Gemma 3n est désormais pleinement disponible dans l'écosystème open source
Gemma 3n est désormais pleinement disponible dans l'écosystème open source.
Gemma 3n est désormais pleinement disponible dans l'écosystème open source.
SmolVLA est un modèle Vision-Language-Action efficace entraîné sur les données communautaires LeRobot, publié sur le blog Hugging Face.
Mistral AI publie Devstral, un LLM agentique dédié aux tâches d'ingénierie logicielle.
Motif de la recommandation :Devstral atteint 46,8 % sur SWE-Bench Verified et peut tourner sur un seul RTX 4090, ce qui éclaire le choix d'un modèle de codage agentique déployable localement.
Falcon-Edge est une série de modèles de langage 1,58 bit présentés comme puissants, universels et fine-tunables.
NVIDIA annonce à la GTC 2025 de nouveaux modèles ouverts et jeux de données destinés aux développeurs d'IA incarnée.
Mistral AI annonce Mistral Small 3.1, présenté comme surpassant Gemma 3 et GPT-4o Mini avec une vitesse d'inférence de 150 tokens par seconde.
Motif de la recommandation :Mistral Small 3.1 précise les performances, la fenêtre de contexte et les points de disponibilité, ce qui permet de juger de son intérêt pour des déploiements légers.
LeRobot va à l'auto-école : le plus grand jeu de données open source de conduite autonome.
Hugging Face publie SigLIP 2, présenté comme un encodeur vision-langage multilingue amélioré.
Mistral AI publie Mistral Small 3, un modèle de 24 milliards de paramètres sous licence Apache 2.0.
Motif de la recommandation :Un modèle 24B sous Apache 2.0 qui rivalise avec des modèles trois fois plus grands et se déploie sur un seul GPU, avec les cas d'usage ciblés.
Hugging Face publie Open-R1, une reproduction entièrement ouverte de DeepSeek-R1. Le contenu détaillé n'est pas disponible, seul le titre est fourni.
Hugging Face présente ModernBERT, un nouveau modèle destiné à remplacer BERT. Le billet de blog est publié sur le site de Hugging Face.
Hugging Face Blog annonce l'arrivée de la famille de modèles ouverts Falcon 3.
Hugging Face publie SmolVLM, un modèle de vision-langage de petite taille présenté comme léger mais performant.
Mistral AI annonce Pixtral Large, un modèle multimodal open-weights de 124B construit sur Mistral Large 2.
Motif de la recommandation :L'annonce détaille les performances de Pixtral Large sur plusieurs benchmarks et sa disponibilité sous licence ouverte, ce qui permet de situer le modèle face à GPT-4o et Gemini-1.5 Pro.
Hugging Face publie Transformers.js v3, qui ajoute le support WebGPU (jusqu'à 100x plus rapide que WASM).
Motif de la recommandation :L'annonce détaille le support WebGPU, les nouveaux formats de quantification et la compatibilité multi-runtimes, ce qui aide à évaluer l'exécution de modèles dans le navigateur.
dottxt et Hugging Face annoncent la publication d'outlines-core, un portage en Rust des algorithmes centraux d'outlines pour la génération structurée.
Hugging Face explique comment fine-tuner un modèle Llama3 8B existant en quantification extrême 1.58 bit via l'architecture BitNet.
Motif de la recommandation :L'article détaille des astuces concrètes pour fine-tuner un modèle existant en 1.58 bit, avec code et benchmarks, ce qui permet de reproduire la méthode.
Mistral AI annonce Pixtral 12B, un modèle multimodal natif entraîné sur des données d'images et de texte entrelacées.
Motif de la recommandation :Présente l'architecture et les performances de Pixtral 12B, avec des comparaisons face aux modèles ouverts et fermés de même échelle.
Hugging Face a publié la première release candidate d'Accelerate 1.0.0, une bibliothèque d'entraînement distribué utilisée par transformers.
Motif de la recommandation :L'annonce détaille les changements cassants et les nouvelles intégrations de la version 1.0.0, ce qui aide les utilisateurs à évaluer la migration.
Hugging Face présente LeRobotDataset, un format de dataset robotique qui stocke les modalités visuelles en vidéo encodée plutôt qu'en images PNG individuelles.
Le Technology Innovation Institute (TII) d'Abu Dhabi publie Falcon Mamba 7B, présenté comme le premier grand modèle 7B sans attention.
Motif de la recommandation :L'article détaille l'architecture sans attention, les benchmarks comparatifs et le support dans l'écosystème Hugging Face, utile pour évaluer les compromis des SSM.
Hugging Face annonce officiellement l'acquisition de XetHub, une entreprise de Seattle fondée par Yucheng Low.
Motif de la recommandation :L'annonce détaille l'acquisition de XetHub par Hugging Face et les gains attendus pour le stockage des dépôts de modèles et de jeux de données.
Google élargit la famille Gemma avec trois ajouts : Gemma 2 2B, la version 2,6 milliards de paramètres de Gemma 2 adaptée à une exécution sur appareil.
Motif de la recommandation :L'article détaille les trois ajouts de Google à la famille Gemma et fournit des exemples de code pour l'inférence locale et la génération assistée.
Mistral AI publie Mistral Large 2, un modèle de 123 milliards de paramètres doté d'une fenêtre de contexte de 128k et conçu pour l'inférence sur un seul nœud. Il est distribué sous licence de recherche Mistral, une licence commerciale étant requise pour l'auto-déploiement en usage commercial, et accessible via la Plateforme sous le nom mistral-large-2407 ainsi que sur Hugging Face. Le modèle affiche 84,0 % sur MMLU et couvre plus de 80 langages de programmation, avec des appels de fonctions parallèles et séquentiels renforcés.
