Motif de la recommandation :Le test compare le RTX Spark au M5 Max et au Ryzen AI Max+ 395 sur des tâches d'IA locale et de jeu, avec des chiffres de temps de complétion exploitables.
Motif de la recommandation :L'essai détaille les limites de l'INDX avec des filaments tiers et la calibration, utile pour comparer les imprimantes multi-extrusion.
Motif de la recommandation :L'évaluation couvre la qualité d'impression, la précision dimensionnelle, le bruit et la fiabilité sur un mois d'utilisation intensive, avec des mesures concrètes.
Motif de la recommandation :L'évaluation fournit des données de répétabilité, de capabilité et des impressions d'application pour juger de l'adéquation de la machine aux polymères techniques.
Motif de la recommandation :NVIDIA ouvre un modèle de fondation tabulaire pré-entraîné uniquement sur des données synthétiques, avec poids et bibliothèque d'inférence, ce qui permet de mesurer le passage des arbres boostés à l'apprentissage en contexte.
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.
Motif de la recommandation :L'article détaille un dispositif d'évaluation à double aveugle avec partenaires externes, utile pour comprendre comment la contamination des benchmarks est traitée techniquement.
Motif de la recommandation :Le benchmark couvre plus de 40 modèles vocaux et 15 dimensions, avec des données d'évaluation humaine à grande échelle qui permettent de comparer les capacités réelles des systèmes vocaux.
Hugging Face a intégré des datasets audio privés d'Appen Inc. et DataoceanAI à l'Open ASR Leaderboard afin de limiter les risques de benchmaxxing et de contamination des jeux de test. Ces données couvrent de l'anglais scripté et conversationnel sur plusieurs accents (australien, canadien, indien, américain, britannique), avec des durées allant de 1,02 h à 8,82 h selon les splits. Le WER moyen par défaut reste calculé uniquement sur les datasets publics, un toggle permettant d'inclure les datasets privés ; les scores par split ne sont volontairement pas publiés pour éviter les optimisations ciblées.
Hugging Face présente QIMMA قِمّة, un leaderboard arabe de LLM qui valide la qualité des benchmarks avant d'évaluer les modèles. La plateforme agrège 109 sous-ensembles issus de 14 benchmarks, soit plus de 52 000 échantillons couvrant 7 domaines, avec 99 % de contenu natif arabe et la première évaluation de code en arabe via HumanEval+ et MBPP+. Le pipeline de validation, combinant Qwen3-235B-A22B-Instruct et DeepSeek-V3-671B puis une revue humaine, a écarté jusqu'à 3,1 % des échantillons d'ArabicMMLU, révélant des problèmes systématiques de réponses, de formatage et de sensibilité culturelle.
Motif de la recommandation :Le modèle compact et son adaptateur LoRA sont décrits avec les benchmarks de tableaux, graphiques et KVP, ce qui aide à juger son intérêt pour l'extraction documentaire.
Motif de la recommandation :Hugging Face ouvre l'évaluation aux contributions communautaires et relie scores, modèles et benchmarks sur le Hub, ce qui change la façon de consulter et de reproduire les résultats.
Motif de la recommandation :NVIDIA publie Cosmos Reason 2, un VLM de raisonnement ouvert pour l'IA physique, avec des tailles 2B et 8B et un contexte de 256K.
Motif de la recommandation :Le lecteur peut situer les quatre axes d'évaluation de la factualité et les écarts de performance entre les principaux modèles.
Motif de la recommandation :L'essai décortique le système Vortek et compare temps et déchets face aux changeurs d'outils, utile pour choisir une imprimante multi-couleurs.
OpenAI introduit SimpleQA, un benchmark de factualité qui évalue la capacité des modèles de langage à répondre à des questions courtes et factuelles. Le benchmark cible les questions à réponse factuelle brève, mesurant ainsi la fiabilité factuelle des LLM.