Présentation du Model Factory

Hedra Inc. propose le Model Factory, une plateforme de post‑entraînement et d’inférence destinée aux modèles d’IA physique. Le service s’adresse aux secteurs de la robotique, de la fabrication, de la biologie et de la défense. Il combine les équipes de recherche internes de Hedra avec des agents d’IA capables d’orchestrer les cycles d’entraînement selon les spécifications du client.

Architecture et processus RSI

Le pipeline repose sur un environnement sandbox GPU flexible, alimenté par le moteur d’inférence propriétaire de Hedra. Le client fournit un modèle de base et des données propriétaires (simulations, vidéos haute résolution, flux de capteurs). Le processus de Recursive Self‑Improvement (RSI) démarre : des modèles vision‑language évaluent les données, génèrent des scores et offrent un retour d’apprentissage par renforcement en temps réel. Cette boucle autonome ajuste l’architecture du modèle sans intervention humaine directe.

Résultats quantitatifs et validation

Hedra a démontré l’efficacité du système sur deux cas d’usage. Le modèle vidéo H3 de MiniMax Group a été ré‑entraîné, ce qui a fait passer son score au benchmark Physics‑IQ de 30,3 à 34,9. Dans un second test, le modèle d’image Krea 3 2K a été distillé, réduisant le nombre d’étapes d’échantillonnage de 30 à 14 et la latence de 22 s à 3,6 s, soit un gain de six fois en une semaine d’exécution. Un autre exemple montre qu’en cartographiant les nouvelles métriques de prise d’un robot, le taux de succès a atteint 100 % sans entraînement supplémentaire.

Implications et limites

Le Model Factory vise à réduire les coûts de calcul associés à la production de modèles spécialisés, un enjeu majeur lorsqu’on doit entraîner des dizaines de modèles différents pour chaque robot et chaque tâche. En automatisant la collecte, le curage et l’optimisation des données, la plateforme crée un « flywheel » d’amélioration continue. Cependant, la dépendance à des volumes massifs de données multimodales (vidéo, capteurs, simulations) reste un goulot d’étranglement si les sources de données sont limitées ou de mauvaise qualité. De plus, la supervision humaine des boucles RSI, bien que réduite, demeure nécessaire pour garantir la sécurité des systèmes déployés dans des environnements critiques.