Motif de la recommandation :Le changement de routeur d'Inference Providers et les chiffres de coût et de latence permettent de mesurer l'impact sur les appels de modèles open-weight existants.
Motif de la recommandation :La version 1.0.0 fixe les règles de versionnage sémantique et de compatibilité API/ABI, ce qui aide les développeurs à évaluer le coût des mises à jour.
Motif de la recommandation :L'article détaille le format LLMON et deux modèles expérimentaux Granite 4.1 entraînés pour le consommer, avec des résultats chiffrés sur la résistance aux injections de prompt.
Motif de la recommandation :Le guide détaille quels composants de TRELLIS.2 figer ou entraîner et fournit des scripts et conteneurs exécutables, une méthode transférable à d'autres modèles 3D.
AWS consacre plus de 140 sessions à la track AI/ML de re:Invent 2026, qui se tient du 30 novembre au 4 décembre. Le programme couvre la pile IA complète.
Les organisations Hugging Face peuvent désormais lier leur compte Google Cloud pour que leur usage soit facturé sur la facture Google Cloud existante plutôt que par carte bancaire. L'abonnement se prend via la liste Hugging Face Hub sur le Google Cloud Marketplace, puis l'admin associe son organisation ; la souscription est validée par l'équipe Hugging Face avant facturation. Cela couvre le passage aux offres Team ou Enterprise, le calcul à l'usage (Jobs, Inference Endpoints, Inference Providers, GPU Spaces, extension de quota ZeroGPU) et le stockage supplémentaire aux tarifs publics Hugging Face.
Hugging Face présente les decision models, des modèles qui renvoient une distribution de probabilités sur des réponses prédéfinies sans générer de texte.
Motif de la recommandation :L'article présente l'interface unifiée des decision models et leur prise en charge dans Transformers, llama.cpp et le Hub, utile pour évaluer leur intégration dans les applications existantes.
Elith et NVIDIA ont publié Nemotron-Personas-Finance-Japan, une extension du jeu de données open source Nemotron-Personas-Japan destinée au secteur financier.
HOPE (Higher-Order Pruning of Experts) est une méthode d'élagage du second ordre qui prend en compte les interactions par paires entre experts des modèles MoE.
Motif de la recommandation :L'article détaille la génération automatique de données, les protocoles d'évaluation et les résultats de transfert sim-to-real, fournissant un cadre reproductible pour étudier la généralisation des modèles d'action.
Hugging Face ajoute deux accents privés, l'égyptien et le nigérian, à l'Open ASR Leaderboard via une collaboration avec Liva AI. Les nouveaux jeux de données comptent 1.
NVIDIA ajoute quatre checkpoints à poids ouverts à la famille Cosmos 3 pour la simulation interactive de mondes et la génération de scènes de conduite multi-capteurs et multi-vues. Cosmos3-Nano-Transfer-Auto génère des données de conduite multi-vues avec météo, éclairage et heure variables ; Cosmos3-Nano-Sim-Auto produit en streaming des observations caméra et LiDAR synchronisées ; Cosmos3-Nano-Sim-Transfer transforme les contrôles d'un simulateur et un prompt texte en vidéo photoréaliste ; Cosmos3-Nano-Sim-Bimanual prédit la vidéo à partir des actions d'un robot ou de la caméra. Les quatre modèles sont des exemples post-entraînés de Cosmos 3 Nano avec 16B paramètres entraînables et sont diffusés sous OpenMDW1.1, qui autorise un usage commercial et non commercial selon ses termes.
Motif de la recommandation :NVIDIA ouvre quatre checkpoints Cosmos 3 Nano avec leurs recettes de post-entraînement, ce qui donne un point de départ concret pour la simulation de mondes et la génération de données de conduite.
Gradium revient sur le lancement de Phonon, son modèle TTS qui tourne entièrement sur l'appareil sans serveur ni réseau. Phonon 31m est sous licence Apache 2.0 pour l'anglais.
