awesome-repositories.com
Blog
MCP
awesome-repositories.com

Descubre los mejores repositorios open-source con nuestra búsqueda potenciada por IA.

ExplorarBúsquedas curadasAlternativas open-sourceSoftware autohospedableBlogMapa del sitio
ProyectoServidor MCPAcerca deCómo clasificamosPrensa
Aviso legalPrivacidadTérminos
© 2026 Bringes Technology SRL·VAT RO45896025·hello@awesome-repositories.com
·

1 repositorio

Awesome GitHub RepositoriesProbability Path Learning

The process of optimizing a model to learn the specific probability flow trajectory between noise and data.

Distinct from Flow Matching: Focuses on the learning objective of the path rather than the general architectural framework of flow matching.

Explore 1 awesome GitHub repository matching part of an awesome list · Probability Path Learning. Refine with filters or upvote what's useful.

Awesome Probability Path Learning GitHub Repositories

Encuentra los mejores repositorios con IA.Buscaremos los repositorios que mejor coincidan usando IA.
  • facebookresearch/flow_matchingAvatar de facebookresearch

    facebookresearch/flow_matching

    4,562Ver en GitHub↗

    Este proyecto es un framework de modelos generativos basado en PyTorch, diseñado para transformar ruido en distribuciones de datos complejas mediante el aprendizaje de campos vectoriales y trayectorias de probabilidad. Funciona como un kit de herramientas generativo multimodal para producir texto e imágenes sintéticas a través de flujos de probabilidad aprendidos. La librería se distingue por su soporte para integraciones en variedades continuas, discretas y de Riemann. Esto permite que el framework maneje una variedad de tipos de datos, incluyendo datos categóricos mediante el emparejamiento de flujos de estado discreto y espacios no euclidianos mediante la integración en variedades de Riemann. El kit de herramientas cubre todo el pipeline generativo, incluyendo la definición de trayectorias de probabilidad, regresión de campos vectoriales y el uso de solvers de ecuaciones diferenciales para el muestreo de datos. Estas capacidades permiten el entrenamiento e inferencia de modelos generativos capaces de crear contenido sintético en múltiples modalidades.

    Implements the learning process for probability paths across various data modalities.

    Python
    Ver en GitHub↗4,562
  1. Home
  2. Part of an Awesome List
  3. AI & Machine Learning
  4. Flow Matching
  5. Probability Path Learning