NVIDIA NeMo + Diffusers | Stefano Salvucci

L'annuncio della collaborazione tra NVIDIA e Hugging Face

NVIDIA e Hugging Face hanno rilasciato un'integrazione tra NeMo Automodel e la libreria Diffusers. L'annuncio è arrivato il 17 luglio 2026. NeMo Automodel permette ora di caricare direttamente modelli in formato Diffusers dal Hub e di eseguire addestramento distribuito senza conversioni di checkpoint. Il codice è open source sotto licenza Apache 2.0 e documentato nella guida al training di Diffusers.

Come funziona NeMo Automodel con i modelli diffusion

A modern, abstract 3D illustration showing a seamless data pipeline flowing through interconnected glowing nodes representing neural network layers, with a central core processing data blocks, styled in sleek dark mode with neon green and blue accents, no text or logos.

NeMo Automodel è una libreria PyTorch basata su DTensor. Carica le classi di modello direttamente da Diffusers, ad esempio WanTransformer3DModel, e usa le pipeline esistenti come WanPipeline per la generazione. Il parallelismo si configura tramite file YAML: FSDP2, tensor parallel, context parallel e pipeline parallel si attivano cambiando solo parametri, senza riscrivere il codice del modello. Il flusso di lavoro tipico prevede tre fasi: pre-codifica del dataset in latenti, lancio del training con una configurazione esistente per FLUX, e generazione dal checkpoint finale senza passaggi aggiuntivi di conversione.

Vantaggi pratici per lo sviluppo

A futuristic tech visualization showing a single glowing microchip expanding into a massive, interconnected cluster of high-performance computing servers, emitting soft blue and purple light, symbolizing scalable computing power, clean and modern aesthetic, no text or logos.

Chi lavora con modelli come FLUX.1-dev o Wan 2.1 può ora scalare il fine-tuning da una singola GPU a cluster di centinaia di schede senza riscrivere script. La cache dei latenti e il bucketing multirisoluzione sono gestiti in modo nativo, riducendo l'uso di memoria. I checkpoint tornano direttamente nel formato Diffusers, quindi si possono caricare con le stesse pipeline usate per l'inferenza. Questo elimina il passaggio intermedio di conversione che prima rallentava i cicli di esperimento.

Punti da considerare prima di adottarlo

L'integrazione supporta al momento modelli basati su flow-matching e richiede configurazioni YAML per attivare il parallelismo corretto. Su dataset molto grandi la fase di pre-codifica rimane un collo di bottiglia se non si dispone di storage veloce. Non sono ancora disponibili ricette Pythoniche complete per tutti i modelli; gli utenti devono ancora adattare i file di configurazione esistenti. Il progetto è comunque accessibile su GitHub e può essere provato senza costi di licenza.

FAQ

NeMo Automodel funziona solo con modelli NVIDIA? No, carica qualsiasi modello in formato Diffusers dal Hub di Hugging Face.

Serve convertire i checkpoint dopo il training? No, i checkpoint restano compatibili con le pipeline Diffusers senza conversioni.

Qual è il requisito minimo hardware? Il training parte da una singola GPU, ma per scalare su più nodi servono configurazioni FSDP2 o tensor parallel.

---

📖 Leggi anche

Hai bisogno di una consulenza?

Aiuto aziende e startup a sviluppare software, automatizzare processi e integrare AI. Parliamone.

Scrivimi