Hugging Face × NVIDIA が大規模Diffusion微調整を統合 ── NeMo Automodel × 🤗 Diffusers でチェックポイント変換ゼロ
拡散モデルのファインチューニング、GPU数桁上げようとするだけで途端にしんどくなる──こういう悩み、正直エンジニアなら誰もが抱えているはず。NVIDIAとHugging Faceがタグを組んで、その壁をガッツリ壊す統合を公開した。「NeMo Automodel」を使えば、Diffusers対応モデルなら何でも分散学習に放り込める。
▸何が変わったのか
NVIDIA NeMo AutomodelというPyTorch DTensorネイティブのトレーニングライブラリが🤗 Diffusersと統合された。最大のインパクトは、Hugging Face Hub上のDiffusersモデル（FLUX.1-dev、Wan 2.1、HunyuanVideoなど）をチェックポイント変換なしでそのまま分散学習に回せる点。並列化はFSDP2、tensor parallel、expert parallel、context parallel、pipeline parallelをコード書き換えではなく設定ファイルの宣言で切り替え可能。メモリ効率の高いsharding、latent caching、multiresolution bucketingも標準装備。現在はflow-matchingモデルのみサポートで、ライセンスはApache 2.0。
◈前モデル / 競合との比較
従来のアプローチでは、新しいモデルごとに並列学習用のコードを書き直すか、フレームワーク間でチェックポイントを変換する必要があった。NeMo Automodelは「One program, any scale」を設計原則に掲げ、並列化の切り替えを設定の変更だけで済ませる。さらに、学習後のチェックポイントがそのままDiffusersエコシステムにラウンドトリップできる点も大きな違い。
◈技術背景と意義
FLUXやHunyuanVideoのような画像・動画生成モデルは、学習しようとするとGPUメモリがあっという間に吹き飛ぶ。今までは「分散学習させたい」となると、モデルのコードをゴリゴリ書き直すか、独自形式に変換するなどの手間が欠かせなかった。NeMo Automodelはそこを「Diffusersのモデルクラス（WanTransformer3DModelなど）をそのまま読み込んで、Diffusersのパイプライン（WanPipeline）で生成まで回せる」という設計にしている。つまり、研究者が普段Diffusersで使っているワークフローを一切崩さずに、1台GPUから数百台規模までスケールできる。
▸こんな人・用途に
FLUX.1-devで自社データのLoRAファインチューニングを大規模に回したいチーム。Wan 2.1やHunyuanVideoの動画生成モデルを複数GPU／複数ノードで分散学習させたい研究者。Diffusersエコシステムから一切出ずにエンタープライズ級のトレーニングパイプラインを組みたいエンジニア。
◆入手方法・リンク
Diffusersのトレーニングガイドに統合ドキュメントが公開されている。ライセンスはApache 2.0で完全オープンソース。GitHubリンクは提供テキストに記載なし。
SOURCE: Hugging Face (2026-07-17)