Motif de la recommandation :Mistral Large 2 détaille fenêtre de contexte, licence et performances comparées, utile pour évaluer le compromis coût et capacité en déploiement.
Mistral AI publie Mistral NeMo, un modèle 12B développé en collaboration avec NVIDIA.
Motif de la recommandation :Mistral NeMo est un modèle 12B à fenêtre de 128k, sous licence Apache 2.0, avec un tokenizer Tekken plus efficace et une quantification FP8, ce qui permet d'évaluer les compromis entre taille, contexte et coût d'inférence.
Mistral AI publie Codestral Mamba, un modèle de code sous licence Apache 2.0 conçu avec Albert Gu et Tri Dao.
Motif de la recommandation :Codestral Mamba adopte l'architecture Mamba avec une inférence en temps linéaire et un contexte testé jusqu'à 256k tokens, un point de repère pour évaluer les alternatives aux Transformer sur le code.
Mistral AI publie Mathstral, un modèle instructif 7B spécialisé dans les problèmes mathématiques et STEM à raisonnement logique multi-étapes.
Motif de la recommandation :Mathstral 7B atteint 56,6 % sur MATH et 63,47 % sur MMLU, avec des gains supplémentaires via majority voting et reward model, ce qui éclaire les compromis performance/vitesse pour les modèles spécialisés.
Numina et Hugging Face ont remporté le 1er Progress Prize de l'AI Math Olympiad (AIMO) avec NuminaMath 7B TIR.
Motif de la recommandation :L'article détaille la recette d'entraînement en deux étapes et l'algorithme SC-TIR qui ont permis de résoudre 29 problèmes sur 50, une méthode transférable pour le fine-tuning d'un modèle de raisonnement mathématique.
L'équipe Hugging Face indique que son Code Agent construit avec Transformers Agents atteint 44.
Motif de la recommandation :L'original expose la conception d'un Code Agent et sa performance sur GAIA, avec des détails sur l'interpréteur sécurisé et l'orchestration multi-agents.
Le CERT-FR publie une alerte sur la vulnérabilité critique CVE-2024-6387 dans OpenSSH.
Motif de la recommandation :Le bulletin détaille les versions touchées, les conditions d'exploitation confirmées et la mesure de contournement proposée par Qualys.
Google a publié Gemma 2, sa nouvelle famille de LLM ouverts, disponible en versions 9B et 27B.
Motif de la recommandation :L'article détaille les choix techniques de Gemma 2 et son intégration dans l'écosystème Hugging Face, utile pour évaluer les compromis de déploiement.
Hugging Face présente le RLOO (REINFORCE Leave One-Out) Trainer dans TRL.
Motif de la recommandation :L'article détaille l'implémentation de RLOO dans TRL, avec des comparaisons de mémoire et de vitesse face à PPO, utile pour choisir une méthode d'entraînement RLHF.
Mistral AI présente Codestral, son premier modèle de génération de code.
Motif de la recommandation :Codestral est un modèle de code open-weight de 22B avec une fenêtre de contexte de 32k, ce qui permet d'évaluer ses performances et son intégration dans les outils de développement.
Mistral AI annonce la Mistral AI non-production license (MNPL).
Motif de la recommandation :Mistral introduit une licence non commerciale et publie Codestral sous ce régime, ce qui éclaire le lecteur sur les conditions d'usage de ses modèles.
TII lance Falcon 2, une nouvelle génération de modèles open source.
Motif de la recommandation :Falcon 2 11B est publié en version LLM et VLM, avec les détails d'entraînement et les résultats d'évaluation pour situer ses performances.
Hugging Face intègre la quantification du KV cache dans Transformers.
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.
Hugging Face publie StarCoder2-15B-Instruct-v0.1, présenté comme le premier LLM de code entièrement auto-aligné entraîné via un pipeline transparent et permissif. Le modèle génère lui-même des paires instruction-réponse à partir de StarCoder2-15B, sans annotation humaine ni distillation de LLM propriétaires, et atteint 72,6 sur HumanEval, surpassant les 72,0 de CodeLlama-70B-Instruct. Sur LiveCodeBench, il devance même la version du même modèle entraînée sur des données distillées de GPT-4, ce qui suggère qu'un LLM apprend plus efficacement sur sa propre distribution. Les datasets et l'intégralité du pipeline sont open source.
Motif de la recommandation :Le pipeline entièrement ouvert et l'auto-alignement sans données distillées de GPT-4 permettent de reproduire et d'adapter la méthode à d'autres modèles de code.
Hugging Face publie JAT (Jack of All Trades), un agent Transformer unique entraîné sur un dataset de centaines de milliers de trajectoires d'experts couvrant Atari.
Motif de la recommandation :L'article détaille l'architecture et les résultats d'un agent Transformer unique couvrant jeux vidéo, robotique et navigation, avec dataset et modèles ouverts.
Meta publie Llama 3, la nouvelle génération de sa famille de LLM open source, disponible sur Hugging Face en versions 8B et 70B.
Motif de la recommandation :L'article détaille les spécifications de Llama 3, les intégrations dans l'écosystème Hugging Face et les méthodes de déploiement, ce qui permet de comprendre les capacités du modèle et les options d'utilisation.