Aller au contenu
29 septembremar.
28 septembrelun.
  1. Hugging Face Blog62

    Hugging Face Hub accueille les environnements RL avec un filtre dédié et des tags de framework

    Hugging Face Hub ajoute un filtre RL Environments : un environnement RL est un dépôt de jeu de données portant le tag rl-environment.

    Motif de la recommandation :Hugging Face héberge les environnements RL comme jeux de données étiquetés, ce qui évite aux frameworks de maintenir leurs propres registres et rend les tâches publiées chargeables entre outils.

27 septembredim.
26 septembresam.
25 septembreven.
  1. GitHub Blog · AI & ML62

    GitHub Security Lab Taskflow Agent : un pipeline de fuzzing autonome pour les projets C/C++

    GitHub Security Lab publie le Fuzzing Taskflow, un pipeline de fuzzing autonome pour les projets C/C++ construit sur son framework Taskflow Agent. Il suffit d'indiquer un dépôt GitHub pour que l'agent identifie les points d'entrée, analyse le système de build, écrit les harnesses, lance AFL++, lit les rapports de couverture, améliore les harnesses, trie les crashs et rédige un rapport de vulnérabilité par bug unique. Le pipeline sépare les décisions de l'agent des outils MCP qui exécutent réellement les opérations, stocke l'état dans une base SQLite et utilise Claude Sonnet 5 par défaut. L'auteur prévient que le taskflow exécute afl-fuzz, clang et des commandes de build choisies par le LLM directement sur l'hôte, et recommande de ne le lancer que dans un environnement jetable sans privilèges élevés.

    Motif de la recommandation :Le pipeline détaille la répartition des tâches entre l'agent et les outils MCP, ainsi que la boucle de rétroaction sur la couverture, une méthode directement transposable à d'autres automatisations de sécurité.

24 septembrejeu.
23 septembremer.
22 septembremar.
21 septembrelun.
  1. Hugging Face Blog62

    Hugging Face publie tokenizers v1 : encodage 3 à 30 fois plus rapide que la v0.23

    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.