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.
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.
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.
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.
Motif de la recommandation :L'article détaille les changements de capacité et les métriques des trois modèles vocaux Granite, utile pour choisir le modèle adapté à un scénario de transcription.
NVIDIA a publié Kumo Forecast (anciennement NV-Tesseract Forecasting), un modèle de prévision de séries temporelles multivariées sous licence Apache 2.0.
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.
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.
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.
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.
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.
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.
Les nouveaux clients d'Amazon SageMaker AI peuvent désormais accéder à un environnement SageMaker Studio entièrement configuré en quelques étapes seulement après leur inscription à AWS.
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.
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).
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.
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.
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.
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.
Motif de la recommandation :Présente les capacités et le coût d'exécution de FLUX.3 Image Klein, avec des repères concrets pour évaluer son intégration dans les pipelines existants.
Motif de la recommandation :Les notes de version détaillent les changements de capacités et le pipeline d'entraînement ouvert, ce qui permet de juger de l'écart avec la version 1.0.
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.
Amazon SageMaker JumpStart permet de déployer un modèle pré-entraîné, de lancer un test de performance reproductible via le SageMaker Python SDK puis de supprimer l'endpoint. En 2026.
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.
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.
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.
Motif de la recommandation :Falcon-ASR couvre l'arabe et quatre autres langues avec les mêmes poids, et détaille les écarts de WER face aux systèmes comparés.
Motif de la recommandation :Deux modèles de décision ouverts avec benchmarks, latences sur Jetson et code de chargement, utiles pour évaluer le déploiement edge.
Motif de la recommandation :L'article détaille une recette réutilisable de spécialisation par SFT, RL et boucle d'inférence, avec les scores et les ressources ouvertes.
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.
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.
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.
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.