Aller au contenu
23 octobreven.
  1. Hugging Face Blog78

    AllenAI publie OlmoEarth v1.3, un modèle d'embedding satellite pour toute la planète

    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.

22 octobrejeu.
  1. Hugging Face Blog78

    NVIDIA publie Kumo Relational, un modèle de fondation relationnel pré-entraîné sans entraînement spécifique

    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.

  2. Hugging Face Blog60

    VocabX : spécialiser le vocabulaire des petits modèles réduit le coût d'inférence de 77 %

    Dharma-AI présente VocabX, une méthode qui reconstruit le vocabulaire d'un modèle spécialisé selon le coût de chaque token plutôt que sa fréquence.

    Motif de la recommandation :L'article détaille le critère de sélection du vocabulaire pondéré par le coût et les résultats mesurés sur un correcteur de copies en production, utile pour évaluer les leviers de coût d'inférence des petits modèles spécialisés.

  3. Hugging Face Blog60

    Entraîner en simulation et déployer sur un vrai robot : Microduck avec Isaac Lab 3.0

    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.

21 octobremer.
  1. Hugging Face Blog62

    NVIDIA lance SimReady Central, une bibliothèque ouverte de plus de 2 000 assets 3D prêts pour la simulation robotique

    NVIDIA annonce SimReady Central, une bibliothèque ouverte hébergée sur Hugging Face qui rassemble plus de 2 000 assets OpenUSD prêts pour la simulation.

    Motif de la recommandation :La bibliothèque rassemble plus de 2 000 assets OpenUSD prêts pour la simulation, avec des profils validés et une recherche en langage naturel, ce qui réduit le travail manuel de construction d'environnements robotiques.

  2. Hugging Face Blog76

    NVIDIA publie Cosmos3-H-Dreams, un simulateur génératif temps réel de cholécystectomie

    NVIDIA publie Cosmos3-H-Dreams, un simulateur génératif de chirurgie clinique entraîné sur des enregistrements de cholécystectomie réalisés sur la plateforme CMR Surgical Versius.

    Motif de la recommandation :Le texte détaille la distillation en quatre et deux étapes, la consolidation du cache et les points de contrôle ouverts, autant d'éléments concrets pour reproduire un simulateur génératif temps réel.

  3. Hugging Face Blog58

    Ai2 publie FairStress, un benchmark qui évalue l'équité des LLM au-delà de la décision finale

    Ai2 présente FairStress, un benchmark mesurant l'équité démographique des LLM non seulement sur la décision finale mais aussi sur la résistance à des arguments persuasifs et sur les explications. Il couvre 300 scénarios réalistes dans 29 domaines, dont recrutement, santé, prêt, éducation et logement, et se décline en plus de 13 millions de cas de test ainsi qu'en un sous-ensemble FairStress-Core de 50K éléments intégré à Olmo-eval. Sur 15 modèles évalués, l'écart moyen d'abandon d'une réponse correcte atteint 6,9 points de pourcentage avec une identité implicite et 9,3 points avec une étiquette explicite, les modèles cédant plus facilement quand le changement favorise un candidat codé minoritaire. La plupart des neuf méthodes de débiaisage testées ne réduisent pas l'asymétrie de façon fiable, certaines au prix d'une forte baisse de précision, tandis que le counterfactual chain-of-thought la réduit en préservant largement la précision.

20 octobremar.
  1. Hugging Face Blog78

    Hugging Face intègre TorchTPU pour exécuter nativement Transformers et Diffusers sur TPU

    Hugging Face annonce le support natif de TorchTPU, un backend PyTorch pour TPU, dans son écosystème.

    Motif de la recommandation :L'article détaille le nouveau backend PyTorch natif pour TPU et son intégration dans Transformers, Diffusers et Kernels, avec des exemples de code et des chiffres de performance.

  2. Hugging Face Blog72

    ALTK-Evolve : la mémoire apprise place un agent GPT-4.1 en tête du benchmark τ²-bench en service client

    ALTK-Evolve, méthode d'IBM Research publiée sur le blog Hugging Face.

    Motif de la recommandation :L'original montre comment des règles comportementales extraites des trajectoires de l'agent améliorent la précision et la fiabilité sans mise à jour des poids, avec des chiffres par domaine.

  3. Hugging Face Blog60

    Hugging Face publie AnyLanguageModel 1.0, avec prise en charge des modèles locaux et hébergés sur les plateformes Apple

    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.

