Star Wars Mouse Droid : un droïde imprimé en 3D autonome et open source façon Sabine Wren
La créatrice canadienne Cass, derrière Chaos Theory, a construit un droïde MSE-6 inspiré de Star Wars.
La créatrice canadienne Cass, derrière Chaos Theory, a construit un droïde MSE-6 inspiré de Star Wars.
Simon Willison publie llm-typesafe 0.1a0, un plugin LLM ajoutant le support du nouveau modèle Jev de TypeSafe AI.
Cactus Compute présente Needle 2, un modèle de function calling de 14 Mo qui transforme des instructions en anglais en actions locales sur un Raspberry Pi 5.
Motif de la recommandation :Un exemple concret de modèle de function calling de 14 Mo exécuté en local sur Raspberry Pi 5, avec latences et consommation mémoire mesurées.
NVIDIA publie Isaac ROS 5.0, une collection de paquets accélérés par GPU bâtie sur ROS.
Motif de la recommandation :NVIDIA détaille les workflows agentiques et le support de ROS Lyrical dans Isaac ROS 5.0, ce qui permet de situer les changements pour les développeurs robotiques.
Gearotons M17 est un servomoteur open source qui intègre dans un corps NEMA-17 standard.
Motif de la recommandation :Présente l'intégration matérielle et le prix d'un servomoteur NEMA-17, utile pour évaluer les choix de composants dans les projets embarqués.
Xiaomi a lancé la série MiMo-V2.6, comprenant deux modèles nativement omnimodaux.
Motif de la recommandation :Le communiqué détaille les paramètres, le coût d'entraînement RL et l'ouverture des environnements, ce qui permet de juger de l'écart avec les modèles fermés.
Hugging Face ajoute le support de l'exécution des modèles GGUF dans transformers.
Motif de la recommandation :L'original expose la méthode d'intégration GGUF dans transformers et les écarts de débit avec llama.cpp, ce qui permet de juger si l'inférence locale peut passer sur les API existantes.
Hugging Face annonce la release candidate de tokenizers v1, dont le chemin d'encodage est 3 à 30 fois plus rapide que la v0.23 sur un thread avec un Apple M4 Max.
Motif de la recommandation :L'article détaille les changements d'implémentation de tokenizers v1 et fournit des benchmarks reproductibles, ce qui permet d'évaluer l'impact sur les pipelines d'entraînement et de service.
Google Research introduit MilleMiglia, un générateur d'instances en C++ conçu pour créer des benchmarks réalistes pour les problèmes de livraison du middle mile.
TRL v1.14 prend en charge l'entraînement d'un adaptateur LoRA dans AsyncGRPOTrainer et ne synchronise que cet adaptateur vers vLLM.
Motif de la recommandation :L'article détaille une architecture concrète pour entraîner un adaptateur LoRA avec Async GRPO sur des Jobs séparés, avec des chiffres de bout en bout et un diagnostic du goulot d'étranglement.
NetCube Systems Austria teste OpenNMC, une carte de gestion UPS au firmware entièrement open source.
Mistral a annoncé une levée de 3 milliards d'euros en série D à une valorisation post-money de plus de 21 milliards d'euros.
Motif de la recommandation :Le tour de table et la valorisation de Mistral, ainsi que la liste des investisseurs, permettent de situer les moyens engagés pour l'IA souveraine en Europe.
H Company publie NeoMME, une famille d'encodeurs multimodaux multilingues de 260M et 800M paramètres.
L'auteur reproduit en open source l'idée de Surya Narreddi, dont la vidéo de peintures à l'aquarelle générées par un modèle écrivant du JavaScript via p5.brush a dépassé 1.
Motif de la recommandation :L'auteur reproduit en open source l'entraînement RL d'un modèle de code pour peindre à l'aquarelle, avec pool, environnement et scripts publiés.
Microsoft Research présente GigaPath-Flash et GigaTIME-Flash, deux modèles de fondation en pathologie dérivés de GigaPath et GigaTIME.
Motif de la recommandation :L'original expose les compromis efficacité-performance et les estimations de temps GPU, ce qui permet de juger si l'analyse à grande échelle devient réalisable.
