Hedra Meluncurkan Model Factory untuk Melatih, Menerapkan, dan Menyempurnakan AI di Dunia Nyata

Hedra meluncurkan Model Factory, sebuah platform yang menyatukan infrastruktur GPU, pelatihan lanjutan model, optimalisasi inferensi, dan umpan balik dari produksi dalam satu alur kerja. Perusahaan riset yang didukung a16z ini menyasar tim di bidang robotika, manufaktur, biologi, dan pertahanan yang membutuhkan model yang disesuaikan dengan data dan kondisi operasional mereka sendiri.

Tawaran ini menjawab kesenjangan praktis dalam AI perusahaan: model serbaguna yang mumpuni sering kali baru menjadi titik awal. Untuk mengubahnya menjadi sistem andal bagi video, data sensor, atau tindakan fisik, mungkin diperlukan lingkungan pelatihan khusus, perangkat lunak penerapan khusus, serta cara untuk mengevaluasi setiap versi baru berdasarkan tugas yang harus dijalankannya.

Menghubungkan Pelatihan, Penerapan, dan Umpan Balik Produksi

Model Factory memadukan sandbox GPU yang fleksibel dengan pelatihan lanjutan yang dilakukan oleh para peneliti Hedra bersama agen AI otonom. Pelanggan menyediakan data dan mesin simulasi; Hedra membantu membangun lingkungan pembelajaran penguatan dan kumpulan data, lalu mengoptimalkan cara model yang dihasilkan dijalankan.

“Penyempurnaan diri rekursif sudah mengubah cara model terdepan dikembangkan,” kata Michael Lingelbach, pendiri dan CEO Hedra. “Langkah berikutnya adalah dunia nyata, tempat datanya berupa video, sensor, dan simulasi. Hedra Model Factory menyediakan infrastruktur bagi tim robotika, manufaktur, biologi, dan pertahanan untuk melatih lebih lanjut, menerapkan, dan terus menyempurnakan model mereka sendiri.”

Setelah penerapan, para peneliti menganalisis kinerja dalam produksi, melatih ulang model, dan merilis versi hanya setelah versi tersebut lolos evaluasi pelanggan. Karena itu, kriteria evaluasi menjadi inti layanan ini: model yang lebih cepat tetap harus memenuhi persyaratan aplikasi yang menggunakannya.

Hedra menggunakan istilah penyempurnaan diri rekursif untuk menggambarkan para peneliti dan ilmuwan AI otonom yang mengulang eksperimen, proses pelatihan, dan metode optimalisasi. Proses yang diumumkan ini melibatkan para peneliti dan tahapan evaluasi pelanggan, bukan perubahan otomatis tanpa batas pada model produksi.

Mengapa AI Fisik Membutuhkan Lebih dari Sekadar Tumpukan Penyajian Model Teks

Runtime Model Dunia, atau WMR milik Hedra memberikan konteks tambahan bagi peluncuran ini. Perusahaan tersebut menggambarkannya sebagai mesin inferensi dengan inti terbuka untuk model gambar, video, dunia, dan teks, yang mendukung GPU NVIDIA dan AMD. Optimalisasinya menargetkan langkah-langkah difusi, mekanisme perhatian antarbabak, serta operasi pengodean dan penguraian kode yang dapat menghabiskan banyak waktu GPU dalam beban kerja visual.

Untuk model visi-bahasa-aksi, inferensi menghasilkan tindakan sekaligus menafsirkan masukan. Dalam lingkungan simulasi, model dan lingkungan yang menghasilkan pengalaman pelatihannya sama-sama mungkin membutuhkan akselerator. Karena itu, penyempurnaan alur kerja tidak sekadar memilih model: hal ini dapat mencakup pengurangan perpindahan data, penyesuaian presisi numerik dengan persyaratan kualitas, serta koordinasi antara pelatihan dan penyajian model.

Penawaran sandbox GPU perusahaan ini memungkinkan tim membawa kontainer, dependensi, dan kode model ke lingkungan terisolasi, sementara Hedra mengelola penempatan, penskalaan, dan pemulihan perangkat keras. Tim dapat memodifikasi lingkungan runtime, menjalankan pelatihan atau evaluasi, serta mengekspor checkpoint dan artefak. Platform pelatihannya mendukung penyempurnaan terawasi, adaptor LoRA ringan, dan pembelajaran penguatan, dengan evaluasi checkpoint sebelum model disajikan.