  4. Hugging Face Blog78

    PyTorch 2.15 apporte FP8 et un décodage LLM plus rapide sur le backend MPS des Mac

    PyTorch 2.15 ajoute le support FP8 sur MPS et accélère le décodage des modèles de langage sur Mac. Sur un M3 Ultra avec torch.compile.

    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.

  5. Hugging Face Blog72

    Hugging Face présente TorchNeuron, un backend natif PyTorch pour AWS Trainium

    Hugging Face présente TorchNeuron, un plugin PyTorch qui fait de Neuron un périphérique natif sur AWS Trainium.

    Motif de la recommandation :L'original détaille le nouveau backend natif de PyTorch sur Trainium et les changements d'API dans Transformers, TRL et Diffusers, ce qui permet de juger du coût de migration depuis Optimum Neuron.

17 octobresam.
  1. AWS Machine Learning Blog67

    Reflection AI publie Beam, un modèle à poids ouverts pour le codage agentique, déployable sur AWS

    Reflection AI a publié Beam, un modèle à poids ouverts destiné au codage agentique et aux tâches longues comme la maintenance de code et l'appel d'outils. Beam est un modèle MoE sparse de 501 milliards de paramètres totaux et 23 milliards de paramètres actifs, avec une longueur de contexte effective rapportée de 1 million de tokens ; les poids sont publiés sur Hugging Face sous licence Apache 2.0, avec des variantes de checkpoints BF16, FP8 et NVFP4. Le billet détaille trois voies de déploiement sur AWS : un endpoint temps réel SageMaker JumpStart entièrement managé, SageMaker HyperPod Inference avec JumpStart, SGLang ou vLLM, et l'utilisation de SGLang ou vLLM pour contrôler l'image d'inférence et l'exécution distribuée. Beam est disponible au lancement dans SageMaker JumpStart en US East (N. Virginia) et US East (Ohio).

    Même actualité, affichée dans la sélection« Reflection publie Beam, un modèle MoE ouvert de 501B paramètres dédié au code et aux agents »

16 octobreven.
  1. Hugging Face Blog88

    Reflection publie Beam, un modèle MoE ouvert de 501B paramètres dédié au code et aux agents

    Le laboratoire américain Reflection publie Beam sur Hugging Face, un modèle de langage MoE de 501B paramètres (23B actifs par token) sous licence Apache 2.0.

    Motif de la recommandation :Un modèle MoE de 501B paramètres ouvert sous Apache 2.0, avec recettes d'inférence et de post-entraînement fournies, permet d'évaluer le coût réel d'un déploiement autonome.

  2. Hugging Face Blog62

    NVIDIA et AI4Bharat publient Nemotron-pretraining-Indic-v1 avec un pipeline de génération ouvert

    NVIDIA et AI4Bharat (IIT Madras) annoncent Nemotron-pretraining-Indic-v1, un corpus d'environ 2.

    Motif de la recommandation :Le corpus de 2,8 billions de tokens et le pipeline de génération ouvert permettent de juger la couverture linguistique et la traçabilité des données.

  3. Hugging Face Blog72

    IBM publie Granite Switch 4.1, un endpoint unique pour le chat, la décision et la parole

    IBM publie les modèles Granite-Switch-4.1-8B et -30B, qui réunissent dans un seul endpoint hébergé les réponses en langage naturel.

    Motif de la recommandation :Présente la composition d'adaptateurs dans un seul endpoint et la réutilisation du KV cache, un repère pour évaluer les coûts de déploiement multi-tâches.

  4. Hugging Face Blog88

    Meta publie Muse Spark Open, modèle MoE multimodal open-weight de 816B paramètres

    Meta publie Muse Spark Open, un modèle open-weight de la série Muse, avec environ 816 milliards de paramètres au total et environ 42 milliards activés par token.

    Motif de la recommandation :Meta ouvre les poids d'un modèle MoE de 816B paramètres couvrant texte, image, audio et vidéo, avec les recettes de déploiement et de fine-tuning associées.

15 octobrejeu.
  1. Hugging Face Blog62

    HiRO-ACEv2 : simuler des événements météorologiques extrêmes à 3 km de résolution pour une fraction du coût

    Allen AI présente HiRO-ACEv2, une mise à jour de son système HiRO-ACE de simulation climatique. Le nouveau modèle de descente d'échelle HiROv2 prédit simultanément plusieurs champs à haute résolution (pluie, vent, pression) et reproduit les statistiques haute résolution de X-SHiELD à 3 % près, y compris des événements rares sur un million de points de données. Le système complet génère des données climatiques mondiales à 3 km pour environ 1/300 du coût de X-SHiELD, et plus de cent fois moins cher encore pour une seule région. Les modèles sont téléchargeables et des notebooks tutoriels sont fournis ; les travaux futurs porteront sur des climats plus chauds et de nouvelles sorties comme la température de surface et la neige.

