torchebm

不跑采样链，GPU 上直接训 EBM 和流匹配

torchebm 是一个基于 PyTorch 的生成建模库，专注能量基模型（EBM）、扩散模型、流匹配和薛定谔桥等现代生成方法的训练。它解决的核心问题是：传统 EBM 训练依赖 MCMC 采样，计算昂贵且不稳定，而 torchebm 提供无模拟（simulation-free）的训练原语，让开发者无需显式跑采样链就能稳定训练大规模模型。核心能力包括可组合的模块化原语（损失函数、采样器、调度器、网络组件），GPU 优先设计，支持对比散度、平衡匹配、流匹配等多种训练目标，方便研究者快速搭建和对比不同生成范式。项目定位偏研究工具，代码结构清晰，适合想深入生成模型底层机制、或需要统一框架实验多种方法的团队。

开源 free 模型训练

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 114

维护状态较活跃

是否开源是

定价模式 free

项目预览

项目数据

分类模型训练

开发团队soran-ghaderi

所属国家

官网地址https://soran-ghaderi.github.io/torchebm

GitHubhttps://github.com/soran-ghaderi/torchebm

定价模式free

价格说明开源免费，采用PyTorch生态许可证

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型contrastive-divergence,cuda,deep-learning,diffusion-models,energy-based-models,equilibrium-matching,flow-matching,generative-models,gpu,hamiltonian-monte-carlo,langevin-dynamics,mcmc-sampling,optimal-transport,probabilistic-machine-learning,pytorch,sampling-methods,schrodinger-bridge,score-matching,simulation-free

GitHub 星标★ 114

30天Star增速

HF 下载量

上线时间2024-10-05 00:00:00

代码更新—

仓库体积—

本站数据更新—

维护状态较活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-10-08

浏览次数0

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

正在加载星标数据…

技术标签

使用教程

—

核心亮点

无模拟训练原语，绕开 MCMC 采样瓶颈，训练更快更稳
统一支持 EBM、扩散、流匹配、薛定谔桥，方便横向对比实验
GPU 优先且模块可组合，损失、采样器、网络组件可自由替换

不足之处

项目早期星标仅 114，生态和预训练资源较少
文档与示例覆盖度有限，上手需要一定生成模型背景

适用场景

研究能量基模型并希望避免 MCMC 采样开销的实验室
需要统一框架对比扩散、流匹配、薛定谔桥效果的算法团队
在 PyTorch 中快速原型验证新生成训练目标的开发者

替代项目

torchdiffeq、jax-flows、stable-diffusion

项目介绍

torchebm 是模型训练领域的开源项目，由 soran-ghaderi 开发，2024 年首次发布。

它收录于模型训练分类，该分类目前共有 544 个项目，GitHub 星标数为 114。

项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-29。开源免费，采用PyTorch生态许可证。

它主要面向的使用场景是：研究能量基模型并希望避免MCMC采样开销的实验室。同类可对比的替代方案包括 torchdiffeq、jax-flows、stable-diffusion。

上一篇：KDFlow

下一篇：没有了！