Hedra lanza Model Factory para entrenar, desplegar y mejorar la IA en el mundo real

Hedra lanza Model Factory, una plataforma que integra infraestructura de GPU, posentrenamiento de modelos, optimización de la inferencia y retroalimentación de producción en un solo flujo de trabajo. La empresa de investigación, respaldada por a16z, se dirige a equipos de robótica, fabricación, biología y defensa que necesitan adaptar modelos a sus propios datos y condiciones operativas.

La propuesta aborda una brecha práctica en la IA empresarial: un modelo de propósito general capaz suele ser solo el punto de partida. Convertirlo en un sistema fiable para video, datos de sensores o acciones físicas puede requerir entornos de entrenamiento personalizados, software especializado para su despliegue y una forma de evaluar cada nueva versión en función de la tarea que debe realizar.

Conectar el entrenamiento, el despliegue y la retroalimentación de producción

Model Factory combina entornos aislados y flexibles de GPU con el posentrenamiento que llevan a cabo investigadores de Hedra junto con agentes autónomos de IA. Los clientes aportan los datos y los motores de simulación; Hedra ayuda a crear entornos de aprendizaje por refuerzo y conjuntos de datos, y luego optimiza la ejecución de los modelos resultantes.

«La automejora recursiva ya está cambiando la forma en que se desarrollan los modelos de vanguardia», afirmó Michael Lingelbach, fundador y director ejecutivo de Hedra. «El siguiente paso es el mundo real, donde los datos son video, sensores y simulaciones. Hedra Model Factory proporciona a los equipos de robótica, fabricación, biología y defensa la infraestructura necesaria para realizar el posentrenamiento, desplegar sus propios modelos y seguir mejorándolos».

Tras el despliegue, los investigadores analizan el rendimiento en producción, vuelven a entrenar el modelo y publican nuevas versiones solo cuando superan las evaluaciones del cliente. Por eso, los criterios de evaluación son fundamentales para el servicio: un modelo más rápido también debe cumplir los requisitos de la aplicación que lo utiliza.

Hedra utiliza el término automejora recursiva para describir el proceso en el que investigadores y científicos autónomos de IA iteran sobre experimentos, ejecuciones de entrenamiento y métodos de optimización. El proceso anunciado incluye la participación de investigadores y etapas de evaluación por parte del cliente, en lugar de permitir cambios automáticos sin restricciones en los modelos de producción.

Por qué la IA física necesita algo más que una infraestructura para servir modelos de texto

El World Model Runtime, o WMR de Hedra aporta contexto adicional al lanzamiento. La empresa lo describe como un motor de inferencia de núcleo abierto para modelos de imagen, video, del mundo y de texto, compatible con GPU de NVIDIA y AMD. Sus optimizaciones se centran en los pasos de difusión, la atención entre fotogramas y las operaciones de codificación y decodificación, que pueden consumir mucho tiempo de GPU en cargas de trabajo visuales.

En un modelo de visión, lenguaje y acción, la inferencia produce acciones además de interpretar entradas. En un entorno simulado, tanto el modelo como el entorno que genera sus experiencias de entrenamiento pueden requerir aceleradores. Por tanto, mejorar el flujo de trabajo implica algo más que elegir un modelo: puede suponer reducir el movimiento de datos, ajustar la precisión numérica a los requisitos de calidad y coordinar el entrenamiento con la prestación del servicio de inferencia.

La oferta de entornos aislados de GPU de la empresa permite a los equipos incorporar contenedores, dependencias y código de modelos en entornos aislados, mientras Hedra gestiona la asignación, el escalado y la recuperación del hardware. Los equipos pueden modificar su entorno de ejecución, realizar entrenamientos o evaluaciones y exportar puntos de control y artefactos. Su plataforma de entrenamiento admite el ajuste fino supervisado, adaptadores LoRA ligeros y aprendizaje por refuerzo, con evaluación de los puntos de control antes de ponerlos en servicio.

