Hugging Face bascule Inference Providers de son propre routeur vers celui d'OpenRouter.
Motif de la recommandation :Le changement de routeur d'Inference Providers et les chiffres de coût et de latence permettent de mesurer l'impact sur les appels de modèles open-weight existants.
llama.cpp et ggml publient la version 1.0.0, qui marque l'adoption du versionnage sémantique.
Motif de la recommandation :La version 1.0.0 fixe les règles de versionnage sémantique et de compatibilité API/ABI, ce qui aide les développeurs à évaluer le coût des mises à jour.
IBM publie deux modèles expérimentaux dérivés de Granite 4.1, granite-4.1-3b-LLMON-preview et granite-4.1-8b-LLMON-preview.
Motif de la recommandation :L'article détaille le format LLMON et deux modèles expérimentaux Granite 4.1 entraînés pour le consommer, avec des résultats chiffrés sur la résistance aux injections de prompt.
Le blog Hugging Face fournit des scripts et conteneurs Docker pour fine-tuner TRELLIS.2 avec LoRA sur ses propres assets 3D.
Motif de la recommandation :Le guide détaille quels composants de TRELLIS.2 figer ou entraîner et fournit des scripts et conteneurs exécutables, une méthode transférable à d'autres modèles 3D.
Hugging Face présente les decision models, des modèles qui renvoient une distribution de probabilités sur des réponses prédéfinies sans générer de texte.
Motif de la recommandation :L'article présente l'interface unifiée des decision models et leur prise en charge dans Transformers, llama.cpp et le Hub, utile pour évaluer leur intégration dans les applications existantes.
Allen AI présente ToyBlocks, un cadre de simulation ouvert construit autour d'un bras robotique et de blocs sur une table.
Motif de la recommandation :L'article détaille la génération automatique de données, les protocoles d'évaluation et les résultats de transfert sim-to-real, fournissant un cadre reproductible pour étudier la généralisation des modèles d'action.
NVIDIA ajoute quatre checkpoints à poids ouverts à la famille Cosmos 3 pour la simulation interactive de mondes et la génération de scènes de conduite multi-capteurs et multi-vues. Cosmos3-Nano-Transfer-Auto génère des données de conduite multi-vues avec météo, éclairage et heure variables ; Cosmos3-Nano-Sim-Auto produit en streaming des observations caméra et LiDAR synchronisées ; Cosmos3-Nano-Sim-Transfer transforme les contrôles d'un simulateur et un prompt texte en vidéo photoréaliste ; Cosmos3-Nano-Sim-Bimanual prédit la vidéo à partir des actions d'un robot ou de la caméra. Les quatre modèles sont des exemples post-entraînés de Cosmos 3 Nano avec 16B paramètres entraînables et sont diffusés sous OpenMDW1.1, qui autorise un usage commercial et non commercial selon ses termes.
Motif de la recommandation :NVIDIA ouvre quatre checkpoints Cosmos 3 Nano avec leurs recettes de post-entraînement, ce qui donne un point de départ concret pour la simulation de mondes et la génération de données de conduite.
Gradium revient sur le lancement de Phonon, son modèle TTS qui tourne entièrement sur l'appareil sans serveur ni réseau. Phonon 31m est sous licence Apache 2.0 pour l'anglais.
Motif de la recommandation :L'article détaille les deux tailles de Phonon, les licences, les performances sur le leaderboard TTS et l'intégration dans Transformers, ce qui aide à évaluer un TTS embarqué.
Dharma-AI publie Dharma Field Extractor, un modèle de 2 milliards de paramètres qui prend en entrée l'image d'un document et renvoie des champs structurés en JSON.
Motif de la recommandation :Le texte détaille l'entraînement LoRA, les deux modes de requête et le benchmark comparatif face aux API frontières, utile pour évaluer le compromis qualité-coût.
