Aller au contenu
Aujourd'hui18 novembremer.1 entrées
  1. AWS Machine Learning Blog58

    Construire des agents IA WhatsApp avec Amazon Bedrock AgentCore et SMART

    AWS présente SMART, un SDK Python open source et une stack Terraform qui fournit la couche de canal WhatsApp pour un agent tournant sur Amazon Bedrock AgentCore. L'outil prend en charge la vérification des signatures de webhook, la normalisation des messages, le traitement des médias dont la transcription des notes vocales via Amazon Transcribe, la mémoire de conversation AgentCore liée au numéro de téléphone, la limitation de débit à 20 messages par minute par défaut, la planification via Amazon EventBridge Scheduler et la synchronisation des templates Meta soumis à la fenêtre de 24 heures. Un seul socialagent deploy provisionne le runtime et la mémoire AgentCore, les fonctions Lambda webhook, notification, event et scheduler, les topics Amazon SNS, les buckets Amazon S3, les tableaux de bord Amazon CloudWatch et une guardrail Amazon Bedrock par défaut. L'article indique que Webmotors a ramené un projet initialement prévu sur deux mois à six semaines.

17 novembremar.
  1. Microsoft Research71

    TokenEconomizer : un plugin open source qui réduit les coûts des agents de codage en apprenant des sessions passées

    TokenEconomizer, plugin open source issu d'une collaboration entre UC Berkeley, Microsoft Research et Microsoft Security.

    Motif de la recommandation :L'article détaille trois mécanismes concrets et les résultats sur 277 tâches SWE-Bench, utile pour évaluer comment réduire les coûts des agents de codage sans modifier le modèle.

16 novembrelun.
15 novembredim.
14 novembresam.
13 novembreven.
  1. Hugging Face Blog62

    llama.cpp et ggml publient la version 1.0.0 et introduisent le versionnage sémantique

    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.

  2. Hugging Face Blog72

    IBM publie LLMON, un langage de balisage natif pour LLM, avec les modèles Granite 4.1 3B et 8B

    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.

12 novembrejeu.
  1. Hugging Face Blog62

    Guide de fine-tuning LoRA pour TRELLIS.2 : scripts et conteneurs pour la génération 3D

    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.

  2. AWS Machine Learning Blog71

    Détecter et corriger la corruption silencieuse de données sur Amazon SageMaker HyperPod

    L'équipe SageMaker HyperPod d'AWS propose trois contrôles à insérer dans une boucle d'entraînement PyTorch DDP pour détecter la corruption silencieuse de données (SDC).

    Motif de la recommandation :L'article détaille trois contrôles intégrés à la boucle DDP, avec code, coût mesuré et procédure de remplacement de nœud sur HyperPod.

  3. Adafruit Blog73

    Google open source XSE, un moteur de serving C++ pour l'inférence XLA

    Google a mis en open source XSE (XLA Serving Engine), un runtime C++ qui sert des modèles d'apprentissage automatique sans interpréteur Python dans le chemin d'exécution.

    Motif de la recommandation :L'original expose les performances de XSE sur les requêtes courtes et son périmètre d'usage, ce qui permet de situer la place du serving C++ dans les infrastructures existantes.

11 novembremer.
  1. AWS Machine Learning Blog40

    Amazon Bedrock : construire un data lake d'observabilité des invocations

    AWS publie un modèle CloudFormation pour centraliser les journaux d'invocation d'Amazon Bedrock de plusieurs comptes dans un data lake interrogeable via Athena. Le pipeline capture par appel le prompt, la réponse, les compteurs de tokens d'entrée et de sortie, le modèle utilisé, la raison d'arrêt, le compte, l'horodatage et le rôle IAM, puis convertit les logs en Parquet via Amazon Data Firehose. Les modèles CloudFormation, le code Lambda et les requêtes SQL sont disponibles dans le dépôt GitHub AWS Sample Bedrock Invocation Data Lake.

10 novembremar.
  1. Google DeepMind88

    Google DeepMind présente AlphaProof Code et vérifie formellement le code de Signal

    Google DeepMind présente AlphaProof Code, un cadre agentique multi-LLM qui combine expertise humaine et agents IA pour la vérification formelle de code. Les chercheurs ont ainsi prouvé mathématiquement des propriétés de sécurité du code réel du protocole Signal, avec plus de six millions de lignes de Lean générées par des agents Gemini Carbon et une revue humaine limitée à environ un pour cent du code. Le processus a pris quatre semaines, là où des équipes d'experts y consacrent historiquement des années, et le système a produit des preuves machine-vérifiées que deux bugs réintroduits rendaient le code non sûr. DeepMind ouvre en source ses artefacts de vérification formelle.

    Motif de la recommandation :Le texte détaille le cadre multi-agents, la génération de plus de six millions de lignes de Lean et la vérification du code compilé de Signal, avec un délai de quatre semaines.

  2. Google DeepMind62

    Google DeepMind ouvre les jeux de données SatWeave et PARDIG derrière WeatherNext 3

    Google DeepMind publie SatWeave et PARDIG, deux jeux de données utilisés par son modèle météo WeatherNext 3.

    Motif de la recommandation :L'original expose les caractéristiques des jeux de données SatWeave et PARDIG ainsi que leurs modalités d'accès, ce qui permet de juger de leur utilité pour les applications météo et climat.

9 novembrelun.
7 novembresam.
6 novembreven.
  1. Hugging Face Blog72

    Allen AI présente ToyBlocks, un environnement de simulation contrôlé pour l'apprentissage et l'évaluation des robots

    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.

5 novembrejeu.
4 novembremer.
  1. The Decoder62

    Anthropic publie le prototype FlashProve pour vérifier quel modèle a généré une réponse sans exposer ses poids

    Anthropic a publié FlashProve, un prototype de recherche open source qui utilise la technique cryptographique zkSNARK pour prouver qu'une réponse provient bien du modèle annoncé sans révéler ses poids. Selon le rapport technique, sur un seul GPU H100 avec Llama 4 Maverick (400 milliards de paramètres), la génération de preuves atteint environ 110 tokens par seconde, chaque preuve faisant environ 19 Mo et pouvant être vérifiée en 17 secondes sur un CPU standard, soit un surcoût d'environ 70x à 95x par rapport à l'inférence normale. Le système reste limité : il ne prouve que des contextes allant jusqu'à 1 024 tokens, masque les poids mais pas l'architecture, et ne fonctionne que lorsque le modèle choisit le token suivant le plus probable, pas avec les sorties aléatoires des chatbots. Le code, les preuves Lean et la documentation sont disponibles sur GitHub sous licence Apache 2.0.

  2. TechCrunch · AI58

    Anthropic travaille sur FlashProve, un système open source pour prouver l'identité des modèles d'IA

    Anthropic travaille sur FlashProve, un système open source de « preuve d'inférence » qui produit une preuve cryptographique qu'une sortie provient bien d'un modèle donné. Le système repose sur une empreinte publiée pour chaque modèle, sans révéler les poids, et vise notamment à empêcher une entreprise de substituer discrètement un modèle moins cher ou plus performant. Les chercheurs ont publié une spécification technique détaillée et du code sur GitHub, mais précisent qu'aucun déploiement n'est prévu chez Anthropic ou ailleurs.

  3. Hugging Face Blog62

    Même modèle, harness différent : CUGA, Hermes et Deep Agents comparés sur AppWorld

    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.

3 novembremar.
  1. Hugging Face Blog62

    Hugging Face propose MIC, un contrat de test d'intégration de modèles basé sur des fixtures réduites

    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.

2 novembrelun.
30 octobreven.
29 octobrejeu.