Hugging Face présente MolmoMotion, un modèle de prévision de mouvement 3D guidé par le langage naturel. Le système combine vision et langage pour anticiper les trajectoires futures à partir de vidéos, ouvrant des applications en robotique et animation.
Hugging Face et Strands intègrent des modèles du Hub avec LeRobot pour déployer des agents IA sur du matériel robotique. La plateforme permet aux développeurs d'utiliser des modèles pré-entraînés pour contrôler des robots physiques directement.
Hugging Face annonce GLM-5.2, un modèle conçu pour les tâches longue portée. Le modèle améliore la capacité à traiter des contextes étendus et des workflows complexes multi-étapes.
Hugging Face introduit la découverte de ressources agentique, permettant aux agents IA de rechercher et d'accéder autonomement à des modèles, datasets et outils disponibles sur la plateforme. Cette capacité renforce l'autonomie des agents dans l'exécution de tâches complexes.
Hugging Face lance olmo-eval, un banc d'essai d'évaluation pour le cycle de développement des modèles. L'outil automatise les tests de performance et facilite l'itération rapide lors de l'entraînement et du fine-tuning de modèles de langage.
Deuxième partie d'un guide sur le profilage PyTorch. Analyse détaillée des performances d'une couche nn.Linear et construction d'un MLP fusionné optimisé. Démonstration des techniques de fusion d'opérations pour réduire la latence et améliorer l'efficacité computationnelle.
Hugging Face évalue les capacités des modèles ASR frontier (Whisper, Canary, Conformer) sur la parole code-switched bilingue. Les résultats montrent des écarts significatifs de performance selon les paires de langues et les modèles, révélant des limitations des agents vocaux actuels pour servir des clients multilingues.
Cohere lance North Mini Code, son premier modèle dédié aux développeurs. Le modèle est optimisé pour la génération et la complétion de code, avec support multilingue et intégration dans l'écosystème Hugging Face.
Un agent IA a construit une galerie 3D de Paris en chaînant deux Hugging Face Spaces. Le système a orchestré automatiquement la génération d'images et la création d'environnement 3D sans intervention manuelle.
Un chercheur a fine-tuné un modèle de langage pour générer du contenu optimisé pour les cerveaux ADHD, en maximisant l'engagement dopaminergique. L'approche combine fine-tuning sur des données curées et évaluation via des métriques comportementales.
Hugging Face propose un guide de migration des pipelines CI/CD de GitHub vers Hugging Face Jobs. La plateforme offre une alternative native pour automatiser les tests et déploiements directement dans l'écosystème Hugging Face.
Étude de Hugging Face sur l'émergence de comportements dans un système multi-modèles. Simulation d'une économie à cinq modèles IA montrant comment des crashes peuvent survenir et disparaître selon les interactions entre agents. Analyse des phénomènes de contrôle et d'émergence dans les systèmes complexes.
Hugging Face a développé Pakistan Notice Helper, un petit outil IA pour résoudre un problème de sécurité local spécifique au Pakistan. L'outil utilise des modèles légers adaptés aux besoins régionaux et aux contraintes de ressources.
La communauté open source soutient OpenEnv, une plateforme pour l'apprentissage par renforcement agentic. Le projet bénéficie d'une adoption croissante et d'une collaboration active au sein de l'écosystème open source.
Hugging Face présente Room360, une plateforme de reconstruction 3D spatiale à partir de vidéo. L'outil convertit des séquences vidéo en modèles 3D exploitables pour applications immersives et architecturales.
OpenAI propose des vouchers Codex aux sponsors de Hugging Face pour tester le modèle de génération de code. Initiative de partenariat entre OpenAI et la plateforme communautaire.
Hugging Face lance Her, un outil de débogage pour les sessions Claude Code. Her analyse les interactions et identifie les problèmes dans les workflows de codage assisté par IA.
Hugging Face présente une expérience collaborative entre cinq laboratoires utilisant des petits modèles pour construire un scénario financier dramatisé. Le projet démontre comment des modèles de taille réduite peuvent être orchestrés pour générer des narratifs complexes dans un domaine spécialisé.