    Motif de la recommandation :HiRO-ACEv2 génère des données climatiques mondiales à 3 km pour environ 1/300 du coût de X-SHiELD, avec des modèles et notebooks ouverts.

14 octobremer.
  1. Hugging Face Blog80

    Liquid AI publie LFM2.5-24B-A2B, un modèle de raisonnement MoE pour agents sur appareil

    Liquid AI publie LFM2.5-24B-A2B, un modèle de raisonnement de 24B de paramètres dont seulement 2B sont actifs par token.

    Motif de la recommandation :Liquid AI publie les poids ouverts et les benchmarks d'un modèle MoE orienté agents sur appareil, permettant de comparer le compromis taille, vitesse et usage d'outils.

9 octobreven.
  1. Hugging Face Blog62

    Ai2 remplace son ordonnanceur par priorité par des budgets GPU et un fair-share hiérarchique

    L'équipe AI Infrastructure d'Ai2 a remplacé un ordonnanceur par priorité par un système combinant budgets de temps GPU.

    Motif de la recommandation :L'équipe d'infrastructure d'Ai2 détaille le passage d'un ordonnanceur par priorité à un système de budgets GPU et de fair-share hiérarchique, avec les métriques obtenues après déploiement.

  2. Hugging Face Blog78

    Comment l'auteur a entraîné six modèles absents du Hub avec ML Intern pour environ 103 dollars

    L'auteur raconte avoir utilisé ML Intern dans HuggingChat pour créer six modèles qui n'existaient pas sur le Hub.

    Motif de la recommandation :L'auteur détaille sa méthode de prompt et ses coûts réels pour entraîner six petits modèles via un agent, un retour d'expérience directement réutilisable.

8 octobrejeu.
7 octobremer.
6 octobremar.
  1. Hugging Face Blog62

    TII publie Falcon-Emirati-7B, un LLM spécialisé dans le dialecte émirati

    Le Technology Innovation Institute (TII) publie Falcon-Emirati-7B, un modèle spécialisé dans le dialecte arabe émirati construit sur Falcon-H1-Arabic.

    Motif de la recommandation :Le détail de la recette d'adaptation dialectale et des résultats par catégorie permet de juger ce que le fine-tuning apporte face à des modèles plus grands.

4 octobredim.
  1. Hugging Face Blog80

    Microsoft ThinkingBox : évaluer les agents sur l'état final de la base de données, pas sur le texte généré

    Microsoft et Hugging Face publient ThinkingBox, un benchmark qui note les agents sur l'état final du backend et les effets de bord laissés après exécution.

    Motif de la recommandation :L'article expose un benchmark qui évalue les agents sur l'état final de la base de données plutôt que sur le texte généré, avec des chiffres sur la cohérence et le coût par tâche fiable.

2 octobreven.
  1. Hugging Face Blog62

    ServiceNow présente AutoSynthData, un pipeline de génération de données d'entraînement pour agents d'entreprise

    ServiceNow CoreAI présente AutoSynthData, un pipeline qui transforme les échecs d'un modèle cible et les succès d'un enseignant plus fort en nouvelles tâches d'entraînement validées dans l'environnement. Le système génère des tâches composées d'une spécification système, d'un prompt utilisateur et d'un vérificateur, avec des contrôles de faisabilité, de réalisme et de difficulté, puis une vérification positive et négative et une phase de réparation. Sur EnterpriseOps Gym Hybrid, avec Gemma-4-26B-A4B-it comme cible et Qwen3.8-27B comme enseignant, 2 000 échantillons générés en environ 18 heures améliorent le Pass@1 moyen de 7,2 points, soit une hausse relative de 35 %, et le taux de succès du vérificateur passe de 63,01 % à 68,55 %. Sur ITSM, avec DeepSeek-V4.1-Flash comme enseignant, 1 994 échantillons générés en 66 heures font passer le Pass@1 moyen de 18,77 % à 27,18 %.

    Motif de la recommandation :L'article détaille un pipeline de génération de données d'entraînement pour agents d'entreprise, avec les critères de qualité et les résultats chiffrés sur deux domaines.

30 septembremer.