Motif de la recommandation :L'annonce situe GPT-6.2 Astra et Sol sur les sorties professionnelles, le codage et l'usage de l'ordinateur, avec un coût réduit sur ChatGPT Work, Codex et l'API.
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 :L'original détaille les performances de Gemini 4 Hydrogen face à Gemini 3.8 Flash et son intégration dans les workflows multi-modèles via Orchestrator.
Google DeepMind annonce AlphaGenome 2, un modèle de séquence d'ADN conditionnel qui prédit l'effet des variants sur des types cellulaires humains précis. Entraîné sur plus de 107 millions de profils cellulaires couvrant 68 tissus, il identifie près de deux fois plus de variants modifiant l'expression génique que le modèle précédent, avec 30 % contre 16 % de variants causaux sur le jeu de données TenK10K. Le modèle est disponible pour la recherche non commerciale via l'AlphaGenome API et en aperçu privé pour la recherche commerciale.
Motif de la recommandation :Le modèle conditionnel par type cellulaire et l'API ouverte permettent de situer les changements de capacité et les scénarios d'usage en recherche génétique.
Tether AI Research publie BotPsy, un modèle de 0,8B paramètres construit sur Qwen3.5-0.8B et destiné à l'appel de fonctions et aux workflows agentiques sur appareil. Il devance les modèles testés de 1,2B paramètres ou moins sur cinq des six benchmarks d'outils et d'agent, avec par exemple BFCL v4 à 44,0 contre 23,4 pour son modèle de base et τ-bench à 51,5 contre 23,2. Les poids seront diffusés sous licence Apache 2.0 en bf16, Q8 et Q4, en safetensors et GGUF pour le SDK QVAC et llama.cpp, pour un usage de recherche et d'éducation.
Motif de la recommandation :Un modèle de 0,8B atteint des performances d'appel d'outils proches de modèles 2,5 fois plus grands, avec les recettes d'entraînement détaillées.
Motif de la recommandation :Le texte détaille les performances de Gemini 4 Carbon sur plusieurs benchmarks et son prix par token, ce qui permet de comparer avec Gemini 4 Argon.
Motif de la recommandation :Le modèle VLA améliore la dextérité et la fiabilité, avec un taux de réussite de 96 % validé sur une ligne de production Mercedes-Benz.
AWS annonce la disponibilité de Claude Fable 5.2 et Claude Mythos 5.2 sur Amazon Bedrock et Claude Platform on AWS. Fable 5.2 est présenté comme le modèle généralement disponible le plus capable d'Anthropic pour le codage et les sciences, capable de mener des tâches ambiguës à plusieurs étapes, de vérifier sa sortie et de fonctionner sans supervision pendant des heures voire des jours ; Mythos 5.2 reste accessible via les programmes de vérification d'Anthropic pour la cybersécurité et les sciences de la vie. Fable 5.2 est désigné Covered Model avec une rétention par défaut pouvant atteindre 30 jours et une revue humaine de sécurité, et le skill claude-api de Claude Code aide à migrer les identifiants de modèle et les paramètres.
Elith et NVIDIA ont publié Nemotron-Personas-Finance-Japan, une extension du jeu de données open source Nemotron-Personas-Japan destinée au secteur financier.
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.
Motif de la recommandation :Présente le positionnement de GPT-6 Cyber et sa contrainte de rester dans le périmètre autorisé, utile pour situer les modèles de sécurité offensive.
Motif de la recommandation :Le tarif à la seconde et la durée maximale des clips permettent de comparer directement le coût de génération vidéo avec la version précédente.
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.
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 :Le texte détaille les scores de Carbon sur les benchmarks de cybersécurité et de codage ainsi que ses améliorations d'alignement, permettant de situer le modèle par rapport à Argon.
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.
Motif de la recommandation :Genie 4 intègre nativement l'audio et le dialogue interactif dans la simulation en temps réel, avec un aperçu des capacités et des limites actuelles.
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 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.
Motif de la recommandation :NVIDIA détaille en une fois plusieurs familles de modèles ouverts couvrant langage, robotique, biologie et quantique, avec les partenaires et les canaux de disponibilité.
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.
Motif de la recommandation :L'original détaille les modèles vocaux, le SDK d'agent vocal et les prix, permettant de comparer le coût et la latence avec les offres existantes.
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 :Mistral publie sa première famille de modèles de fondation pour séries temporelles, avec des résultats de référence et un accès via GitHub.
Motif de la recommandation :L'original détaille les trois modèles Nemotron 3.5, leurs formats de déploiement et les retours d'expérience de post-entraînement, utile pour évaluer un déploiement d'agents open source.
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.