Le développeur Leonardo Alegría publie Garlic LLM, un projet open source qui fait tourner hors ligne le modèle Qwen3.5-9B sur le GPU de 2013 d'une PS4 jailbreakée.
Hugging Face met en ligne un Space qui indique si un modèle Transformers du Hub s'exécute sans modification sur AWS Trainium via le backend PyTorch natif torch-neuronx. Chaque fiche précise le résultat du test, le nombre de cœurs Trainium utilisés, le temps d'exécution compilation incluse et la mémoire device de pointe, avec le script run.py et les versions de neuronx-cc et de Transformers. Les tests se limitent pour l'instant aux modèles de génération de texte et image-texte tenant sur 4 instances Trainium2 (16 cœurs au plus), et les résultats proviennent du dataset public aws-neuron/torch-neuronx-model-support.
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.
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.