Aller au contenu
20 novembrejeu.
  1. Google DeepMind80

    Google DeepMind publie Nano Banana Pro (Gemini 3 Pro Image)

    Google DeepMind publie Nano Banana Pro (Gemini 3 Pro Image), un modèle de génération et d'édition d'images construit sur Gemini 3 Pro.

    Motif de la recommandation :L'original détaille les capacités de génération et d'édition d'images, les résolutions et les intégrations, ce qui aide le lecteur à évaluer les scénarios de production concernés.

19 novembremer.
  1. Google Research78

    Google Research présente un modèle de traduction vocale de bout en bout en temps réel avec 2 secondes de délai

    Google Research décrit un modèle de traduction parole-à-parole de bout en bout qui génère directement l'audio traduit dans la voix de l'orateur d'origine avec seulement 2 secondes de délai.

    Motif de la recommandation :L'article expose l'architecture de bout en bout et le pipeline de données qui ramènent la traduction vocale à 2 secondes de délai, avec un déploiement produit concret.

  2. Google Research80

    Google déploie la Generative UI dans Gemini et la recherche avec Gemini 3 Pro

    Google Research présente la Generative UI, une capacité où le modèle génère non seulement du contenu mais toute une expérience utilisateur interactive.

    Motif de la recommandation :L'article détaille l'implémentation de la génération d'interfaces par Gemini 3 Pro et son déploiement dans Gemini et Google Search, permettant de juger de l'impact sur les expériences utilisateur.

17 novembrelun.
13 novembrejeu.
  1. Google DeepMind74

    Google DeepMind présente SIMA 2, un agent qui joue, raisonne et apprend dans des mondes 3D virtuels

    Google DeepMind présente SIMA 2, un agent généraliste qui intègre un modèle Gemini comme cœur de raisonnement et passe du suivi d'instructions à un compagnon de jeu interactif capable de converser et de s'auto-améliorer. Le système a été entraîné sur un mélange de vidéos de démonstration humaines et de labels générés par Gemini, et il généralise à des jeux non vus comme ASKA ou MineDojo, y compris dans des mondes générés en temps réel par Genie 3. SIMA 2 est publié en aperçu de recherche limité, avec un accès anticipé pour un petit groupe de chercheurs et de développeurs de jeux.

    Motif de la recommandation :SIMA 2 intègre Gemini comme moteur de raisonnement et passe du suivi d'instructions à l'auto-amélioration dans des mondes 3D, avec des limites de mémoire et de tâches longues explicitement documentées.

  2. Google Research62

    Google Quantum AI présente l'algorithme DQI pour l'optimisation quantique

    Google Quantum AI et des chercheurs de Stanford, MIT et Caltech ont publié dans Nature un algorithme quantique appelé Decoded Quantum Interferometry (DQI).

    Motif de la recommandation :L'article présente l'algorithme DQI qui transforme des problèmes d'optimisation en problèmes de décodage, avec un exemple où un ordinateur quantique nécessiterait environ un million d'opérations contre 10^23 pour un ordinateur classique.

12 novembremer.
11 novembremar.
  1. Google DeepMind60

    Google DeepMind publie dans Nature une méthode pour aligner la vision des IA sur celle des humains

    Google DeepMind publie dans Nature un article montrant que réorganiser les représentations visuelles d'un modèle selon les hiérarchies conceptuelles humaines améliore sa robustesse et sa généralisation. L'équipe part d'un modèle pré-entraîné SigLIP-SO400M, entraîne un petit adaptateur sur le jeu de données THINGS, puis génère un nouveau jeu de données AligNet de plusieurs millions de jugements de type odd-one-out sur un million d'images pour affiner d'autres modèles. Les modèles alignés obtiennent de meilleurs résultats sur des tâches de sciences cognitives et sur des tâches d'apprentissage few-shot et de distribution shift.

    Motif de la recommandation :L'article détaille une méthode en trois étapes pour aligner les représentations visuelles des modèles sur les hiérarchies conceptuelles humaines, avec des gains mesurés sur la robustesse et la généralisation.

8 novembresam.
  1. Google Research65

    Google Research présente Nested Learning, un nouveau paradigme ML pour l'apprentissage continu

    Google Research présente Nested Learning, un paradigme publié à NeurIPS 2025 qui traite un modèle ML comme un système de problèmes d'optimisation imbriqués.

    Motif de la recommandation :L'article présente un paradigme qui unifie architecture et optimisation et détaille l'architecture Hope, offrant un cadre pour aborder l'oubli catastrophique.

