Aller au contenu
8 septembremar.
  1. Google DeepMind88

    Google DeepMind lance AlphaGenome Atlas, une carte prédictive des 9 milliards de variants du génome humain

    Google DeepMind présente AlphaGenome Atlas, une plateforme contenant les prédictions des effets de 9 milliards de variants mononucléotidiques.

    Motif de la recommandation :Le texte détaille une ressource de 1 pétaoctet couvrant 9 milliards de variants et un score AVI unifié, ce qui permet de situer la portée pratique pour la recherche génomique.

4 septembreven.
3 septembrejeu.
2 septembremer.
  1. Hugging Face Blog36

    BenchMIRT : que mesurent réellement les benchmarks de LLM ?

    Hugging Face présente BenchMIRT, une méthode qui applique l'Item Response Theory multidimensionnelle (MIRT) au niveau de chaque prompt pour auditer les benchmarks de LLM. Entraînée sur les résultats de 100 LLM, 16 benchmarks et plus de 34K questions, elle identifie sans supervision deux dimensions dominantes : sécurité et raisonnement général. L'analyse montre que les scores de BBQ et WMDP sont davantage liés au raisonnement général qu'à la sécurité, et que les questions de copyright de HarmBench se rapprochent aussi du raisonnement général, signe qu'un score unique peut mélanger plusieurs signaux.

  2. Google Research62

    Google Research cartographie les émissions mondiales de méthane depuis l'espace grâce à l'apprentissage profond

    Google Research présente MAPL-EMIT, un cadre d'apprentissage profond basé sur un vision transformer Swin-S qui détecte.

    Motif de la recommandation :Le texte détaille une architecture de vision par ordinateur et un jeu de données synthétiques pour la détection de méthane, avec des chiffres de rappel et des ressources ouvertes.

28 aoûtven.
27 aoûtjeu.
  1. Google Research34

    GlucoFM : un modèle de base à double flux pour la surveillance continue du glucose

    Google Research présente GlucoFM, un modèle de base auto-supervisé à double flux qui sépare les tendances glycémiques lentes des déviations à court terme des données CGM. Pré-entraîné sur 109 066 heures de données CGM non étiquetées issues de Wear-CGM et de quatre jeux de données publiés (477 enregistrements), il atteint un PR-AUC moyen supérieur de 5,8 points à celui de la meilleure variante de GluFormer sur 14 évaluations cohorte-tâche, et devance toutes les évaluations de risque de diabète et de dysfonction des cellules bêta ainsi que trois des quatre évaluations de résistance à l'insuline. Sur la prévision de la réponse glycémique postprandiale, il obtient la plus faible MAE moyenne sur les appareils Dexcom et Libre, avec les meilleures performances de transfert inter-jeux de données et une forte adaptation few-shot.

26 aoûtmer.
22 aoûtsam.
21 aoûtven.
  1. Google Research34

    Google Research présente ME-POIs : comment la mobilité enrichit la compréhension des lieux par les modèles de langage

    Google Research introduit ME-POIs, un framework auto-supervisé qui intègre des schémas de mobilité agrégés et anonymisés aux représentations textuelles des points d'intérêt produites par des modèles comme Gemini. En combinant descriptions textuelles et signatures temporelles de fréquentation via alignement de visites, propagation spatiale multi-échelle et synergie texte-mobilité, ME-POIs obtient jusqu'à 81,9 % de gain relatif sur la prédiction de l'intention de visite, 75,1 % sur la classification du niveau de prix et 24,7 % sur l'estimation de l'affluence pour des lieux non vus. Le mécanisme de propagation spatiale multi-échelle comble la rareté des données des petits commerces en transférant les rythmes de fréquentation de voisins plus actifs.

19 aoûtmer.
  1. Hugging Face Blog62

    ALTK-Evolve : quelle quantité de mémoire un agent doit-il réellement recevoir ?

    ALTK-Evolve, présenté dans un article du blog Hugging Face, distille des consignes réutilisables à partir des trajectoires passées d'un agent et les réinjecte à l'inférence.

    Motif de la recommandation :L'étude quantifie sur huit modèles le dosage optimal de mémoire agentique et montre qu'une récupération sélective peut gagner en précision tout en réduisant les coûts.

17 aoûtlun.
14 aoûtven.
  1. Hugging Face Blog62

    Hugging Face publie son rapport State of Open Models été 2026

    Hugging Face publie son analyse semestrielle State of Open Models couvrant janvier à août 2026. Les dépôts de modèles publics passent de 2.

    Motif de la recommandation :Le rapport quantifie la croissance du Hub, la répartition extrême des téléchargements et la montée des agents, ce qui aide à situer les choix d'écosystème open source.

13 aoûtjeu.
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.

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.

27 juilletlun.
26 juilletdim.
22 juilletmer.
21 juilletmar.
  1. Hugging Face Blog62

    Hugging Face et Pollen Robotics publient Grabette, un système ouvert de collecte de données de manipulation robotique

    Hugging Face et Pollen Robotics publient Grabette, un système ouvert et à faible coût pour enregistrer des données de manipulation.

    Motif de la recommandation :Le système complet est ouvert, du boîtier à la chaîne de traitement, ce qui permet de juger du coût et des étapes pour collecter soi-même des données de manipulation.

16 juilletjeu.
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.

7 juilletmar.
6 juilletlun.
1 juilletmer.
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.