Liquid AI publie les points de contrôle DSpark draft pour trois modèles de la famille LFM2.5.
Motif de la recommandation :Liquid AI publie les points de contrôle DSpark pour trois modèles LFM2.5, avec des chiffres de gain de débit sur H100 et MacBook et un support llama.cpp et SGLang dès le premier jour.
AWS publie Strands Robots, un SDK open source (Apache 2.0) qui expose les abstractions robotiques.
NVIDIA publie Magpie TTS Multilingue, un modèle à poids ouverts de 364M de paramètres couvrant 12 langues.
Motif de la recommandation :Le modèle open weights et les chiffres de latence par GPU permettent d'évaluer le coût d'un pipeline vocal auto-hébergé.
Meta a publié Muse Glimmer, un modèle multimodal de 30B paramètres sous licence Apache 2.0.
Motif de la recommandation :Meta publie un modèle multimodal de 30B sous Apache 2.0 avec support day-0 dans transformers, llama.cpp et vLLM, ce qui permet d'évaluer son usage local pour le codage et l'analyse de documents.
Google DeepMind annonce que son modèle WeatherNext Cyclones atteint une précision de pointe pour prévoir la trajectoire.
Motif de la recommandation :Le modèle WeatherNext Cyclones est présenté avec ses performances de prévision et ses poids ouverts, ce qui permet de juger de son intérêt pour la recherche météorologique.
Mistral AI publie Shieldstral, un classificateur de sécurité multimodal de 3B paramètres sous licence Apache 2.0.
Motif de la recommandation :Un classificateur de sécurité multimodal de 3B paramètres, à poids ouverts et adaptable par politique, qui permet de mesurer l'impact sur les garde-fous existants.
Microsoft Research présente Orchard, un cadre open source pour l'IA agentique à grande échelle.
Motif de la recommandation :Le cadre open source et les recettes d'entraînement par domaine montrent comment de petits modèles ouverts atteignent des scores élevés sur SWE-bench Verified et des benchmarks web.
Hugging Face et Pollen Robotics publient Grabette, un système ouvert et à faible coût pour enregistrer des données de manipulation.
Motif de la recommandation :Le système complet est ouvert, du boîtier à la chaîne de traitement, ce qui permet de juger du coût et des étapes pour collecter soi-même des données de manipulation.
CNC Kitchen a testé si le capteur de nivellement du plateau, comme la load cell du Nextruder de Prusa.
Mistral AI présente Robostral Navigate, un modèle 8B de navigation incarnée qui utilise uniquement une caméra RGB et une instruction en langage naturel pour déplacer un robot dans des environnements complexes. Il atteint 76,6 % de réussite sur R2R-CE validation unseen, soit 9,7 points de plus que la meilleure approche à caméra unique et 4,5 points de plus que le meilleur système utilisant profondeur ou plusieurs caméras. Le modèle est entraîné entièrement en simulation sur environ 2,4 millions de trajectoires issues de 350k scènes, avec une méthode de prefix-caching qui réduit de 22× le nombre de tokens d'entraînement, puis un apprentissage par renforcement en ligne CISPO qui améliore le taux de réussite de 3,2 %. Il fonctionne sur robots à roues, à pattes et volants, et s'adapte à des obstacles réels non vus à l'entraînement.
Motif de la recommandation :Un modèle de navigation incarnée de 8B qui atteint 76,6 % sur R2R-CE avec une seule caméra RGB, avec les détails d'entraînement et de RL.
LeRobot v0.6.0 introduit des politiques à modèle du monde (VLA-JEPA, FastWAM, LingBot-VA).
Motif de la recommandation :LeRobot v0.6.0 expose en détail les nouveaux modèles, benchmarks et outils de déploiement, ce qui permet de juger l'évolution de la boucle d'apprentissage robotique open source.
Mistral AI publie Leanstral 1.5, un modèle gratuit sous licence Apache-2.0 de 119B de paramètres totaux et 6B actifs.
Motif de la recommandation :Leanstral 1.5 est publié sous licence Apache-2.0 avec 6B de paramètres actifs, des scores sur miniF2F, PutnamBench et FATE, et la découverte de bugs inédits.
