Hugging Face publie un modèle open source générant des aquarelles via du code

Hugging Face annonce la publication d’un modèle open source capable de générer des aquarelles numériques en écrivant du code JavaScript exécutable via la bibliothèque p5.brush. Ce projet s’appuie sur des techniques de renforcement par apprentissage (RL) pour affiner la qualité des productions artistiques, avec l’ensemble des artefacts (modèles, scripts, environnements) disponibles sur la plateforme.

Le modèle repose sur une approche hybride combinant génération de code et évaluation esthétique. Il utilise TRL (Transformer Reinforcement Learning) et OpenEnv, un environnement de RL personnalisé, pour entraîner un modèle à produire des instructions JavaScript compatibles avec p5.brush. Cette bibliothèque permet d’ajouter des outils de dessin naturels à p5.js, une bibliothèque JavaScript dédiée au graphisme interactif. L’objectif est de reproduire des compositions aquarelles complexes, comme celles présentées dans une vidéo virale de 1,5 million de vues, où un modèle génère des peintures à partir de prompts textuels.

L’intégralité du pipeline est open source et hébergée sur Hugging Face. Les composants clés incluent :

• Un environnement RL déployé sous forme de Space, servant de terrain d’entraînement pour le modèle.
• Un modèle juge (scorer) également disponible en Space, évaluant la qualité des aquarelles générées via des comparaisons par paires.

Les artefacts (jeux de données de référence, scripts d’entraînement, modèles finetunés) sont regroupés dans une collection dédiée sur le Hub. L’entraînement peut être lancé via une commande unique, combinant des paramètres comme le modèle de base (Qwen/Qwen3.5-35B-A3B), des ajustements LoRA, et des variables d’environnement pour ajuster les récompenses. Les résultats sont ensuite poussés vers le Hub, permettant une réutilisation ou une extension du projet.

L’auteur du projet souligne que l’implémentation suit fidèlement la méthode originale de Surya Narreddi, tout en y ajoutant une dimension open source. Les améliorations ou modifications envisagées sont documentées dans une liste intitulée « What I would try next », incluant des pistes comme l’ajustement des récompenses ou l’optimisation des hyperparamètres.