Collinear AI publie CWE-bench v2, un ensemble public de 100 tâches où un agent doit trouver et corriger une faille de sécurité dans un dépôt open source réel sans casser les fonctionnalités existantes, avec une notation entièrement programmatique et reproductible. Les tâches couvrent 91 CWE différents et un ensemble held-out reste réservé pour suivre les progrès sur des tâches qu'aucun modèle n'a vues. Sur les 11 modèles évalués, Gemini 4 Argon mène avec 67,8 % pass@1 et 81,0 % pass@4, devant Claude Opus 5.5 (67,3 % pass@1, 78,0 % pass@4) ; 95 tâches sont résolues par au moins un modèle, mais le leader échoue encore sur 19 % de l'ensemble à chaque tentative. Le dataset, le grader et le harness sont ouverts, et les tâches sont exécutables depuis le Hub via Harbor.
Motif de la recommandation :Le benchmark public de 100 tâches couvre 91 CWE et fournit un classement reproductible, utile pour situer les capacités de sécurité des modèles.
IBM Research a fine-tuné un modèle 20B open-weight, Palette, pour produire des présentations conformes à un langage de design donné.
Motif de la recommandation :L'article détaille la synthèse de données, l'entraînement LoRA et le harnais de vérification-réparation, une méthode transférable aux sorties structurées vérifiables par code.
L'équipe CUGA d'IBM a fait tourner CUGA, Hermes et Deep Agents avec le même modèle open-weight GLM-5.3-flash sur 90 tâches AppWorld.
Motif de la recommandation :Une comparaison contrôlée à modèle constant quantifie l'écart entre harnesses et détaille les points d'application des règles d'entreprise.
Hugging Face présente transformers-mic, un standard proposé pour empaqueter les tests d'intégration de modèles sous forme de contrats. Chaque contrat comprend une fixture de modèle réduit.
Motif de la recommandation :L'article détaille la méthode de réduction des points de contrôle et le mécanisme de test par contrat, utile pour comprendre comment les régressions de modèles sont interceptées avant la fusion.
Mistral AI publie les poids ouverts de Mistral Large 4 (Le Chonk), un modèle multimodal natif de 1 000 milliards de paramètres entraîné en Europe.
Motif de la recommandation :L'original détaille les performances de Mistral Large 4 sur le codage agentique et la cybersécurité défensive, ainsi que trois modes de raisonnement et le tarif API.
Hugging Face publie deux packages Swift open source, AnySpeechRecognizer et AnyDecisionModel.
Motif de la recommandation :L'article détaille les API Swift, les moteurs interchangeables et les taux d'erreur mesurés, ce qui permet d'évaluer le choix d'un moteur local pour la reconnaissance vocale et la prise de décision.
NVIDIA publie Nemotron 3.5 Transcribe, un modèle open-weight pilotable par prompt qui réunit transcription en 40 langues.
Motif de la recommandation :Le modèle open-weight réunit transcription, diarisation et traduction en un seul checkpoint, avec les recettes de données et de fine-tuning pour l'adapter à un domaine.
Liquid AI publie LFM3, une famille de six modèles 2B (texte, vision, audio, omni et décision) tous dérivés du socle LFM3-1.7B-Base.
Motif de la recommandation :LFM3 détaille une architecture tri-hybride et six modèles 2B partageant un même socle, avec des chiffres comparatifs face à LFM2 et Qwen.
Microsoft et Hugging Face publient ThinkingBox-Training sur GitHub.
Motif de la recommandation :Le texte détaille la sélection de tâches par difficulté relative à la politique et la boucle de récompense par état final, transférables à d'autres entraînements d'agents.
AllenAI publie OlmoEarth v1.3, un modèle d'embedding satellite qui produit un vecteur de 128 dimensions par pixel de 10 mètres à partir des séries temporelles Sentinel-1.
Motif de la recommandation :Le modèle d'embedding satellite est publié avec ses poids, ses données et son code, et les embeddings mondiaux précalculés permettent de tester directement des cartes sans GPU.
NVIDIA publie Kumo Relational, un modèle de fondation relationnel pré-entraîné qui prédit directement sur les bases de données d'entreprise en une seule passe avant.
Motif de la recommandation :Le modèle pré-entraîné prédit directement sur les bases relationnelles sans entraînement spécifique, avec des résultats comparés aux pipelines supervisés et un accès open source.