Mirabilia — Checkpoints

Poids entraînés du projet Mirabilia_Painter, une réimplémentation de "Learning to Paint" (DDPG + renderer neuronal différentiable) et ses évolutions, documentées publiquement dans la série Mirabilia.

Un agent RL apprend à peindre une image cible en posant des traits rectangulaires opaques sur une toile 64×64, guidé par un signal L2 incrémental.

Contenu du repo

Dossier	Modèle	Description
painter/	DDPG (le peintre)	actor.pt, critic.pt, disc.pt, disc_target.pt, opt.pt
llm/	GPT decoder-only (from scratch)	gpt.pt (poids), opt.pt (optimiseur) par itération
diffusion/	UNet (diffusion)	unet.pt, unet_ema.pt, opt.pt par époque
diffusion_cache/	Embeddings	Embeddings texte précalculés (reproductibilité)

Chaque sous-dossier contient un checkpoint par étape d'entraînement (ex. painter/ep_006000/, llm/iter_720000/, diffusion/ep_002000/).

Les fichiers opt.pt (états de l'optimiseur) ne sont utiles que pour reprendre un entraînement ; pour utiliser un modèle, seuls les poids (actor.pt, gpt.pt, unet_ema.pt) sont nécessaires.

Utilisation

from huggingface_hub import hf_hub_download
import torch

# Exemple : charger le peintre DDPG final
path = hf_hub_download(repo_id="RaphGonz/Mirabilia", filename="painter/ep_006000/actor.pt")
state = torch.load(path, map_location="cpu")

Voir le dépôt GitHub pour l'architecture complète, l'environnement et les scripts d'entraînement.

Stack

PyTorch 2.7 · CUDA 12.x · entraînement local (GPU NVIDIA).