Florian Euchner a publié ESP-SDR sur GitHub, un firmware qui transforme la radio Wi-Fi 2。
Motif de la recommandation :Un firmware open source transforme la radio Wi-Fi de l'ESP32 en SDR sans matériel dédié, avec les limites de calibration documentées.
NVIDIA publie Kumo Tabular, un modèle de fondation open source pour la classification et la régression sur données tabulaires.
Motif de la recommandation :NVIDIA ouvre un modèle de fondation tabulaire pré-entraîné uniquement sur des données synthétiques, avec poids et bibliothèque d'inférence, ce qui permet de mesurer le passage des arbres boostés à l'apprentissage en contexte.
H Company publie la série Holo4, des modèles agentiques en deux tailles : 27B dense et 35B-A3B Mixture of Experts.
Motif de la recommandation :Holo4 couvre GUI, code, MCP et API avec un même modèle, et les trajectoires des benchmarks sont ouvertes, ce qui permet de comparer le coût et les performances des agents computer-use.
Cactus Compute présente Needle 2, un modèle de function calling de 14 Mo qui transforme des instructions en anglais en actions locales sur un Raspberry Pi 5.
Motif de la recommandation :Un exemple concret de modèle de function calling de 14 Mo exécuté en local sur Raspberry Pi 5, avec latences et consommation mémoire mesurées.
NVIDIA publie Isaac ROS 5.0, une collection de paquets accélérés par GPU bâtie sur ROS。
Motif de la recommandation :NVIDIA détaille les workflows agentiques et le support de ROS Lyrical dans Isaac ROS 5.0, ce qui permet de situer les changements pour les développeurs robotiques.
Hugging Face ajoute le support de l'exécution des modèles GGUF dans transformers。
Motif de la recommandation :L'original expose la méthode d'intégration GGUF dans transformers et les écarts de débit avec llama.cpp, ce qui permet de juger si l'inférence locale peut passer sur les API existantes.
Hugging Face annonce la release candidate de tokenizers v1, dont le chemin d'encodage est 3 à 30 fois plus rapide que la v0.23 sur un thread avec un Apple M4 Max。
Motif de la recommandation :L'article détaille les changements d'implémentation de tokenizers v1 et fournit des benchmarks reproductibles, ce qui permet d'évaluer l'impact sur les pipelines d'entraînement et de service.
TRL v1.14 prend en charge l'entraînement d'un adaptateur LoRA dans AsyncGRPOTrainer et ne synchronise que cet adaptateur vers vLLM。
Motif de la recommandation :L'article détaille une architecture concrète pour entraîner un adaptateur LoRA avec Async GRPO sur des Jobs séparés, avec des chiffres de bout en bout et un diagnostic du goulot d'étranglement.
Mistral a annoncé une levée de 3 milliards d'euros en série D à une valorisation post-money de plus de 21 milliards d'euros.
Motif de la recommandation :Le tour de table et la valorisation de Mistral, ainsi que la liste des investisseurs, permettent de situer les moyens engagés pour l'IA souveraine en Europe.
Microsoft Research présente GigaPath-Flash et GigaTIME-Flash, deux modèles de fondation en pathologie dérivés de GigaPath et GigaTIME.
Motif de la recommandation :L'original expose les compromis efficacité-performance et les estimations de temps GPU, ce qui permet de juger si l'analyse à grande échelle devient réalisable.
Liquid AI publie les points de contrôle DSpark draft pour trois modèles de la famille LFM2.5 。
Motif de la recommandation :Liquid AI publie les points de contrôle DSpark pour trois modèles LFM2.5, avec des chiffres de gain de débit sur H100 et MacBook et un support llama.cpp et SGLang dès le premier jour.
NVIDIA publie Magpie TTS Multilingue, un modèle à poids ouverts de 364M de paramètres couvrant 12 langues。
Motif de la recommandation :Le modèle open weights et les chiffres de latence par GPU permettent d'évaluer le coût d'un pipeline vocal auto-hébergé.
Multiverse Computing 发布论文« Efficient Knowledge Distillation for LLMs: Offline Top-K Logits and a Fused Chunked KL Loss »。
Motif de la recommandation :提出离线 top-K logits 缓存与融合分块 KL 损失两项系统改动, 把长上下文蒸馏显存从数百 GB 降到单卡可跑.
Mistral AI publie Shieldstral, un classificateur de sécurité multimodal de 3B paramètres sous licence Apache 2.0。
Motif de la recommandation :Un classificateur de sécurité multimodal de 3B paramètres, à poids ouverts et adaptable par politique, qui permet de mesurer l'impact sur les garde-fous existants.
Microsoft Research présente Orchard, un cadre open source pour l'IA agentique à grande échelle。
Motif de la recommandation :Le cadre open source et les recettes d'entraînement par domaine montrent comment de petits modèles ouverts atteignent des scores élevés sur SWE-bench Verified et des benchmarks web.
Thinking Machines Lab a publié sur Hugging Face Inkling, un grand modèle de langage multimodal open source d'environ 1T de paramètres (975B au total。
Motif de la recommandation :L'article détaille l'architecture MoE, les variantes de quantification et le support d'inférence jour 0, ce qui aide à évaluer les besoins matériels et les options de déploiement.
Mistral AI présente Robostral Navigate, un modèle 8B de navigation incarnée qui utilise uniquement une caméra RGB et une instruction en langage naturel pour déplacer un robot dans des environnements complexes. Il atteint 76,6 % de réussite sur R2R-CE validation unseen, soit 9,7 points de plus que la meilleure approche à caméra unique et 4,5 points de plus que le meilleur système utilisant profondeur ou plusieurs caméras. Le modèle est entraîné entièrement en simulation sur environ 2,4 millions de trajectoires issues de 350k scènes, avec une méthode de prefix-caching qui réduit de 22× le nombre de tokens d'entraînement, puis un apprentissage par renforcement en ligne CISPO qui améliore le taux de réussite de 3,2 %. Il fonctionne sur robots à roues, à pattes et volants, et s'adapte à des obstacles réels non vus à l'entraînement.
Motif de la recommandation :Un modèle de navigation incarnée de 8B qui atteint 76,6 % sur R2R-CE avec une seule caméra RGB, avec les détails d'entraînement et de RL.
LeRobot v0.6.0 introduit des politiques à modèle du monde (VLA-JEPA, FastWAM, LingBot-VA)。
Motif de la recommandation :LeRobot v0.6.0 expose en détail les nouveaux modèles, benchmarks et outils de déploiement, ce qui permet de juger l'évolution de la boucle d'apprentissage robotique open source.
Mistral AI publie Leanstral 1.5, un modèle gratuit sous licence Apache-2.0 de 119B de paramètres totaux et 6B actifs。
Motif de la recommandation :Leanstral 1.5 est publié sous licence Apache-2.0 avec 6B de paramètres actifs, des scores sur miniF2F, PutnamBench et FATE, et la découverte de bugs inédits.
Z.ai présente GLM-5.2, son nouveau modèle phare pour les tâches longue durée, qui succède à GLM-5.1 et prend en charge un contexte solide de 1M tokens. Il introduit IndexShare。
Motif de la recommandation :Le modèle phare GLM-5.2 est publié avec un contexte de 1M tokens et des benchmarks de codage longue durée, ce qui permet de comparer les performances des modèles ouverts et fermés.