Aller au contenu
9 févrierlun.
  1. Hugging Face Blog78

    Transformers.js v4 disponible sur NPM avec un nouveau runtime WebGPU

    Transformers.js v4 est disponible sur NPM après un an de développement. La version adopte un nouveau runtime WebGPU réécrit en C++ avec l'équipe ONNX Runtime.

    Motif de la recommandation :Transformers.js v4 détaille le nouveau runtime WebGPU en C++, les gains de performance et la restructuration du dépôt, utile pour évaluer le déploiement d'inférence dans le navigateur.

23 janvierven.
  1. Google Research22

    Gemini 1.5 Flash 8B : l'extraction d'intention par décomposition égale Gemini 1.5 Pro

    Google Research montre qu'une approche décomposée — résumer chaque écran puis extraire l'intention de la séquence — permet à de petits MLLM d'égaler de grands modèles pour comprendre l'intention utilisateur sur mobile et web. Testée sur les modèles Gemini et Qwen2, elle surpasse le chain of thought prompting (CoT) et le fine-tuning end-to-end (E2E), et Gemini 1.5 Flash 8B atteint des résultats comparables à Gemini 1.5 Pro à une fraction du coût et de la latence. L'évaluation repose sur l'approche Bi-Fact et des « atomic facts » pour mesurer précision, rappel et F1, ouvrant la voie à une compréhension d'intention embarquée sur appareil.

16 janvierven.
  1. Google Research36

    Google Research : estimer les métriques de marche avancées avec les smartwatches

    Google Research a développé un modèle deep learning multi-têtes basé sur une architecture TCN qui estime directement l'ensemble des métriques spatio-temporelles de marche à partir d'une Pixel Watch portée au poignet, avec une fréquence d'échantillonnage de 50 Hz. Validé sur 246 participants et environ 70 000 segments de marche, le modèle atteint une validité élevée (Pearson r > 0,80) et une excellente fiabilité (ICC > 0,80) pour la vitesse de marche, la longueur de pas, le temps de balancement et le temps d'appui, avec des performances comparables aux estimations par smartphone.

7 janviermer.
30 octobrejeu.
29 octobremer.
  1. OpenAI News68

    OpenAI lance gpt-oss-safeguard, un modèle de raisonnement à poids ouverts pour la classification de sécurité

    OpenAI présente gpt-oss-safeguard, un modèle de raisonnement à poids ouverts destiné à la classification de sécurité.

    Motif de la recommandation :Un modèle de raisonnement à poids ouverts dédié à la classification de sécurité, qui permet aux développeurs d'appliquer et d'itérer leurs propres politiques.

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.

24 octobreven.
25 septembrejeu.
  1. OpenAI News62

    OpenAI lance en aperçu ChatGPT Pulse pour les utilisateurs Pro sur mobile

    OpenAI publie un aperçu de ChatGPT Pulse destiné aux utilisateurs Pro sur mobile. Pulse est une nouvelle expérience dans laquelle ChatGPT mène des recherches de manière proactive pour fournir des mises à jour personnalisées à partir des conversations, des retours et des applications connectées comme le calendrier.

    Motif de la recommandation :OpenAI expose une nouvelle expérience où ChatGPT effectue des recherches proactives et livre des mises à jour personnalisées, ce qui éclaire l'évolution des usages mobiles.

2 septembremar.
30 aoûtsam.
  1. CNC Kitchen62

    TooltraceAI génère automatiquement des bacs Gridfinity à partir d'une photo

    L'outil en ligne gratuit TooltraceAI génère automatiquement des bacs Gridfinity à partir d'une simple photo d'outils posés sur une feuille de papier A4 servant d'échelle.

    Motif de la recommandation :L'outil transforme une photo d'outils en bacs Gridfinity imprimables, avec les réglages et astuces d'impression bi-couleur testés par l'auteur.

5 aoûtmar.
26 juinjeu.
15 maijeu.
17 marslun.
20 févrierjeu.
30 janvierjeu.
22 octobremar.
16 octobremer.
20 septembreven.
31 juilletmer.
22 juilletlun.
20 marsmer.
13 févriermar.
19 janvierven.
8 aoûtmar.
  1. Hugging Face Blog62

    Hugging Face publie swift-transformers pour exécuter des LLM sur les appareils Apple

    Hugging Face publie swift-transformers, un package Swift en développement qui implémente une API de type transformers pour la génération de texte.

    Motif de la recommandation :Présente les outils et le guide de conversion Core ML pour exécuter Llama 2 sur Mac, avec les limites de performances et les optimisations prévues.

27 juilletjeu.
  1. Hugging Face Blog62

    Stable Diffusion XL sur Mac avec quantification Core ML avancée

    Hugging Face et Apple publient des modèles Core ML de Stable Diffusion XL, dont une version avec quantification mixed-bit réduisant l'UNet de 4.

    Motif de la recommandation :Présente la quantification mixed-bit et des recettes prêtes à l'emploi pour exécuter Stable Diffusion XL sur Mac, avec des chiffres de taille et de latence.

15 juinjeu.
  1. Hugging Face Blog62

    Comment accélérer Stable Diffusion sur iPhone, iPad et Mac avec Core ML

    Hugging Face présente les optimisations Core ML de WWDC'23 pour exécuter Stable Diffusion plus rapidement et avec moins de mémoire sur iPhone.

    Motif de la recommandation :L'article détaille la quantification 6 bits de Core ML et fournit les commandes de conversion, permettant de reproduire le déploiement de Stable Diffusion sur appareil.

24 févrierven.
1 décembrejeu.
  1. Hugging Face Blog75

    Utiliser Stable Diffusion avec Core ML sur Apple Silicon

    Grâce aux ingénieurs d'Apple, il est désormais possible d'exécuter Stable Diffusion sur Apple Silicon via Core ML. Le dépôt Apple fournit des scripts de conversion et du code d'inférence basés sur Diffusers, et les poids convertis des modèles Stable Diffusion v1.4, v1.5, v2 base et v2.1 base sont disponibles sur le Hugging Face Hub. Core ML prend en charge le CPU, le GPU et le Neural Engine, avec des variantes d'attention original et split_einsum ainsi que des formats packages pour Python et compilés pour Swift. Sur un MacBook Pro M1 Max avec macOS Ventura 13.1 Beta 4, la génération d'une image avec Stable Diffusion v1.4 a pris 18 secondes.

    Motif de la recommandation :Le guide détaille les variantes de modèles Core ML et les commandes Python et Swift pour exécuter Stable Diffusion localement sur Apple Silicon.

23 janviersam.
2 décembrelun.