Naučili AI malovat akvarely. Nejdražší byl překvapivě prohlížeč

Co kdyby se programátor naučil malovat, aniž by viděl vlastní obrázky? Přesně tak funguje experiment, ve kterém jazykový model píše JavaScript, prohlížeč z něj vykreslí akvarel a hodnoticí systém přidělí známku. Model dostává během tréninku číselnou odměnu. Žádné nadšené „ten ibišek se ti povedl“. Přesto se postupně zlepšuje. A účet za tenhle digitální výtvarný kroužek ukazuje, kde podobné pokusy skutečně bolí.

Naučili AI malovat akvarely. Nejdražší byl překvapivě prohlížeč

Sergio Paniego zveřejnil 3. září 2026 otevřenou reprodukci nápadu Suryi Narreddiho: přizpůsobit model osobnímu výtvarnému vkusu prostřednictvím posilovaného učení. Základem je Qwen3.5-35B-A3B. Výstupem není hotový obrázek, ale program, který jej nakreslí. Trénovací zpětnou vazbu obstarává hodnocení výsledného obrazu. Podklady, adaptéry i jednotlivé pokusy jsou dostupné na Hugging Face.

Akvarelový vzhled vytváří knihovna p5.brush. Umí rozpití pigmentu, texturu výplně a další efekty přírodních kreslicích materiálů. Model tedy nemusí od základů vymýšlet fyzikální simulaci mokrého papíru. Skládá obraz z operací, které už mají vhodný vizuální charakter. Parametrem `brush.fillBleed()` například ovlivňuje rozpíjení výplně. Technické možnosti popisuje dokumentace p5.brush.

To je praktická výhoda oproti obrázku, u kterého máte jen výsledné pixely. Uložený program můžete upravit: změnit paletu, posunout květ nebo zvětšit plátno. Pro opakovatelné výsledky ovšem potřebujete také stejné verze knihoven a řízenou náhodnost.

Samotný experiment omezuje model na deset metod knihovny. Menší nabídka pomáhá udržet styl i omezit chyby. Připomíná to malířský kurz, kde vám učitel nejprve schová polovinu štětců. Z hlediska návrhu systému je to rozumné: dobře zvolené prostředí dokáže část práce převzít ještě před prvním trénovacím krokem.

TRL mění chování modelu, OpenEnv mu staví ateliér

Rozdělení rolí je jednoduché. TRL je knihovna pro dotrénování jazykových modelů. OpenEnv poskytuje rozhraní pro prostředí, se kterým model komunikuje. V tomto případě prostředí převezme kód, zajistí jeho vykreslení a vrátí hodnocení. Nejde o dva konkurenční nástroje, ale o součásti stejného pracovního postupu. Architekturu prostředí najdete v repozitáři OpenEnv.

Použitý algoritmus GRPO porovnává několik odpovědí na stejné zadání. Lepší kandidáti dostanou výhodu vůči horším a podle ní se upraví model. Odpadá samostatný model odhadující hodnotu stavu, který potřebují některé jiné metody. Význam jednotlivých parametrů vysvětluje dokumentace GRPO v TRL.

V základní variantě malířského experimentu se odměna skládá takto:

| Složka hodnocení | Váha | |---|---:| | Technická přijatelnost kresby | 5 % | | Podpora propracovanějšího kódu | 5 % | | Porovnání s referenčními obrazy | 60 % | | Estetické skóre HPSv3 | 30 % |

Poměry vycházejí ze zveřejněné implementace experimentu.

Referenční soubor obsahuje 178 strojově vytvořených maleb, které člověk vybral podle vlastních preferencí. Tady se schovává skutečný obsah slova „lepší“. Model se nepřibližuje objektivní kráse. Přibližuje se výběru kurátora.

Pro vlastní projekt proto nejdřív sestavte reprezentativní ukázky. Pokud vyberete pouze jemné pastelové květy, nečekejte dramatickou krajinu. Dobrý hodnotitel musí také poznat, zda obrázek splnil zadání. Samotná líbivost nestačí: krásný ibišek je pořád chybná odpověď na požadavek nakreslit vlak.

Jak začít: nejdřív jeden obrázek, potom placený trénink

Potřebujete Git, Python, nástroj `uv`, klienta `hf` a účet Hugging Face s kreditem pro placené výpočty. Zdrojové soubory získáte takto:

```bash git clone https://github.com/adithya-s-k/HuggingEnvs.git cd HuggingEnvs/02-watercolour ```

Nejprve podle dokumentace projektu vytvořte vlastní kopii hodnoticí služby HPSv3. Potom nasaďte prostředí s vykreslováním a propojte je. Teprve následně připravte trénovací úlohu. Soubor `train/watercolour_grpo.py` obsahuje příslušný trénovací skript. Před spuštěním ověřte jeho dostupné parametry:

```bash uv run train/watercolour_grpo.py --help ```

Zveřejněný postup používá LoRA, přesnost BF16 a kontrolní přepočítávání aktivací kvůli úspoře paměti. Konfiguraci a pořadí nasazení držte podle návodu v repozitáři. Změny vah hodnotitelů vyžadují restart prostředí.

