27 articles
Google publie Gemma 2 2B, un modèle léger optimisé pour l'inférence. ShieldGemma offre une protection contre les contenus nuisibles. Gemma Scope fournit des outils d'interprétabilité pour analyser le fonctionnement interne des modèles.
Hugging Face intègre Quanto dans Diffusers pour réduire la consommation mémoire des Diffusion Transformers. La quantification permet d'exécuter des modèles de génération d'images sur du matériel limité sans dégradation significative de qualité.
Hugging Face et NVIDIA lancent une intégration pour l'inférence serverless via NVIDIA NIM. Les utilisateurs peuvent déployer des modèles sans gérer l'infrastructure, avec scaling automatique et optimisations NVIDIA.
Critique des estimations de probabilité de risque existentiel IA présentées comme quantifiées. L'article dénonce comment la spéculation est transformée en chiffres apparemment rigoureux pour influencer les politiques publiques, sans fondement empirique solide.
OpenAI teste SearchGPT, un prototype de nouvelles fonctionnalités de recherche offrant des réponses rapides et actualisées avec sources claires et pertinentes.
Hugging Face présente LAVE, une méthode d'évaluation zero-shot pour VQA (Visual Question Answering) sur Docmatix utilisant des LLMs. L'étude questionne la nécessité du fine-tuning traditionnel pour les tâches de compréhension visuelle.
OpenAI présente une méthode de récompenses basées sur des règles (RBR) pour aligner les modèles sur des comportements sûrs sans collecter massivement de données humaines.
Meta lance Llama 3.1 en trois tailles (405B, 70B, 8B) avec support multilingue et contexte étendu. Les modèles supportent 128k tokens et couvrent 8 langues. Disponibles en open-source via Hugging Face.
Hugging Face démontre l'exécution de Mistral 7B sur Core ML, le framework d'Apple pour l'inférence sur appareil. La conversion et l'optimisation du modèle permettent son déploiement natif sur macOS et iOS sans dépendre de serveurs externes.
OpenAI lance GPT-4o mini, un modèle plus petit et moins coûteux que GPT-4o. Il offre des performances comparables sur de nombreuses tâches tout en réduisant les coûts d'inférence. Le modèle supporte texte, vision et audio.
OpenAI lance des outils de conformité pour ChatGPT Enterprise : intégrations API de conformité, support SCIM et contrôles GPT pour gérer l'accès utilisateur, la sécurité des données et les programmes de conformité à grande échelle.
Hugging Face publie Docmatix, un dataset massif pour le Document Visual Question Answering (DocVQA). Le dataset contient des milliers de documents avec questions-réponses visuelles pour entraîner des modèles à comprendre et extraire l'information de documents.
Hugging Face lance TGI Multi-LoRA, permettant de déployer une seule instance pour servir 30 modèles via LoRA. Réduit les coûts d'infrastructure et simplifie la gestion multi-modèles en production.
OpenAI présente les prover-verifier games, une méthode pour améliorer la lisibilité des sorties de modèles de langage. Cette approche rend les solutions IA plus claires, vérifiables et fiables pour les humains et les machines.
Hugging Face présente SmolLM, une famille de modèles de langage légers et rapides. Les modèles offrent des performances remarquables malgré leur taille réduite, optimisés pour l'inférence rapide et l'efficacité énergétique.
Hugging Face a utilisé distilabel pour créer un chatbot Argilla 2.0. L'approche combine la génération de données synthétiques et l'annotation pour améliorer les capacités conversationnelles du système.
NuminaMath a remporté le 1er AIMO Progress Prize en combinant des techniques de fine-tuning et de synthèse de données sur des modèles de base. La solution utilise le raisonnement mathématique avancé pour résoudre des problèmes olympiques complexes.
OpenAI et le Los Alamos National Laboratory s'associent pour développer des évaluations de sécurité mesurant les capacités biologiques et les risques des modèles de frontier.
Hugging Face expérimente la détection automatique des données personnelles (PII) sur son Hub via Presidio. L'outil identifie et masque les informations sensibles (noms, emails, numéros) dans les datasets et modèles. Objectif : améliorer la confidentialité et la conformité réglementaire.
Hugging Face annonce une intégration avec KerasHub pour faciliter l'accès aux modèles et datasets. Cette collaboration permet aux développeurs Keras d'utiliser directement les ressources de la plateforme Hugging Face dans leurs workflows.
Hugging Face présente une méthode d'optimisation des préférences pour les modèles de vision-langage. La technique améliore l'alignement des modèles VLM avec les préférences humaines sans nécessiter de données de récompense explicites, en utilisant des comparaisons pairées d'images et de texte.
Google Cloud met ses TPUs à disposition des utilisateurs de Hugging Face via une intégration directe. Les utilisateurs peuvent accéder aux accélérateurs TPU pour l'entraînement et l'inférence de modèles sans configuration complexe.
Banque des Territoires, Polyconseil et Hugging Face collaborent pour déployer une solution IA souveraine dans un programme environnemental français majeur. Le projet utilise l'infrastructure Hugging Face pour traiter des données sensibles en conformité réglementaire, sans dépendre de services cloud étrangers.
Hugging Face introduit de nouvelles fonctionnalités de recherche de datasets. Les utilisateurs peuvent désormais filtrer par taille, licence, langue et tâche. L'interface améliorée facilite la découverte de ressources pour l'entraînement de modèles.
Un article critique sur l'évaluation des agents IA. Remet en question les méthodes actuelles de benchmarking et propose une réflexion sur ce qui constitue un agent IA pertinent.
Hugging Face optimise le modèle de langage protéique ProtST sur Intel Gaudi 2, accélérant l'inférence et l'entraînement. Les benchmarks montrent des gains de performance significatifs sur l'accélérateur Intel pour les tâches de prédiction de structure protéique.
L'agent de code Transformers de Hugging Face atteint 92% de précision sur le benchmark GAIA, surpassant Claude 3.5 Sonnet (92%) et GPT-4o (87.9%). L'agent combine recherche web, exécution de code et raisonnement multi-étapes pour résoudre des tâches complexes.