AWS lance Strands Decider 2B, un modèle de décision open source inspiré de Jev
Amazon Web Services a publié Strands Decider 2B, un modèle de décision open source inspiré de Jev de TypeSafe.
Amazon Web Services a publié Strands Decider 2B, un modèle de décision open source inspiré de Jev de TypeSafe.
Ai2 (Allen Institute for AI) met en open source AstaBrief 8B, un modèle dérivé de Qwen3-8B qui transforme une question de recherche et des extraits de littérature en rapport cité.
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.
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.
OpenAI publie Privacy Filter, un modèle à poids ouverts destiné à détecter et masquer les informations personnelles identifiables (PII) dans du texte, avec une précision annoncée comme état de l'art.
Motif de la recommandation :Un modèle à poids ouverts d'OpenAI dédié à la détection et à la suppression des données personnelles, avec un point d'entrée concret pour les flux de traitement de texte.
OpenAI présente gpt-oss-safeguard, un modèle de raisonnement à poids ouverts destiné à la classification de sécurité。
Motif de la recommandation :Un modèle de raisonnement à poids ouverts dédié à la classification de sécurité, qui permet aux développeurs d'appliquer et d'itérer leurs propres politiques.
OpenAI annonce la sortie de ses modèles à poids ouverts les plus performants à ce jour。
Motif de la recommandation :L'annonce confirme la sortie de modèles à poids ouverts et l'orientation d'accessibilité mondiale, un repère pour suivre l'ouverture des modèles de pointe.
OpenAI présente gpt-oss-120b et gpt-oss-20b, deux modèles de raisonnement à poids ouverts disponibles sous licence Apache 2.0 et selon la politique d'usage gpt-oss.
Motif de la recommandation :Deux modèles de raisonnement à poids ouverts sous licence Apache 2.0, avec leurs tailles et leur politique d'usage précisées.
OpenAI annonce avoir entraîné et publié en open source un réseau de neurones nommé Whisper, dont la robustesse et la précision en reconnaissance de la parole en anglais s'approchent du niveau humain.
Motif de la recommandation :Un modèle de reconnaissance vocale open source qui atteint une robustesse et une précision proches du niveau humain en anglais.
OpenAI présente Jukebox, un réseau de neurones qui génère de la musique en audio brut。
Motif de la recommandation :Présente la génération de musique en audio brut et la mise à disposition des poids et du code, utile pour comprendre les capacités des modèles génératifs audio.
OpenAI publie la plus grande version de GPT-2, avec 1,5 milliard de paramètres。
Motif de la recommandation :La publication de la version complète de GPT-2 1.5B et de ses poids permet de comprendre le processus de publication échelonnée et ses implications pour la détection des sorties.
OpenAI publie le modèle de langage GPT-2 de 774 millions de paramètres, après la sortie du petit modèle 124M en février et la publication échelonnée du modèle moyen 355M en mai。
Motif de la recommandation :L'article retrace le calendrier de publication par étapes de GPT-2 et expose un accord juridique open source pour les partenariats de partage de modèles.
OpenAI 发布了一类新的强化学习算法 Proximal Policy Optimization (PPO), 其表现与当时最先进方法相当或更好, 同时实现和调参都简单得多. PPO 因易用且性能良好, 已成为 OpenAI 默认使用的强化学习算法.
Motif de la recommandation :OpenAI 公开了 PPO 这一强化学习算法的定位与内部采用情况, 可了解其相对已有方法的取舍.