Z.ai présente GLM-5.2, son nouveau modèle phare pour les tâches longue durée, qui succède à GLM-5.1 et prend en charge un contexte solide de 1M tokens. Il introduit IndexShare.
Motif de la recommandation :Le modèle phare GLM-5.2 est publié avec un contexte de 1M tokens et des benchmarks de codage longue durée, ce qui permet de comparer les performances des modèles ouverts et fermés.
Google DeepMind publie DiffusionGemma, un modèle expérimental open source sous licence Apache 2.0 qui génère le texte par diffusion plutôt que token par token.
Motif de la recommandation :Un modèle expérimental open source qui échange la qualité contre la vitesse d'inférence locale, avec des compromis clairement exposés.
Google DeepMind publie Gemma 4 12B, un modèle multimodal conçu pour apporter l'intelligence agentique directement sur les ordinateurs portables.
Motif de la recommandation :L'architecture sans encodeur et l'exécution locale sur 16 Go de VRAM permettent de juger de l'impact sur les déploiements embarqués.
OpenEnv, outil de création d'environnements d'exécution agentiques, est désormais coordonné par un comité incluant Meta-PyTorch.
Motif de la recommandation :OpenEnv passe sous gouvernance communautaire et se recentre sur une couche d'interopérabilité pour les environnements RL agentiques, ce qui éclaire les choix d'outillage des équipes qui entraînent des agents.
Google Research a mis en open source sur GitHub, sous licence Apache 2.0, son framework de modélisation hydrologique.
Motif de la recommandation :Le cadre d'hydrologie open source et le pipeline d'entraînement permettent aux agences météorologiques de reprendre le modèle Flood Hub et d'y intégrer leurs données locales.
H Company publie la famille Holo3.1, une mise à jour de son modèle computer-use Holo3.
Motif de la recommandation :La famille Holo3.1 expose les gains sur AndroidWorld et les checkpoints quantifiés pour l'inférence locale, ce qui aide à évaluer le déploiement d'agents computer-use.
Mistral AI renforce son engagement dans la Physics AI industrielle avec l'acquisition d'Emmi AI.
Hugging Face a fusionné une PR dans TRL qui encode uniquement les éléments modifiés des poids bf16 sous forme de fichier safetensors sparse.
Motif de la recommandation :Le texte détaille un protocole de synchronisation de poids par deltas sparse via HF Buckets, avec code et architecture, utile pour réduire les coûts de l'RL asynchrone.
Mistral AI lance Mistral Medium 3.5 en aperçu public, un modèle dense de 128B à fenêtre de contexte de 256k fusionnant suivi d'instructions.
Motif de la recommandation :Mistral Medium 3.5 est publié en open weights et devient le modèle par défaut de Vibe et Le Chat, avec des agents cloud asynchrones et un mode Work.
Hugging Face publie OlmoEarth v1.1, une famille de modèles d'observation de la Terre qui réduit jusqu'à 3x les coûts de calcul tout en conservant les performances d'OlmoEarth v1. La réduction repose sur la fusion des tokens par résolution pour Sentinel-2, ce qui divise par trois le nombre de tokens, au prix d'une modification du pré-entraînement pour éviter une baisse de 10 points sur m-eurosat kNN. Les poids et le code d'entraînement des modèles Base, Tiny et Nano sont disponibles.
Hugging Face publie six nouveaux rerankers Sentence Transformers CrossEncoder, de 17M à 1B de paramètres.
Motif de la recommandation :Six rerankers de 17M à 1B, avec données et recette d'entraînement complètes, permettent d'évaluer le compromis qualité-latence d'un pipeline retrieve-then-rerank.
IBM (Hugging Face) publie Granite Embedding Multilingual R2, deux modèles d'embedding multilingues Apache 2.0.
Hugging Face détaille comment séparer les charges CPU et GPU pour accélérer l'inférence LLM.
Motif de la recommandation :Décrypte le pipeline asynchrone du continuous batching avec streams, événements et carry-over, et documente un gain mesuré de 22 % sur un cas reproductible.