7 novembreven.
6 novembrejeu.
5 novembremer.
  1. Google Research50

    Google Research présente ForestCast : prévoir le risque de déforestation par deep learning

    Google Research annonce ForestCast, un modèle de deep learning fondé sur des vision transformers qui prédit le risque de déforestation à partir de données satellitaires brutes Landsat et Sentinel 2, sans cartes auxiliaires. Le modèle s'appuie surtout sur l'« historique de changement », une entrée dérivée des satellites indiquant les pixels déjà déforestés et l'année associée, dont l'usage seul donne des métriques de précision comparables à celles des données satellitaires brutes complètes. Google Research publie en parallèle le premier benchmark public dédié à l'entraînement de modèles de prédiction du risque de déforestation, avec les données d'entrée, d'entraînement et d'évaluation.

  2. Google Research62

    Google Research présente Project Suncatcher : exploration d'une conception de système d'infrastructure IA scalable basée dans l'espace

    Google Research a publié le preprint « Towards a future space-based, highly scalable AI infrastructure system design » et dévoile Project Suncatcher.

    Motif de la recommandation :L'article expose le design système, les quatre défis techniques et les données de test des TPU, permettant de comprendre les contraintes réelles du calcul IA dans l'espace.

31 octobreven.
30 octobrejeu.
28 octobremar.
  1. Google Research60

    Google déploie un aperçu public de son coach santé personnel propulsé par Gemini

    Google Research annonce le déploiement d'un aperçu public optionnel du coach santé personnel pour les utilisateurs Fitbit Premium Android aux États-Unis.

    Motif de la recommandation :L'article détaille l'architecture multi-agents et le cadre d'évaluation SHARP derrière le coach santé Gemini, utile pour comprendre comment un assistant grand public est construit et validé.

4 septembrejeu.
26 juinjeu.
17 marslun.
12 marsmer.
19 févriermer.
5 décembrejeu.
19 aoûtlun.
31 juilletmer.
10 juilletmer.
  1. Hugging Face Blog60

    Hugging Face et KerasHub annoncent une intégration : les modèles Transformers peuvent être chargés directement dans KerasHub

    Hugging Face et KerasHub annoncent une intégration : Transformers et KerasHub partagent désormais un format de sauvegarde de modèles.

    Motif de la recommandation :L'original expose le format de sauvegarde partagé entre Transformers et KerasHub, ce qui permet de charger directement plus de 300 000 modèles fine-tunés dans KerasHub.

9 juilletmar.
27 juinjeu.
14 maimar.
  1. Hugging Face Blog73

    Google publie PaliGemma, une famille de modèles vision-langage open source

    Google publie PaliGemma, une famille de modèles vision-langage open source composée d'un encodeur d'images SigLIP-So400m et d'un décodeur de texte Gemma-2B. Trois types de checkpoints sont disponibles (pré-entraînés, mix et fine-tunés), en résolutions 224x224, 448x448 et 896x896 et en précisions bfloat16, float16 et float32, avec intégration à transformers et à l'implémentation JAX d'origine. Les modèles mix atteignent 46,00 de précision MMVP et 88,00 de précision POPE en 224, tandis que les modèles fine-tunés couvrent des tâches comme VQAv2, COCO Captions, ScienceQA et refcoco.

    Motif de la recommandation :Présentation des trois variantes de PaliGemma, de leur architecture SigLIP+Gemma et des scores de benchmarks transférés, utile pour évaluer les modèles vision-langage open source.

10 avrilmer.
9 avrilmar.
23 févrierven.
21 févriermer.
25 janvierjeu.
  1. Hugging Face Blog40

    Hugging Face et Google Cloud annoncent un partenariat stratégique pour l'IA ouverte

    Hugging Face et Google Cloud ont annoncé un partenariat stratégique pour démocratiser le machine learning et permettre aux entreprises de construire leur propre IA avec des modèles ouverts. Les clients de Google Cloud pourront entraîner et déployer les modèles Hugging Face via Google Kubernetes Engine (GKE) et Vertex AI, en s'appuyant sur les TPU, les VM A3 équipées de GPU NVIDIA H100 Tensor Core et les VM C3. Les utilisateurs du Hugging Face Hub bénéficieront du déploiement en production via Inference Endpoints et de l'accélération par TPU sur Hugging Face Spaces, avec des annonces prévues dès ce trimestre.

25 octobremer.