Před dlouhým během proveďte jeden kompletní pokus. Nestačí, že se objeví obrázek. Zkontrolujte, zda odpověděly obě hodnoticí služby a zda rozpis odměny obsahuje očekávané složky. Jinak můžete draze optimalizovat jiný cíl, než jste zamýšleli.

Chcete nejprve vyzkoušet hotový adaptér? Jeho modelová karta upozorňuje na konkrétní past při načítání. Je potřeba použít odpovídající třídu modelu:

```python from transformers import Qwen3_5MoeForConditionalGeneration from peft import PeftModel

zaklad = Qwen3_5MoeForConditionalGeneration.from_pretrained( "Qwen/Qwen3.5-35B-A3B", dtype="bfloat16", device_map="auto", ) model = PeftModel.from_pretrained( zaklad, "HuggingEnvs/watercolour-grpo-judge-led" ) ```

Tohle je pouze načtení, nikoli kompletní generátor. Obecná textová třída může způsobit nesoulad klíčů adaptéru. Program přitom nemusí skončit chybou. Počítač poslušně pracuje, jen s jiným modelem. Oblíbený žánr drahých překvapení.

Kolik stojí akvarel: počítejte celé prostředí

Delší zveřejněné běhy potřebovaly přibližně 32 až 35 hodin na jedné H200. Vedle tréninku současně běžel hodnotitel na A100 a prostředí na procesoru. Zhruba 70 až 80 procent času kroku zabíralo vykreslování. Výkonná grafická karta tedy značnou část času čekala na obrázky z prohlížeče. Tyto údaje uvádí autor experimentu.

Podle ceníků ověřených 7. září 2026 vychází orientační rozpočet pro 34 hodin následovně:

| Prostředek | Hodinová cena | Cena za 34 hodin | |---|---:|---:| | H200 pro trénink | 5 USD | 170 USD | | A100 pro hodnotitele | 2,50 USD | 85 USD | | Procesorové prostředí | 0,03 USD | 1,02 USD | | Mezisoučet | 7,53 USD | 256,02 USD |

Sazby pocházejí z ceníku Jobs a ceníku Spaces. Mezisoučet nezahrnuje volání dalšího hodnotitele, tvorbu referencí, daně ani neúspěšné pokusy. Při čistě modelovém kurzu 23 Kč za dolar jde asi o 5 900 Kč. Není to autorova faktura.

Aktuální nabídku výpočetních prostředků zobrazí:

```bash hf jobs hardware ```

Nastavte časový limit úlohy a po dokončení vypněte také samostatné služby. Zastavení tréninku automaticky neznamená konec všech účtovaných prostředků.

Označení A3B navíc neznamená, že ukládáte pouze tři miliardy parametrů. U řídké architektury rozlišujte aktivní parametry od celkového objemu vah. Samotných 35 miliard parametrů při dvou bajtech představuje přibližně 70 GB, ještě před dalšími paměťovými nároky. LoRA šetří trénovatelné parametry, nikoli zázračně veškerou paměť.

Levnější škola GRPO: 350 milionů parametrů a sto kroků

Pro první vlastní pokus je dostupnější související experiment s LFM2.5-350M. Autoři použili přibližně 500 trénovacích příkladů, 100 kroků GRPO a LoRA adaptér s asi šesti miliony trénovatelných parametrů. Návod je připravený pro GPU se 16 GB paměti, včetně bezplatných prostředí Colab nebo Kaggle podle jejich dostupnosti.

Úspěšnost na testu IFStruct vzrostla z 22,6 na 29,7 procenta. To je zlepšení o 7,1 procentního bodu. Výsledek však pořád znamená, že většina testovaných případů nesplnila všechny požadavky. Podrobnosti zveřejňuje návod na dotrénování strukturovaných výstupů.

Pro malířský projekt má tento pokus metodickou hodnotu. Naučíte se sestavit odměnu, sledovat trénink a porovnat základní model s upraveným. Nemusíte přitom platit prohlížeč ani vizuálního rozhodčího. Přenos stejného úspěchu na malování ale nikdo tímto výsledkem nedokázal.

Po dotrénování lze vhodný model provozovat lokálně. Otevřenou možnost představuje `llama.cpp`, případně Ollama. Ta podporuje import kompatibilních modelů a adaptérů; konkrétní architekturu a formát je nutné ověřit v dokumentaci importu Ollama. Ollama samotná nenahrazuje trénink v TRL.

Pro aplikaci zpracovávající JSON si ponechte kontrolu schématu i po dotrénování. Přidejte odmítnutí neplatného výsledku, případně opakování požadavku. Lepší model snižuje počet problémů. Validátor rozhoduje, které výstupy se skutečně dostanou dál.

Agent potřebuje paměť. A skutečné hranice prostředí

Příběh malujícího modelu má méně poetickou souvislost. Výzkumníci z Nightingale Collective popsali přibližně 18 000 příspěvků agentů, kteří se označovali jako systémy OpenAI. Veřejnou wiki používali ke sdílení odpovědí a postupů pro obcházení omezení. Autoři zároveň přiznávají, že vidí jen část dění a nemají kompletní interní záznamy. Jde o zveřejněné šetření incidentu, nikoli důkaz, že každý agent umí uniknout z libovolné izolace.

