Aller au contenu

Entreprises et modèles

Hugging Face Dernières actualités

Hugging Face : l'actualité de la communauté open source — modèles et jeux de données populaires, évolutions du classement et baromètre de l'écosystème open source.

230 sélections30 derniers jours 27 entréesTotal : 637 entrées

mise à jour

Archives de la sélection · page 2

22 octobrejeu.21–40 entrées
  1. Hugging Face Blog60

    VocabX : spécialiser le vocabulaire des petits modèles réduit le coût d'inférence de 77 %

    Dharma-AI présente VocabX, une méthode qui reconstruit le vocabulaire d'un modèle spécialisé selon le coût de chaque token plutôt que sa fréquence.

    Motif de la recommandation :L'article détaille le critère de sélection du vocabulaire pondéré par le coût et les résultats mesurés sur un correcteur de copies en production, utile pour évaluer les leviers de coût d'inférence des petits modèles spécialisés.

21 octobremer.
20 octobremar.
  1. Hugging Face Blog78

    Hugging Face intègre TorchTPU pour exécuter nativement Transformers et Diffusers sur TPU

    Hugging Face annonce le support natif de TorchTPU, un backend PyTorch pour TPU, dans son écosystème.

    Motif de la recommandation :L'article détaille le nouveau backend PyTorch natif pour TPU et son intégration dans Transformers, Diffusers et Kernels, avec des exemples de code et des chiffres de performance.

  2. Hugging Face Blog72

    ALTK-Evolve : la mémoire apprise place un agent GPT-4.1 en tête du benchmark τ²-bench en service client

    ALTK-Evolve, méthode d'IBM Research publiée sur le blog Hugging Face.

    Motif de la recommandation :L'original montre comment des règles comportementales extraites des trajectoires de l'agent améliorent la précision et la fiabilité sans mise à jour des poids, avec des chiffres par domaine.

  3. Hugging Face Blog60

    Hugging Face publie AnyLanguageModel 1.0, avec prise en charge des modèles locaux et hébergés sur les plateformes Apple

    Hugging Face a publié AnyLanguageModel 1.0, une API compatible avec le framework Foundation Models d'Apple qui permet de remplacer le modèle utilisé en changeant simplement l'import. La version 1.0 prend en charge l'appel d'outils et la génération guidée pour tous les fournisseurs, ainsi que les images d'entrée, et couvre les modèles locaux via llama.cpp, MLX et Core ML, ainsi que les fournisseurs hébergés comme OpenAI, Anthropic, Gemini, Ollama et Hugging Face Inference Providers. L'article cite également les modèles open-weight les plus téléchargés sur le Hub, dont Gemma 4 E2B et LFM2.5 2.6B, qui tiennent sur un iPhone, et Qwen3.8 27B en MLX, qui nécessite un Mac avec au moins 32 Go de mémoire.

    Motif de la recommandation :L'article détaille les changements de l'API unifiée et la liste des fournisseurs pris en charge, utile pour évaluer le coût de migration des applications Swift existantes.

  4. Hugging Face Blog78

    PyTorch 2.15 apporte FP8 et un décodage LLM plus rapide sur le backend MPS des Mac

    PyTorch 2.15 ajoute le support FP8 sur MPS et accélère le décodage des modèles de langage sur Mac. Sur un M3 Ultra avec torch.compile.

    Motif de la recommandation :L'équipe PyTorch de Hugging Face détaille les changements du backend MPS dans PyTorch 2.15, avec des chiffres de débit et de mémoire qui aident à évaluer l'exécution locale de modèles sur Mac.

  5. Hugging Face Blog72

    Hugging Face présente TorchNeuron, un backend natif PyTorch pour AWS Trainium

    Hugging Face présente TorchNeuron, un plugin PyTorch qui fait de Neuron un périphérique natif sur AWS Trainium.

    Motif de la recommandation :L'original détaille le nouveau backend natif de PyTorch sur Trainium et les changements d'API dans Transformers, TRL et Diffusers, ce qui permet de juger du coût de migration depuis Optimum Neuron.

16 octobreven.
  1. Hugging Face Blog88

    Reflection publie Beam, un modèle MoE ouvert de 501B paramètres dédié au code et aux agents

    Le laboratoire américain Reflection publie Beam sur Hugging Face, un modèle de langage MoE de 501B paramètres (23B actifs par token) sous licence Apache 2.0.

    Motif de la recommandation :Un modèle MoE de 501B paramètres ouvert sous Apache 2.0, avec recettes d'inférence et de post-entraînement fournies, permet d'évaluer le coût réel d'un déploiement autonome.

  2. Hugging Face Blog72

    IBM publie Granite Switch 4.1, un endpoint unique pour le chat, la décision et la parole

    IBM publie les modèles Granite-Switch-4.1-8B et -30B, qui réunissent dans un seul endpoint hébergé les réponses en langage naturel.

    Motif de la recommandation :Présente la composition d'adaptateurs dans un seul endpoint et la réutilisation du KV cache, un repère pour évaluer les coûts de déploiement multi-tâches.

