Shawn Hymel explique comment entraîner un robot auto-équilibrant à deux roues avec l'algorithme PPO.
Motif de la recommandation :Un tutoriel complet qui part des concepts du RL jusqu'à l'entraînement PPO et le déploiement sur un robot réel, avec code et fichiers de configuration fournis.
Arduino a publié la version 0.11 de son IDE App Lab pour les cartes UNO Q et VENTUNO Q.
Motif de la recommandation :L'original détaille les changements de la version 0.11 d'App Lab, notamment les bundles de publication, le modèle de pose et la diffusion des capteurs du téléphone, ce qui permet de juger de l'impact sur les projets embarqués.
Hugging Face et Pollen Robotics présentent un tutoriel pour entraîner la politique de marche du robot bipède open source Microduck dans Isaac Lab 3.0 avec Newton.
Motif de la recommandation :Le tutoriel détaille le pipeline complet de l'entraînement en simulation au déploiement sur le robot bipède Microduck, avec les commandes et les points d'export ONNX.
Hugging Face a publié AnyLanguageModel 1.0, une API compatible avec le framework Foundation Models d'Apple qui permet de remplacer le modèle utilisé en changeant simplement l'import. La version 1.0 prend en charge l'appel d'outils et la génération guidée pour tous les fournisseurs, ainsi que les images d'entrée, et couvre les modèles locaux via llama.cpp, MLX et Core ML, ainsi que les fournisseurs hébergés comme OpenAI, Anthropic, Gemini, Ollama et Hugging Face Inference Providers. L'article cite également les modèles open-weight les plus téléchargés sur le Hub, dont Gemma 4 E2B et LFM2.5 2.6B, qui tiennent sur un iPhone, et Qwen3.8 27B en MLX, qui nécessite un Mac avec au moins 32 Go de mémoire.
Motif de la recommandation :L'article détaille les changements de l'API unifiée et la liste des fournisseurs pris en charge, utile pour évaluer le coût de migration des applications Swift existantes.
PyTorch 2.15 ajoute le support FP8 sur MPS et accélère le décodage des modèles de langage sur Mac. Sur un M3 Ultra avec torch.compile.
Motif de la recommandation :L'équipe PyTorch de Hugging Face détaille les changements du backend MPS dans PyTorch 2.15, avec des chiffres de débit et de mémoire qui aident à évaluer l'exécution locale de modèles sur Mac.