Inicio Proyectos VADER
VADER
Python

VADER

Alineación de difusión de video a través de gradientes de recompensa. Mejoramos una variedad de modelos de difusión de video como VideoCrafter, OpenSora, ModelScope y StableVideoDiffusion ajustándolos utilizando varios modelos de recompensa como HPS, PickScore, VideoMAE, VJEPA, YOLO, Aes.

por mihirp1998 · GitHub
Estrellas
Ramas
Creado
Último commit
Categoría
Lenguaje
alignmentdiffusionreinforcement-learningPython
Ver en GitHub
En palabras simples

Mejorar modelos de video ajustándolos según la retroalimentación de sistemas de recompensa.

¿Mantienes este proyecto?

Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.

Reivindicar esta pagina →
VADER — GitHub preview card
📈 Historial de estrellas
316315
2026-07-202026-08-31
📈 Sigue VADER

Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.

Gratis · sin tarjeta · cancela cuando quieras
Recibir alertas por email →
📄 Acerca de

Alineación de difusión de video a través de gradientes de recompensa. Mejoramos una variedad de modelos de difusión de video como VideoCrafter, OpenSora, ModelScope y StableVideoDiffusion ajustándolos utilizando varios modelos de recompensa como HPS, PickScore, VideoMAE, VJEPA, YOLO, Aes.

VADER tiene 315 estrellas en GitHub. Se ha bifurcado 15 veces. VADER está escrito principalmente en Python. Se desarrolla activamente desde 2024. Sus temas principales son: alignment, diffusion, reinforcement-learning, reinforcement-learning-human-feedback.

Frequently asked questions

¿Qué es VADER?

Alineación de difusión de video a través de gradientes de recompensa. Mejoramos una variedad de modelos de difusión de video como VideoCrafter, OpenSora, ModelScope y StableVideoDiffusion ajustándolos utilizando varios modelos de recompensa como HPS, PickScore, VideoMAE, VJEPA, YOLO, Aes.

¿VADER es de código abierto?

VADER es un proyecto de código abierto.

¿VADER es gratis?

Sí. VADER es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.

¿En qué lenguaje está escrito VADER?

VADER está escrito principalmente en Python.

🏅 ¿Mantenedor de este proyecto?
olud.ai badge — VADER

Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=mihirp1998-vader)](https://olud.ai/project/mihirp1998-vader.html)
Más opciones de distintivos →
🧬 Comparte ADN con🧬 Ver el mapa de ADN →
AlignProp
AlignProp utiliza retropropagación de recompensa directa para la alineación de modelos de difus…
324 · alignment
compartealignmentreinforcement-learning
MixGRPO
[ECCV 2026] MixGRPO: Desbloqueando la eficiencia de GRPO basada en flujo con ODE-SDE mixto
1.2k · diffusion
compartediffusionreinforcement-learning
Flow-Factory
Un marco unificado para un fácil aprendizaje por refuerzo en modelos de Coincidencia de Flujo
629 · diffusion
compartediffusionreinforcement-learning
awesome-alignment-of-diffusion-models
[ACM Computing Surveys] La colección de documentos increíbles sobre la alineación de modelos de…
431 · alignment
compartealignment
rlhf-book
Libro de texto sobre aprendizaje por refuerzo a partir de retroalimentación humana
2.2k · ai
compartealignment
awesome-image-alignment-and-stitching
Una lista curada de recursos impresionantes para alineación y costura de imágenes ...
462 · alignment
compartealignment
DataDreamer
DataDreamer: Prompt. Generar Datos Sintéticos. Entrenar y Alinear Modelos.   🤖💤
1.1k · alignment
compartealignment
MegaDLMs
Marco optimizado para GPU para entrenar modelos de lenguaje de difusión a cualquier escala. El…
344 · diffusion
compartediffusion
REPA
[ICLR'25 Oral] Alineación de Representación para Generación: Entrenar Transformadores de Difusi…
1.7k · diffusion
compartediffusion
StyleKeeper
Implementación oficial de Pytorch de "StyleKeeper: Prevención de Fugas de Contenido usando Guía…
483 · diffusion
compartediffusion

Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.