Motif de la recommandation :L'article détaille les deux tailles de Phonon, les licences, les performances sur le leaderboard TTS et l'intégration dans Transformers, ce qui aide à évaluer un TTS embarqué.
Dharma-AI publie Dharma Field Extractor, un modèle de 2 milliards de paramètres qui prend en entrée l'image d'un document et renvoie des champs structurés en JSON.
Motif de la recommandation :Le texte détaille l'entraînement LoRA, les deux modes de requête et le benchmark comparatif face aux API frontières, utile pour évaluer le compromis qualité-coût.
Collinear AI publie CWE-bench v2, un ensemble public de 100 tâches où un agent doit trouver et corriger une faille de sécurité dans un dépôt open source réel sans casser les fonctionnalités existantes, avec une notation entièrement programmatique et reproductible. Les tâches couvrent 91 CWE différents et un ensemble held-out reste réservé pour suivre les progrès sur des tâches qu'aucun modèle n'a vues. Sur les 11 modèles évalués, Gemini 4 Argon mène avec 67,8 % pass@1 et 81,0 % pass@4, devant Claude Opus 5.5 (67,3 % pass@1, 78,0 % pass@4) ; 95 tâches sont résolues par au moins un modèle, mais le leader échoue encore sur 19 % de l'ensemble à chaque tentative. Le dataset, le grader et le harness sont ouverts, et les tâches sont exécutables depuis le Hub via Harbor.
Motif de la recommandation :Le benchmark public de 100 tâches couvre 91 CWE et fournit un classement reproductible, utile pour situer les capacités de sécurité des modèles.
Motif de la recommandation :L'article détaille la synthèse de données, l'entraînement LoRA et le harnais de vérification-réparation, une méthode transférable aux sorties structurées vérifiables par code.
Allen AI présente StateBench, un benchmark qui évalue la capacité des modèles de langage à suivre l'évolution de l'information sur les entités dans de longs documents.
Motif de la recommandation :Une comparaison contrôlée à modèle constant quantifie l'écart entre harnesses et détaille les points d'application des règles d'entreprise.
Hugging Face présente transformers-mic, un standard proposé pour empaqueter les tests d'intégration de modèles sous forme de contrats. Chaque contrat comprend une fixture de modèle réduit.
Motif de la recommandation :L'article détaille la méthode de réduction des points de contrôle et le mécanisme de test par contrat, utile pour comprendre comment les régressions de modèles sont interceptées avant la fusion.
Motif de la recommandation :L'original détaille les performances de Mistral Large 4 sur le codage agentique et la cybersécurité défensive, ainsi que trois modes de raisonnement et le tarif API.
Motif de la recommandation :L'article détaille les API Swift, les moteurs interchangeables et les taux d'erreur mesurés, ce qui permet d'évaluer le choix d'un moteur local pour la reconnaissance vocale et la prise de décision.
Motif de la recommandation :Le modèle open-weight réunit transcription, diarisation et traduction en un seul checkpoint, avec les recettes de données et de fine-tuning pour l'adapter à un domaine.
Motif de la recommandation :LFM3 détaille une architecture tri-hybride et six modèles 2B partageant un même socle, avec des chiffres comparatifs face à LFM2 et Qwen.
Hugging Face met en ligne un Space qui indique si un modèle Transformers du Hub s'exécute sans modification sur AWS Trainium via le backend PyTorch natif torch-neuronx. Chaque fiche précise le résultat du test, le nombre de cœurs Trainium utilisés, le temps d'exécution compilation incluse et la mémoire device de pointe, avec le script run.py et les versions de neuronx-cc et de Transformers. Les tests se limitent pour l'instant aux modèles de génération de texte et image-texte tenant sur 4 instances Trainium2 (16 cœurs au plus), et les résultats proviennent du dataset public aws-neuron/torch-neuronx-model-support.
Motif de la recommandation :Le texte détaille la sélection de tâches par difficulté relative à la politique et la boucle de récompense par état final, transférables à d'autres entraînements d'agents.