Aller au contenu
12 aoûtmer.
  1. Google Research62

    Google Research : le rappel, et non l'encodage, est le goulot d'étranglement de la factualité des LLM

    Google Research publie une étude introduisant le knowledge profiling, un cadre comportemental qui distingue l'encodage.

    Motif de la recommandation :L'étude distingue l'encodage du rappel des faits et montre que l'échec de rappel, non l'absence de connaissance, domine les erreurs factuelles des modèles de pointe.

  2. Google Research78

    Google Research présente AMIE (Video), consultations cliniques audio-visuelles en temps réel

    Google Research présente AMIE (Video), une configuration vidéo temps réel d'AMIE construite sur Gemini et Project Astra.

    Motif de la recommandation :L'article détaille l'architecture multi-agents asynchrone et le protocole d'évaluation randomisé d'AMIE (Video), utile pour comprendre comment un système vocal et visuel temps réel est structuré et testé.

6 aoûtjeu.
  1. Google DeepMind88

    Google DeepMind publie en open source WeatherNext Cyclones, un modèle de prévision des cyclones

    Google DeepMind annonce que son modèle WeatherNext Cyclones atteint une précision de pointe pour prévoir la trajectoire.

    Motif de la recommandation :Le modèle WeatherNext Cyclones est présenté avec ses performances de prévision et ses poids ouverts, ce qui permet de juger de son intérêt pour la recherche météorologique.

31 juilletven.
30 juilletjeu.
  1. Google DeepMind78

    Google DeepMind lance Gemini Robotics ER 2, un modèle de raisonnement incarné pour la robotique

    Google DeepMind lance Gemini Robotics ER 2, présenté comme son modèle de raisonnement incarné le plus capable pour la robotique.

    Motif de la recommandation :L'original expose les capacités d'orchestration, de suivi de progression et de collaboration multi-robots, ainsi que les points d'accès ouverts aux développeurs.

29 juilletmer.
  1. Berkeley AI Research62

    De CUDA à MLX : comment K-Search transfère des décennies d'expertise kernel vers Apple Silicon

    IBM Research et le Berkeley Sky Lab étendent K-Search, un framework de recherche évolutive de kernels piloté par LLM.

    Motif de la recommandation :L'article détaille une couche de traduction CUDA vers MLX et les gains mesurés sur les kernels Attention et Mamba, utile pour évaluer la portabilité des optimisations GPU.

28 juilletmar.
  1. Google DeepMind85

    Google DeepMind lance Gemini Robotics 2 pour le contrôle corps entier des robots

    Google DeepMind présente Gemini Robotics 2, une couche d'intelligence pour robots qui débloque le contrôle corps entier.

    Motif de la recommandation :Google DeepMind détaille trois modèles distincts et leurs capacités de contrôle corps entier, de dextérité et de collaboration multi-robots, avec les modalités d'accès pour les développeurs.

23 juilletjeu.
  1. Google Research67

    Google Research présente un ordinateur quantique qui apprend de ses erreurs

    Google Research a publié dans Nature un cadre d'apprentissage par renforcement où un agent autonome apprend des détections d'erreurs quantiques pour ajuster en continu des milliers de paramètres de contrôle et stabiliser le système pendant le calcul. Sur le processeur supraconducteur Willow, avec une dérive artificielle injectée, ce pilotage par RL a amélioré la stabilité logique du code correcteur d'erreurs d'un facteur 3,5, et un affinage RL après calibration experte a réduit le taux d'erreur logique de 20 % supplémentaires. L'expérience a ramené les erreurs logiques des mémoires quantiques à moins d'une pour mille cycles de correction dans le code de surface et une pour cent dans le code couleur. Des simulations avec des centaines de qubits et des dizaines de milliers de paramètres de contrôle indiquent que le nombre d'itérations d'entraînement RL nécessaires est indépendant de la taille du système.

    Motif de la recommandation :L'article détaille un cadre d'apprentissage par renforcement pour la calibration quantique continue et rapporte des gains mesurés sur le processeur Willow.