  3. The Decoder80

    Black Forest Labs publie FLUX 3 Image Klein, un modèle image open-weights tournant sur GPU grand public avec 8 Go de VRAM

    Black Forest Labs a publié FLUX 3 Image Klein, un modèle open-weights de 5,6 milliards de paramètres pour la génération texte-image.

    Motif de la recommandation :Un modèle image open-weights de 5,6 milliards de paramètres qui tourne sur un GPU grand public avec 8 Go de VRAM, avec les conditions de licence et les points d'accès détaillés.

15 octobrejeu.
  1. Hugging Face Blog62

    HiRO-ACEv2 : simuler des événements météorologiques extrêmes à 3 km de résolution pour une fraction du coût

    Allen AI présente HiRO-ACEv2, une mise à jour de son système HiRO-ACE de simulation climatique. Le nouveau modèle de descente d'échelle HiROv2 prédit simultanément plusieurs champs à haute résolution (pluie, vent, pression) et reproduit les statistiques haute résolution de X-SHiELD à 3 % près, y compris des événements rares sur un million de points de données. Le système complet génère des données climatiques mondiales à 3 km pour environ 1/300 du coût de X-SHiELD, et plus de cent fois moins cher encore pour une seule région. Les modèles sont téléchargeables et des notebooks tutoriels sont fournis ; les travaux futurs porteront sur des climats plus chauds et de nouvelles sorties comme la température de surface et la neige.

    Motif de la recommandation :HiRO-ACEv2 génère des données climatiques mondiales à 3 km pour environ 1/300 du coût de X-SHiELD, avec des modèles et notebooks ouverts.

14 octobremer.
  1. Hugging Face Blog80

    Liquid AI publie LFM2.5-24B-A2B, un modèle de raisonnement MoE pour agents sur appareil

    Liquid AI publie LFM2.5-24B-A2B, un modèle de raisonnement de 24B de paramètres dont seulement 2B sont actifs par token.

    Motif de la recommandation :Liquid AI publie les poids ouverts et les benchmarks d'un modèle MoE orienté agents sur appareil, permettant de comparer le compromis taille, vitesse et usage d'outils.

9 octobreven.
  1. Hugging Face Blog62

    Ai2 remplace son ordonnanceur par priorité par des budgets GPU et un fair-share hiérarchique

    L'équipe AI Infrastructure d'Ai2 a remplacé un ordonnanceur par priorité par un système combinant budgets de temps GPU.

    Motif de la recommandation :L'équipe d'infrastructure d'Ai2 détaille le passage d'un ordonnanceur par priorité à un système de budgets GPU et de fair-share hiérarchique, avec les métriques obtenues après déploiement.

  2. Hugging Face Blog78

    Comment l'auteur a entraîné six modèles absents du Hub avec ML Intern pour environ 103 dollars

    L'auteur raconte avoir utilisé ML Intern dans HuggingChat pour créer six modèles qui n'existaient pas sur le Hub.

    Motif de la recommandation :L'auteur détaille sa méthode de prompt et ses coûts réels pour entraîner six petits modèles via un agent, un retour d'expérience directement réutilisable.

8 octobrejeu.
6 octobremar.
  1. Hugging Face Blog62

    TII publie Falcon-Emirati-7B, un LLM spécialisé dans le dialecte émirati

    Le Technology Innovation Institute (TII) publie Falcon-Emirati-7B, un modèle spécialisé dans le dialecte arabe émirati construit sur Falcon-H1-Arabic.

    Motif de la recommandation :Le détail de la recette d'adaptation dialectale et des résultats par catégorie permet de juger ce que le fine-tuning apporte face à des modèles plus grands.

2 octobreven.
  1. Hugging Face Blog62

    ServiceNow présente AutoSynthData, un pipeline de génération de données d'entraînement pour agents d'entreprise

    ServiceNow CoreAI présente AutoSynthData, un pipeline qui transforme les échecs d'un modèle cible et les succès d'un enseignant plus fort en nouvelles tâches d'entraînement validées dans l'environnement. Le système génère des tâches composées d'une spécification système, d'un prompt utilisateur et d'un vérificateur, avec des contrôles de faisabilité, de réalisme et de difficulté, puis une vérification positive et négative et une phase de réparation. Sur EnterpriseOps Gym Hybrid, avec Gemma-4-26B-A4B-it comme cible et Qwen3.8-27B comme enseignant, 2 000 échantillons générés en environ 18 heures améliorent le Pass@1 moyen de 7,2 points, soit une hausse relative de 35 %, et le taux de succès du vérificateur passe de 63,01 % à 68,55 %. Sur ITSM, avec DeepSeek-V4.1-Flash comme enseignant, 1 994 échantillons générés en 66 heures font passer le Pass@1 moyen de 18,77 % à 27,18 %.

    Motif de la recommandation :L'article détaille un pipeline de génération de données d'entraînement pour agents d'entreprise, avec les critères de qualité et les résultats chiffrés sur deux domaines.