Penyuntingan Gambar Enam Kali Lebih Cepat, dengan Kondisi Tertentu

Rilis peluncuran ini menyoroti penyuntingan gambar Krea 3 sebagai salah satu contoh proses optimalisasi. Hedra menyatakan bahwa mereka memangkas waktu penyuntingan gambar 2K dari sekitar 22 detik menjadi 3,6 detik, dengan menggunakan empat GPU AMD Instinct MI355X yang sama, dalam waktu kurang dari seminggu. Perbandingan ini menggabungkan optimalisasi inferensi dengan distilasi: versi dasar menggunakan model bf16 asli dengan 30 langkah pengambilan sampel, sedangkan versi yang lebih cepat menggunakan model hasil distilasi dengan 14 langkah.

Perbedaan itu penting karena hasil tersebut mencerminkan perubahan pada komputasi model sekaligus perangkat lunak yang menjalankannya. Ini adalah hasil yang dilaporkan untuk beban kerja dan konfigurasi tertentu, bukan percepatan enam kali lipat secara umum untuk setiap model yang disajikan platform tersebut.

Tulisan teknis Krea 3 terpisah dari Hedra menguraikan operasi matriks berpresisi lebih rendah, mekanisme perhatian khusus, operasi gabungan, serta transfer antargpu yang dialihkan ke mesin penyalinan khusus. Perbandingan dari 22,9 detik menjadi 3,3 detik mengukur waktu transformator difusi, bukan latensi permintaan secara keseluruhan. Karena itu, angka-angka tersebut perlu dibaca secara terpisah dari hasil penyuntingan gambar dalam rilis peluncuran.

Fisika Video dan Adaptasi Perangkat Keras Robot

Hedra juga melaporkan pelatihan ulang H3 untuk meningkatkan konsistensi fisik. Model hasil pelatihan ulang itu meraih skor 34,9 pada tolok ukur Physics-IQ milik Google DeepMind, dibandingkan dengan 30,3 untuk H3 Max, dengan kualitas visual yang menurut Hedra sebanding. Menurut perusahaan tersebut, versi hasil distilasi otonom merender klip berdurasi lima detik dalam waktu kurang dari tiga detik pada GPU MI355X.

Dalam contoh lain, sebuah studi simulasi mengganti gripper pada robot yang menjalankan kebijakan terlatih. Menurut Hedra, menyelaraskan jangkauan gripper pengganti dan titik genggamnya dalam tampilan kamera pergelangan tangan memulihkan keberhasilan tugas dari hampir nol menjadi hampir 100% tanpa pelatihan ulang. Temuan ini hanya berlaku untuk pengaturan simulasi yang dilaporkan; temuan tersebut tidak membuktikan bahwa perubahan perangkat keras sembarang dapat ditangani tanpa pelatihan tambahan pada robot yang digunakan di lapangan.

Contoh-contoh ini menunjukkan berbagai sisi dari satu persoalan rekayasa yang sama: mempertahankan perilaku yang bermanfaat sembari mengubah cara model berjalan atau sistem tempat model beroperasi.

Layanan Riset yang Berpusat pada Model Milik Pelanggan

Model Factory tersedia mulai 10 November. Tim dapat bekerja sama dengan para peneliti Hedra untuk membuat model khusus, memulai dengan kapasitas sandbox GPU yang fleksibel tanpa komitmen jangka panjang, atau membawa model yang sudah ada ke mesin inferensinya. Pilihan penerapan mencakup infrastruktur di lokasi sendiri atau pusat data mitra terdekat, dengan sasaran optimasi mulai dari model aksi dunia yang berjalan lebih cepat daripada waktu nyata hingga model visi-bahasa-aksi yang dapat dijalankan pada perangkat edge.

Perusahaan menyatakan bahwa pendapatannya tumbuh 15 kali lipat selama 12 bulan sebelumnya, meskipun pengumuman tersebut tidak mengungkapkan basis pendapatannya. Gambaran umum perusahaan menempatkan platform ini sebagai pengembangan dari pengalaman membangun dan menjalankan model visualnya sendiri.

Bagi pelanggan, nilai utamanya terletak pada rangkaian rekayasa yang saling terhubung: gunakan data domain untuk meningkatkan model, optimalkan model untuk perangkat keras dan batas latensi, evaluasi hasilnya, lalu masukkan pengalaman produksi ke iterasi berikutnya. Keberhasilan pendekatan ini akan bergantung pada evaluasi khusus tugas dan kendala penerapan, sama besarnya dengan kecepatan GPU yang mendasarinya.