22 juilletmer.
21 juilletmar.
17 juilletven.
16 juilletjeu.
13 juilletlun.
9 juilletjeu.
  1. Google Research74

    Google Research présente SensorFM, un modèle de fondation pour les données de santé portables

    Google Research présente SensorFM, un grand modèle de fondation de capteurs pré-entraîné sur plus de mille milliards de minutes de signaux multimodaux issus de cinq millions de participants consentants, couvrant plus de 100 pays et plus de 20 modèles d'appareils Fitbit et Pixel Watch. Le modèle apprend par reconstruction auto-supervisée avec le cadre Adaptive and Inherited Masking (AIM), qui traite les données manquantes comme un artefact naturel plutôt que de les imputer ou de les écarter. Sur 35 tâches de santé issues de trois études prospectives totalisant 13 985 participants, les sondes linéaires sur les embeddings de SensorFM surpassent la baseline supervisée à caractéristiques d'ingénierie sur 34 tâches, et le plus grand modèle (SensorFM-B) réduit la perte de reconstruction de 31 % par rapport à la plus petite variante, avec un gain moyen de 9 % en AUC sur les tâches de classification et de 21 % en coefficient de Pearson sur les tâches de régression. Un système d'agents LLM collaboratifs et concurrents a exploré plus de 30 000 solutions candidates pour construire des têtes de prédiction, battant une sonde linéaire simple sur 16 des 20 tâches de classification et 12 des 15 tâches de régression. Intégré à un Personal Health Agent, SensorFM a permis des résumés de santé jugés significativement meilleurs que la baseline sur cinq dimensions par un panel de cliniciens, sans différence statistiquement significative avec l'utilisation de mesures de référence réelles.

    Motif de la recommandation :L'article détaille un modèle de fondation entraîné sur plus de mille milliards de minutes de données de capteurs, avec des gains mesurés sur 35 tâches de santé.

8 juilletmer.
  1. Google Research62

    Google Research : réduire la congestion via des interventions de routage dans Google Maps

    Google Research publie dans Nature Cities la première étude à grande échelle sur l'utilisation des plateformes de navigation pour améliorer le trafic. Dans 10 grandes villes américaines.

    Motif de la recommandation :L'étude quantifie à l'échelle de dix villes l'effet d'un routage coordonné sur la vitesse et les émissions, avec un protocole réutilisable.

3 juilletven.
1 juilletmer.
  1. Hugging Face Blog62

    Hugging Face et Cerebras lancent une démo d'IA vocale temps réel avec Gemma 4

    Hugging Face et Cerebras présentent une démo de speech-to-speech temps réel construite sur une architecture ouverte et modulaire.

    Motif de la recommandation :L'original expose une architecture vocale ouverte et modulaire avec les composants et le point d'accès au code, ce qui permet de juger comment assembler un pipeline speech-to-speech temps réel.

30 juinmar.
  1. Google Research78

    Google présente TabFM, un modèle de fondation zero-shot pour les données tabulaires

    Google Research présente TabFM, un modèle de fondation pour la classification et la régression sur données tabulaires qui élimine l'entraînement manuel.

    Motif de la recommandation :L'article détaille l'architecture hybride et l'entraînement sur données synthétiques de TabFM, ce qui permet de comprendre comment le zero-shot s'applique aux données tabulaires.

27 juinsam.
25 juinjeu.
23 juinmar.
  1. Hugging Face Blog48

    Expérimenter l'API Cross-Origin Storage proposée dans Transformers.js

    L'équipe Chrome de Google expérimente la Cross-Origin Storage API (COS) dans Transformers.js pour éliminer les téléchargements et stockages dupliqués de ressources de modèles et de runtimes Wasm entre origines. Le cache navigateur étant isolé par origine via une Network Isolation Key, un même modèle comme Xenova/whisper-tiny.en peut être retéléchargé (177 MB dans l'exemple) sur chaque site, et le fichier Wasm partagé ort-wasm-simd-threaded.asyncify.wasm (4 733 kB) est lui aussi rechargé. L'API COS, encore à l'état de proposition non finalisée et non implémentée nativement, identifie les fichiers par hash cryptographique plutôt que par URL, et peut être testée via une extension injectant le polyfill navigator.crossOriginStorage.

