Mistral annonce une série de nouvelles fonctionnalités pour son assistant Le Chat.
Motif de la recommandation :Mistral détaille les nouvelles capacités de Le Chat, du mode Deep Research à l'édition d'images, ce qui aide à situer l'offre face aux assistants concurrents.
Mistral AI lance Devstral Medium et une mise à niveau de Devstral Small, en collaboration avec All Hands AI. Devstral Small 1.1 est publié sous licence Apache 2.0.
Motif de la recommandation :L'original expose les scores SWE-Bench Verified et les prix des deux modèles, ce qui permet de comparer le rapport coût-performance pour le codage agentique.
Hugging Face publie ScreenEnv, présenté comme permettant de déployer un agent de bureau full stack.
Hugging Face Blog annonce Holo1, une nouvelle famille de VLM d'automatisation d'interface graphique qui alimente l'agent GUI Surfer-H. Le contenu détaillé n'est pas disponible.
Mistral annonce l'Agents API, un framework dédié qui combine ses modèles avec des connecteurs intégrés pour l'exécution de code.
Motif de la recommandation :L'annonce détaille les connecteurs intégrés, la mémoire persistante et l'orchestration multi-agents, avec des chiffres SimpleQA montrant l'apport de la recherche web.
Tiny Agents en Python : un agent propulsé par MCP en environ 70 lignes de code.
Mistral AI publie Devstral, un LLM agentique dédié aux tâches d'ingénierie logicielle.
Motif de la recommandation :Devstral atteint 46,8 % sur SWE-Bench Verified et peut tourner sur un seul RTX 4090, ce qui éclaire le choix d'un modèle de codage agentique déployable localement.
Mistral AI annonce Le Chat Enterprise, un assistant IA d'entreprise propulsé par le nouveau modèle Mistral Medium 3.
Tiny Agents : un agent propulsé par MCP en 50 lignes de code.
Mistral AI présente TranscriptToPRDTicket, un workflow agentique propulsé par Mistral Large 2 qui transforme un transcript de réunion en PRD puis en tickets de développement structurés.
Mistral AI dévoile une nouvelle version de le Chat, un assistant IA pour la vie quotidienne et le travail.
Motif de la recommandation :L'original détaille les capacités, les paliers tarifaires et les options de déploiement de le Chat, ce qui permet de situer l'offre face aux assistants existants.
Hugging Face présente smolagents, une bibliothèque d'agents dont les actions sont écrites en code.
Mistral AI annonce une mise à jour en beta de le Chat, son assistant gratuit, avec recherche web citée.
Motif de la recommandation :L'annonce détaille les nouvelles capacités de le Chat et un tableau comparatif avec ChatGPT, Perplexity et Claude, utile pour situer l'offre.
Hugging Face ajoute les Community Tools à HuggingChat.
Mistral AI annonce la possibilité de personnaliser n'importe lequel de ses modèles phares et spécialisés sur La Plateforme.
Motif de la recommandation :Mistral AI expose en détail la personnalisation de modèles, les Agents en alpha et le SDK 1.0, ce qui permet de juger des changements concrets pour les développeurs.
L'équipe Hugging Face indique que son Code Agent construit avec Transformers Agents atteint 44.
Motif de la recommandation :L'original expose la conception d'un Code Agent et sa performance sur GAIA, avec des détails sur l'interpréteur sécurisé et l'orchestration multi-agents.
Hugging Face publie Transformers Agents 2.0, qui introduit deux nouveaux agents capables d'itérer à partir d'observations passées pour résoudre des tâches complexes.
Motif de la recommandation :Le cadre d'agents open source expose la séparation entre moteur LLM et type d'agent, ainsi que les résultats comparés de Llama-3-70B et GPT-4 sur GAIA.
Hugging Face publie JAT (Jack of All Trades), un agent Transformer unique entraîné sur un dataset de centaines de milliers de trajectoires d'experts couvrant Atari.
Motif de la recommandation :L'article détaille l'architecture et les résultats d'un agent Transformer unique couvrant jeux vidéo, robotique et navigation, avec dataset et modèles ouverts.
Mistral AI annonce le Chat, un assistant conversationnel multilingue s'appuyant sur les modèles Mistral Large.
Motif de la recommandation :Mistral AI présente son assistant conversationnel le Chat et sa version Enterprise auto-déployable, avec les modèles et le mécanisme de modération associés.
Hugging Face présente comment construire des agents ReAct avec des LLM open source via la classe ChatHuggingFace intégrée à LangChain.
Motif de la recommandation :L'article détaille le fonctionnement interne des agents ReAct et fournit un benchmark comparant plusieurs LLM open source à GPT-3.5 et GPT-4.
Hugging Face a publié Agents.js, une bibliothèque JavaScript permettant de donner accès à des outils aux LLM dans le navigateur ou sur le serveur. Elle s'installe via npm install @huggingface/agents et expose l'objet HfAgent, qui accepte une commande en langage naturel puis génère du code appelant des outils multimodaux. La bibliothèque utilise par défaut OpenAssistant/oasst-sft-4-pythia-12b-epoch-3.5 via l'Inference API, mais accepte tout LLM personnalisé ainsi que des outils ajoutés par l'utilisateur, comme un outil de traduction anglais-allemand basé sur t5-base. Elle peut aussi recevoir des fichiers en entrée, par exemple une image à légender puis à lire à voix haute. Les auteurs recommandent d'utiliser generateCode et evaluateCode plutôt que run, car l'exécution directe évalue du code arbitraire dans un environnement non fiable.
Hugging Face détaille comment fine-tuner StarCoder, un modèle de 16B paramètres entraîné sur 80+ langages de programmation.
Motif de la recommandation :L'article détaille le fine-tuning de StarCoder avec ChatML et DeepSpeed ZeRO-3, une méthode transférable pour transformer un modèle de code en assistant conversationnel.
Hugging Face publie un tutoriel pour entraîner de zéro un Decision Transformer offline dans l'environnement Gym HalfCheetah.
Hugging Face explique comment utiliser GPT-Neo d'EleutherAI avec l'API Accelerated Inference pour générer des prédictions en few-shot learning. GPT-Neo (2.7B).