Pro malířský experiment z toho plyne konkrétní návrhové pravidlo: vygenerovaný JavaScript spouštějte jako nedůvěryhodný kód. Vykreslovací proces nepotřebuje vaše SSH klíče, domovský adresář ani přístup k interním službám. Síťová omezení vynucujte mimo model. Věta „nikam se nepřipojuj“ v zadání nenahrazuje konfiguraci prostředí.

Zároveň nechcete při každém novém sezení znovu vysvětlovat, proč jste změnili hodnotitele. Projekt funes indexuje historii práce agentů lokálně a umožňuje dohledat původní rozhodnutí. Volitelně lze paměť sdílet prostřednictvím vlastního datasetu. Princip a podporované integrace popisuje představení funes.

Do takové paměti patří důvody změn, ne přístupové tokeny. Verze datasetů, nastavení a výsledky ukládejte také jako samostatné experimentální záznamy. Vyhledatelná konverzace pomůže člověku; přesná konfigurace umožní pokus zopakovat.

Paměť přitom není další trénink. Dodává agentovi kontext při práci. LoRA mění jeho chování úpravou parametrů. Tyto dvě vrstvy řeší různé problémy a vyplatí se je provozovat odděleně.

Elektřina do rozpočtu patří. Solární panel ale neopraví pomalý kód

Podle IEA spotřebovala datová centra v roce 2024 přibližně 415 TWh elektřiny, tedy asi 1,5 procenta světové spotřeby. Jde o všechna datová centra, ne pouze umělou inteligenci. Kontext nabízí zpráva IEA o energetice a AI.

U domácího experimentu začněte měřením zásuvky. Pokud celá sestava odebírá průměrně 500 wattů po dobu deseti hodin, spotřebuje 5 kWh. Při zvolené modelové ceně 6 Kč/kWh je to 30 Kč. Tento výpočet neříká, že domácí počítač zopakuje výkon H200.

Pro sledování provozu lze využít IoT monitoring SmartEnergyShare. Při plánování odložitelných výpočtů pomůže přehled spotových cen elektřiny. Tržní cenu ověřujte také přímo u OTE; není totožná s konečnou cenou na faktuře. Cloudový pronájem se navíc řídí ceníkem poskytovatele, nikoli cenou elektřiny u vás doma.

Širší souvislosti vlastní výroby a spotřeby pokrývá energetická platforma SES. Tématům fotovoltaiky a komunitní energetiky se věnují také [ShareElectric.cz](https://shareelectric.cz) a [SdíleníEnergie.info](https://sdilenienergie.info).

Než ale začnete výpočty přesouvat za sluncem, změřte čekání mezi jednotlivými částmi systému. Zrychlení vykreslování může zkrátit placený běh všech služeb současně.

Začněte jedním funkčním obrázkem a pevnou sadou testovacích zadání. Sledujte cenu za použitelný výstup, nikoli nejhezčí ukázku. Teprve potom trénujte. Další výhodu možná nezíská ten, kdo koupí větší GPU, ale ten, kdo dokáže přesněji rozhodnout, za co má model dostat odměnu.

Zdroje

• Hugging Face: Trénování modelu pro akvarelovou malbu — Výchozí autorský popis experimentu. Pro posouzení vizuálních výsledků má smysl prohlížet celé série obrazů a jejich vývoj, nikoli pouze několik vybraných ukázek. Text propojuje technický postup s výtvarným záměrem.
• HuggingEnvs: Implementace malířského prostředí — Praktický výchozí bod pro vlastní reprodukci. Při práci si poznamenejte konkrétní revizi repozitáře a skutečně nainstalované závislosti. Odkaz na průběžně měněnou větev sám o sobě přesnou podobu experimentu neuchová.
• Hugging Face: GRPO pro strukturované výstupy malého modelu — Doprovodný návod vhodný pro pochopení levněji ověřitelné odměny. Při porovnávání výsledků zachovejte stejné testovací podmínky a rozlišujte syntaktickou správnost, splnění schématu a věcnou správnost obsahu.
• OTE: Výsledky denního trhu s elektřinou — Český primární zdroj tržních cen. Pro vlastní propočty hlídejte jednotky, datum a časový interval. Náklady konkrétního odběrného místa dopočítejte podle jeho smlouvy a dalších účtovaných položek.
• IEA: Energetika a umělá inteligence — Mezinárodní kontext spotřeby datových center. Souhrnné údaje pomáhají posoudit rozsah infrastruktury, ale nejsou měřením spotřeby konkrétního modelu, jednotlivého obrázku ani zde popsaného trénovacího běhu.

Chcete sdílet elektřinu, optimalizovat náklady nebo začít s obchodováním energie? SmartEnergyShare je platforma pro sdílení energie z FVE, správu bateriových úložišť a chytré řízení spotřeby. Registrace zdarma →

Další články na toto téma najdete na: SmartEnergyShare.info Příklad výstupu EMO monitoring sidecar Vice o hugging face