17 juinmer.
  1. Hugging Face Blog62

    Hugging Face lance Discover Tool, implémentation de référence de la spécification Agentic Resource Discovery

    Hugging Face présente Agentic Resource Discovery (ARD), une spécification ouverte de découverte de capacités pour agents.

    Motif de la recommandation :L'original détaille la spécification ARD et son implémentation de référence sur le Hub, ce qui permet de comprendre comment la découverte de capacités se sépare de l'exécution.

  2. Google DeepMind62

    Google DeepMind et le gouvernement britannique déploient un prototype de planification assistée par Gemini

    Google DeepMind collabore avec le gouvernement britannique, Google Cloud, Faculty et les autorités locales de Barnet.

    Motif de la recommandation :Le prototype d'IA de planification au Royaume-Uni montre comment un agent assiste les décisions administratives tout en gardant l'humain décideur.

16 juinmar.
  1. Google DeepMind62

    Google DeepMind publie l'AI Control Roadmap pour sécuriser les agents IA

    Google DeepMind présente son AI Control Roadmap, un cadre de défense en profondeur qui traite les agents internes comme potentiellement mal alignés et ajoute une couche de sécurité système au-delà de l'alignement des modèles. Le dispositif s'appuie sur un cadre de modélisation des menaces inspiré de MITRE ATT&CK, des superviseurs IA surveillant le raisonnement et les actions des agents, et des niveaux de détection D1-D4 et de prévention/réponse R1-R3 indexés sur les capacités du modèle. L'équipe indique avoir analysé un million de tâches d'agents de codage et utilisé ces données pour un moniteur en direct du agent Gemini Spark, la majorité des événements signalés provenant de mauvaises interprétations plutôt que d'une intention adverse. DeepMind publie en parallèle un cadre technique pour les décideurs, 'Three Layers of Agent Security'.

    Motif de la recommandation :Google DeepMind détaille son AI Control Roadmap et les niveaux D1-D4/R1-R3, une grille de sécurité des agents directement transposable à d'autres déploiements.

13 juinsam.
  1. Google Research22

    Google Research étudie comment l'IA aide les utilisateurs à comprendre les affections cutanées

    Google Research publie dans JAMA Dermatology une étude montrant que l'assistance par IA fait passer la précision d'identification des affections cutanées de 8 % (recherche web classique) à 23 %, et à 36 % lorsque les prédictions correspondent aux diagnostics de référence de dermatologues. Menée auprès de 2 345 participants, l'étude révèle aussi que l'IA n'améliore pas significativement la détermination des étapes suivantes : 30 % des utilisateurs du bras IA suggèrent une prise en charge moins urgente que celle d'un dermatologue, contre 27 % dans le groupe contrôle. Un second volet qualitatif examine l'usage de ces outils sur des cas personnels au sein de communautés diverses.

  2. Google Research60

    Google soutient un projet de datacenter à partir de 2 000 smartphones Pixel recyclés

    Des chercheurs de l'Université de Californie à San Diego construisent, avec le soutien de Google.

    Motif de la recommandation :L'article détaille la transformation de téléphones recyclés en plateforme de calcul cloud et les défis techniques associés, offrant un cas concret de réduction du carbone incorporé.

11 juinjeu.
  1. Google DeepMind78

    Google DeepMind publie DiffusionGemma, un modèle de diffusion de texte 4x plus rapide

    Google DeepMind publie DiffusionGemma, un modèle expérimental open source sous licence Apache 2.0 qui génère le texte par diffusion plutôt que token par token.

    Motif de la recommandation :Un modèle expérimental open source qui échange la qualité contre la vitesse d'inférence locale, avec des compromis clairement exposés.

10 juinmer.
9 juinmar.
  1. Google DeepMind80

    Google DeepMind publie Gemini 3.5 Live Translate, un modèle audio de traduction vocale en temps réel

    Google DeepMind publie Gemini 3.5 Live Translate, un modèle audio capable de détecter automatiquement plus de 70 langues et de générer une traduction vocale naturelle en temps réel.

    Motif de la recommandation :Le modèle prend en charge plus de 70 langues et est déployé sur l'API Gemini Live, Google Meet et Google Translate, ce qui permet de comparer les scénarios d'application de la traduction vocale en temps réel.