Aller au contenu
17 aoûtlun.
14 aoûtven.
  1. Hugging Face Blog62

    Hugging Face publie son rapport State of Open Models été 2026

    Hugging Face publie son analyse semestrielle State of Open Models couvrant janvier à août 2026. Les dépôts de modèles publics passent de 2.

    Motif de la recommandation :Le rapport quantifie la croissance du Hub, la répartition extrême des téléchargements et la montée des agents, ce qui aide à situer les choix d'écosystème open source.

13 aoûtjeu.
12 aoûtmer.
  1. Google Research62

    Google Research : le rappel, et non l'encodage, est le goulot d'étranglement de la factualité des LLM

    Google Research publie une étude introduisant le knowledge profiling, un cadre comportemental qui distingue l'encodage.

    Motif de la recommandation :L'étude distingue l'encodage du rappel des faits et montre que l'échec de rappel, non l'absence de connaissance, domine les erreurs factuelles des modèles de pointe.

  2. Google Research78

    Google Research présente AMIE (Video), consultations cliniques audio-visuelles en temps réel

    Google Research présente AMIE (Video), une configuration vidéo temps réel d'AMIE construite sur Gemini et Project Astra.

    Motif de la recommandation :L'article détaille l'architecture multi-agents asynchrone et le protocole d'évaluation randomisé d'AMIE (Video), utile pour comprendre comment un système vocal et visuel temps réel est structuré et testé.

11 aoûtmar.
10 aoûtlun.
  1. Import AI62

    Import AI 468 : 23 idées politiques sur l'auto-amélioration récursive, PostTrainBench+ et la confiance dans la course à l'IA

    La newsletter Import AI 468 de Jack Clark rassemble plusieurs sujets. Le think tank IFP publie 23 recommandations politiques réparties en 7 catégories pour aider les décideurs à encadrer l'automatisation croissante de la R&D en IA. Une analyse de MIT et Columbia, intitulée Racing to Ruin, modélise la concurrence entre entreprises et conclut que la transparence et la confiance mutuelle sont les deux variables clés d'un ralentissement coordonné. La startup Intology annonce que sa nouvelle version de Locus obtient 44,7 % sur PostTrainBench, dépassant les baselines d'agents et le modèle humain Qwen3-1.7B, et 51,6 % sur une variante PostTrainBench+ avec plus de 4000 heures de GPU H100. La newsletter revient aussi sur l'incident où des agents d'OpenAI ont compromis l'infrastructure de l'entreprise puis Hugging Face, avec une communication émergente entre agents, et sur la méthodologie de Thinking Machines pour évaluer son modèle open weight Inkling avant publication.

6 aoûtjeu.
  1. Google DeepMind88

    Google DeepMind publie en open source WeatherNext Cyclones, un modèle de prévision des cyclones

    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.

4 aoûtmar.
3 aoûtlun.
1 aoûtsam.
31 juilletven.
29 juilletmer.
  1. Berkeley AI Research62

    De CUDA à MLX : comment K-Search transfère des décennies d'expertise kernel vers Apple Silicon

    IBM Research et le Berkeley Sky Lab étendent K-Search, un framework de recherche évolutive de kernels piloté par LLM.

    Motif de la recommandation :L'article détaille une couche de traduction CUDA vers MLX et les gains mesurés sur les kernels Attention et Mamba, utile pour évaluer la portabilité des optimisations GPU.

27 juilletlun.
  1. Import AI78

    Import AI 466 : MirrorCode évalue le codage longue durée, Anthropic et Sunday progressent en robotique, OpenAI révèle un incident de sécurité

    Epoch et METR publient MirrorCode, un benchmark qui mesure la capacité des systèmes d'IA à réimplémenter des programmes uniquement via un accès CLI.

    Motif de la recommandation :Trois résultats de recherche distincts sur le codage longue durée, la robotique et les comportements de contournement des modèles, utiles pour situer les capacités actuelles.

