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 · Au total 230 entrées
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.
Motif de la recommandation :L'article détaille les changements de capacité et les métriques des trois modèles vocaux Granite, utile pour choisir le modèle adapté à un scénario de transcription.
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.
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.
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.
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.
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.
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.
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.
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.
Motif de la recommandation :Présente les capacités et le coût d'exécution de FLUX.3 Image Klein, avec des repères concrets pour évaluer son intégration dans les pipelines existants.
Motif de la recommandation :Les notes de version détaillent les changements de capacités et le pipeline d'entraînement ouvert, ce qui permet de juger de l'écart avec la version 1.0.
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.
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.
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.
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.
Motif de la recommandation :Falcon-ASR couvre l'arabe et quatre autres langues avec les mêmes poids, et détaille les écarts de WER face aux systèmes comparés.
Motif de la recommandation :Deux modèles de décision ouverts avec benchmarks, latences sur Jetson et code de chargement, utiles pour évaluer le déploiement edge.
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.
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.