Hugging Face lance Job Searcher, un outil de recherche d'emploi alimenté par l'IA qui aide les candidats à trouver des postes pertinents. L'outil utilise des modèles de langage pour analyser les offres et matcher les profils.
Hugging Face présente Persona Atlas, un outil cartographiant les styles de pensée de personnalités célèbres. Le projet analyse les patterns cognitifs et les approches décisionnelles de figures publiques via des modèles de langage.
Hugging Face déploie une économie multi-agent sur un modèle 3B (3 milliards de paramètres). Le système « Thousand Token Wood » permet à des agents autonomes d'interagir, négocier et échanger des ressources dans un environnement simulé avec contraintes de tokens limitées.
NVIDIA lance Nemotron 3.5 Content Safety, un modèle de sécurité multimodal open-source pour détecter contenus nuisibles (texte, image, vidéo). Personnalisable pour entreprises globales, il offre contrôle granulaire des politiques de modération selon régions et cas d'usage.
Hugging Face publie un guide pour fine-tuner Nemotron 3.5 ASR, le modèle de reconnaissance vocale de NVIDIA. La méthode permet d'adapter le modèle à des langues, domaines ou accents spécifiques via fine-tuning.
Hugging Face publie EVA-Bench Data 2.0, un benchmark couvrant 3 domaines, 121 outils et 213 scénarios pour évaluer les agents IA multi-outils. Expansion majeure de la version précédente pour tester la capacité des modèles à orchestrer des outils complexes.
Nvidia publie une méthode de génération synthétique de Q&A guidée par des tâches pour le préentraînement de Nemotron. La technique utilise des seeds de tâches pour créer des données d'entraînement diversifiées et de haute qualité, améliorant les capacités du modèle sur des benchmarks variés.
Hugging Face redesigne son CLI pour l'optimiser en tant qu'agent. L'interface en ligne de commande devient agent-friendly avec des commandes structurées et des réponses parsables, permettant aux systèmes autonomes d'interagir directement avec le Hub.
Hugging Face explore l'application de DPO (Direct Preference Optimization) au-delà des chatbots, notamment pour l'optimisation de modèles de vision et de raisonnement. L'article détaille comment cette technique d'alignement peut améliorer les performances sur des tâches complexes sans nécessiter de modèle de récompense explicite.
Hugging Face intègre les outils MCP (Model Context Protocol) à Reachy Mini, un robot humanoïde. Cette intégration permet au robot d'accéder à des outils externes via le protocole MCP, élargissant ses capacités d'interaction et d'autonomie.
Hugging Face présente Holo3.1, un agent informatique local et rapide capable d'automatiser des tâches sur ordinateur. Le modèle fonctionne sans cloud, offrant vitesse et confidentialité pour l'exécution d'actions système.
JetBrains lance Mellum2, un modèle Mixture-of-Experts de 12B paramètres. Le modèle combine efficacité computationnelle et performance, conçu pour les tâches de code et de raisonnement.
Hugging Face argue que l'adoption IA en entreprise dépasse les LLM seuls et nécessite une logique d'agents scalable. L'article explore comment les systèmes multi-agents et l'orchestration deviennent critiques pour déployer l'IA au-delà des cas d'usage simples.
NVIDIA lance Cosmos 3, un modèle omni ouvert pour l'IA physique capable de raisonner et d'agir. Le modèle traite vidéo, texte et images pour comprendre la physique du monde réel et générer des actions robotiques.
Guide d'introduction au profiling PyTorch avec torch.profiler. Explique comment mesurer les performances et identifier les goulots d'étranglement dans les modèles d'IA, avec exemples pratiques pour débutants.
ITBench-AA, nouveau benchmark créé par Artificial Analysis et IBM, évalue les capacités des modèles frontier sur des tâches IT d'entreprise agentic. Les meilleurs modèles (Claude, GPT-4, Gemini) obtiennent moins de 50% de réussite, révélant des lacunes significatives dans l'automatisation des workflows IT complexes.