Edición de imágenes seis veces más rápida, con condiciones específicas

El comunicado del lanzamiento destaca la edición de imágenes con Krea 3 como ejemplo del proceso de optimización. Hedra afirma que redujo el tiempo de edición de una imagen 2K de unos 22 segundos a 3,6 segundos, en las mismas cuatro GPU AMD Instinct MI355X y en menos de una semana. La comparación combina la optimización de la inferencia con la destilación: la versión de referencia utilizó el modelo bf16 original con 30 pasos de muestreo, mientras que la versión más rápida empleó un modelo destilado de 14 pasos.

Esta distinción es importante porque el resultado refleja cambios tanto en los cálculos del modelo como en el software que los ejecuta. Se trata de un resultado comunicado para una carga de trabajo y una configuración concretas, no de una aceleración general de seis veces para todos los modelos que ofrece la plataforma.

El informe técnico de Krea 3 publicado por separado por Hedra detalla operaciones matriciales de menor precisión, atención personalizada, operaciones fusionadas y transferencias entre GPU trasladadas a motores de copia dedicados. Su comparación de 22,9 a 3,3 segundos mide el tiempo del transformador de difusión, no la latencia de la solicitud completa. Por tanto, esas cifras deben considerarse por separado del resultado de edición de imágenes que figura en el comunicado del lanzamiento.

Física en video y adaptación del hardware robótico

Hedra también informa que volvió a entrenar H3 para mejorar su coherencia física. El modelo reentrenado obtuvo una puntuación de 34,9 en el índice Physics-IQ de Google DeepMind, frente a los 30,3 de H3 Max, con una calidad visual que Hedra describe como comparable. Según la empresa, una versión destilada de forma autónoma generó un clip de cinco segundos en menos de tres segundos con GPU MI355X.

En otro ejemplo, un estudio de simulación sustituyó la pinza de un robot que ejecutaba una política entrenada. Hedra afirma que, al igualar el alcance de la pinza de reemplazo y el punto de agarre en la vista de la cámara de muñeca, el éxito de la tarea pasó de casi cero a casi el 100 % sin necesidad de volver a entrenar el modelo. El hallazgo se refiere a la configuración de simulación descrita; no demuestra que sea posible gestionar cambios arbitrarios de hardware en robots desplegados sin entrenamiento adicional.

Estos ejemplos apuntan a distintas facetas de un mismo problema de ingeniería: preservar un comportamiento útil mientras se modifica la forma en que se ejecuta un modelo o el sistema en el que opera.

Un servicio de investigación basado en modelos propiedad de los clientes

Model Factory está disponible desde el 10 de noviembre. Los equipos pueden colaborar con los investigadores de Hedra en modelos personalizados, empezar con capacidad flexible de GPU en un entorno aislado, sin compromisos a largo plazo, o incorporar un modelo existente a su motor de inferencia. Las opciones de implementación incluyen infraestructura local o un centro de datos cercano de un socio, con objetivos de optimización que van desde modelos de acción del mundo más rápidos que el tiempo real hasta modelos de visión, lenguaje y acción que puedan ejecutarse en dispositivos periféricos.

La empresa afirma que sus ingresos se multiplicaron por 15 durante los 12 meses anteriores, aunque no reveló la cifra de ingresos de referencia en el anuncio. Su descripción general de la empresa presenta la plataforma como una extensión de su experiencia en la creación y puesta en servicio de sus propios modelos visuales.

Para los clientes, la propuesta de fondo es un ciclo de ingeniería integrado: usar datos del dominio para mejorar un modelo, optimizarlo para el hardware y el presupuesto de latencia, evaluar el resultado e incorporar la experiencia de producción a la siguiente iteración. La eficacia de este proceso dependerá tanto de las evaluaciones específicas de cada tarea y de las limitaciones de implementación como de la velocidad de las GPU subyacentes.