntü oluşturma sistemleri oluşturmak için kritik öneme sahiptir.