Hugging Face introduit Delta Weight Sync dans TRL pour optimiser le déploiement de modèles trillion-paramètres. La technique synchronise uniquement les changements de poids plutôt que les modèles complets, réduisant drastiquement les besoins en stockage et bande passante pour les mises à jour.
Reachy Mini, robot humanoïde de Pollen Robotics, fonctionne désormais entièrement en local sans connexion cloud. Intégration de modèles open-source (Llama, Whisper) pour la vision, la parole et le contrôle moteur. Déploiement sur hardware embarqué.
Hugging Face clarifie la terminologie des agents IA : distinction entre harness (infrastructure d'exécution), scaffold (structure de coordination) et agent (système autonome). Définitions essentielles pour éviter la confusion dans l'écosystème.
Nvidia et Hugging Face présentent Nemotron-Labs, des modèles de langage basés sur la diffusion pour accélérer la génération de texte. L'approche parallélise la génération de tokens, réduisant la latence par rapport aux méthodes autorégressives traditionnelles.
Hugging Face argue que la spécialisation des modèles IA surpasse l'échelle brute dans les décisions d'achat. Les organisations privilégient souvent les grands modèles généralistes, ignorant que des modèles spécialisés plus petits offrent meilleure performance et coûts réduits pour des tâches spécifiques.
Hugging Face publie OlmoEarth v1.1, une famille de modèles plus efficaces pour les tâches géospatiales. Les nouveaux modèles offrent des améliorations de performance et de vitesse d'inférence comparés à la version précédente.
Hugging Face présente la famille de modèles Ettin Reranker, conçus pour améliorer la pertinence des résultats de recherche et RAG. Ces rerankers optimisent le classement des documents après une première phase de récupération.
Hugging Face publie un guide pour fine-tuner NVIDIA Cosmos Predict 2.5, un modèle de génération vidéo robotique, via LoRA/DoRA. La méthode réduit les besoins en ressources GPU tout en maintenant la qualité de génération pour des cas d'usage robotiques spécialisés.
PaddleOCR 3.5 intègre un backend Transformers pour les tâches OCR et parsing de documents. La nouvelle version améliore la précision et la flexibilité en exploitant les modèles Transformers, permettant une meilleure reconnaissance de texte et extraction de données structurées.
Hugging Face lance un leaderboard public pour évaluer les agents IA open-source. La plateforme classe les modèles selon leur capacité à accomplir des tâches complexes, avec benchmarks reproductibles et transparence des résultats.
IBM et Hugging Face publient Granite Embedding Multilingual R2, un modèle d'embeddings open-source sous licence Apache 2.0. Le modèle supporte 32K tokens de contexte et offre la meilleure qualité de retrieval dans sa catégorie sub-100M paramètres sur plusieurs langues.
Hugging Face présente une technique d'asynchronicité pour l'optimisation du batching continu dans les serveurs d'inférence. La méthode améliore le débit en gérant les requêtes de manière non-bloquante, réduisant la latence et augmentant l'utilisation des ressources GPU.
Hugging Face et AWS collaborent pour fournir des briques de base optimisées pour l'entraînement et l'inférence de modèles de fondation sur l'infrastructure AWS, incluant intégrations avec SageMaker et outils open-source.
Hugging Face présente EMO, un modèle de mélange d'experts (MoE) préentraîné conçu pour développer une modularité émergente. L'approche vise à créer des experts spécialisés qui se forment naturellement pendant l'entraînement, améliorant l'efficacité et la performance du modèle.
vLLM passe de la v0 à la v1 en mettant l'accent sur la correction avant les optimisations. La mise à jour introduit des améliorations de fiabilité et de précision dans l'inférence LLM, avec un focus sur la validation des résultats avant d'appliquer des techniques d'apprentissage par renforcement.
Hugging Face ajoute un filtre anti-Benchmaxxer au leaderboard ASR open-source pour éviter les optimisations artificielles sur les benchmarks. Le système détecte les modèles sur-optimisés pour les métriques de test sans généralisation réelle.