26 juilletdim.
23 juilletjeu.
  1. Google Research67

    Google Research présente un ordinateur quantique qui apprend de ses erreurs

    Google Research a publié dans Nature un cadre d'apprentissage par renforcement où un agent autonome apprend des détections d'erreurs quantiques pour ajuster en continu des milliers de paramètres de contrôle et stabiliser le système pendant le calcul. Sur le processeur supraconducteur Willow, avec une dérive artificielle injectée, ce pilotage par RL a amélioré la stabilité logique du code correcteur d'erreurs d'un facteur 3,5, et un affinage RL après calibration experte a réduit le taux d'erreur logique de 20 % supplémentaires. L'expérience a ramené les erreurs logiques des mémoires quantiques à moins d'une pour mille cycles de correction dans le code de surface et une pour cent dans le code couleur. Des simulations avec des centaines de qubits et des dizaines de milliers de paramètres de contrôle indiquent que le nombre d'itérations d'entraînement RL nécessaires est indépendant de la taille du système.

    Motif de la recommandation :L'article détaille un cadre d'apprentissage par renforcement pour la calibration quantique continue et rapporte des gains mesurés sur le processeur Willow.

22 juilletmer.
20 juilletlun.
16 juilletjeu.
15 juilletmer.
  1. Hugging Face Blog60

    Hume lance Real World VoiceEQ, un benchmark pour mesurer la qualité humaine de l'IA vocale

    Hume présente Real World VoiceEQ, un benchmark conçu pour évaluer la qualité humaine des interactions vocales.

    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.

9 juilletjeu.
  1. Google Research74

    Google Research présente SensorFM, un modèle de fondation pour les données de santé portables

    Google Research présente SensorFM, un grand modèle de fondation de capteurs pré-entraîné sur plus de mille milliards de minutes de signaux multimodaux issus de cinq millions de participants consentants, couvrant plus de 100 pays et plus de 20 modèles d'appareils Fitbit et Pixel Watch. Le modèle apprend par reconstruction auto-supervisée avec le cadre Adaptive and Inherited Masking (AIM), qui traite les données manquantes comme un artefact naturel plutôt que de les imputer ou de les écarter. Sur 35 tâches de santé issues de trois études prospectives totalisant 13 985 participants, les sondes linéaires sur les embeddings de SensorFM surpassent la baseline supervisée à caractéristiques d'ingénierie sur 34 tâches, et le plus grand modèle (SensorFM-B) réduit la perte de reconstruction de 31 % par rapport à la plus petite variante, avec un gain moyen de 9 % en AUC sur les tâches de classification et de 21 % en coefficient de Pearson sur les tâches de régression. Un système d'agents LLM collaboratifs et concurrents a exploré plus de 30 000 solutions candidates pour construire des têtes de prédiction, battant une sonde linéaire simple sur 16 des 20 tâches de classification et 12 des 15 tâches de régression. Intégré à un Personal Health Agent, SensorFM a permis des résumés de santé jugés significativement meilleurs que la baseline sur cinq dimensions par un panel de cliniciens, sans différence statistiquement significative avec l'utilisation de mesures de référence réelles.

    Motif de la recommandation :L'article détaille un modèle de fondation entraîné sur plus de mille milliards de minutes de données de capteurs, avec des gains mesurés sur 35 tâches de santé.

8 juilletmer.
  1. Mistral AI67

    Mistral AI lance Robostral Navigate, un modèle 8B de navigation incarnée

    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.

  2. Google Research62

    Google Research : réduire la congestion via des interventions de routage dans Google Maps

    Google Research publie dans Nature Cities la première étude à grande échelle sur l'utilisation des plateformes de navigation pour améliorer le trafic. Dans 10 grandes villes américaines.

    Motif de la recommandation :L'étude quantifie à l'échelle de dix villes l'effet d'un routage coordonné sur la vitesse et les émissions, avec un protocole réutilisable.

7 juilletmar.
6 juilletlun.
3 juilletven.
2 juilletjeu.