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.
IBM et Hugging Face présentent Granite 4.1, une famille de modèles de langage optimisés pour les tâches d'entreprise. Les modèles incluent des versions de 8B à 34B paramètres, avec support multilingue et capacités de raisonnement améliorées.
DeepInfra rejoint les fournisseurs d'inférence Hugging Face. Intégration permettant d'accéder à des modèles via l'API DeepInfra directement depuis la plateforme Hugging Face.
NVIDIA lance Nemotron 3 Nano Omni, un modèle multimodal capable de traiter documents, audio et vidéo avec contexte long. Optimisé pour les agents, il combine vision, voix et traitement textuel dans une architecture unifiée.
Hugging Face publie un guide pour construire des applications web scalables en utilisant le Privacy Filter d'OpenAI. La solution permet de traiter les données sensibles sans les exposer directement aux API OpenAI.
DeepSeek-V4 atteint 1 million de tokens de contexte utilisables par les agents. Le modèle améliore la gestion des longs contextes et la capacité à traiter des tâches complexes multi-étapes.
Hugging Face publie un guide pour intégrer Transformers.js dans une extension Chrome. La bibliothèque permet d'exécuter des modèles de transformers directement dans le navigateur sans serveur backend.
Hugging Face lance QIMMA, un classement d'LLM arabes axé sur la qualité. La plateforme évalue les modèles de langage arabes selon des critères rigoureux, offrant une référence transparente pour les performances en arabe.
Hugging Face argumente que l'ouverture en IA est cruciale pour la cybersécurité. Les modèles open-source permettent une meilleure détection des vulnérabilités et une transparence accrue face aux menaces. L'article plaide contre les approches propriétaires fermées.
Hugging Face présente Ecom-RLVE, un environnement d'entraînement adaptatif et vérifiable pour les agents conversationnels e-commerce. Le système utilise le reinforcement learning avec des environnements simulés pour optimiser les interactions client et les taux de conversion.
Sentence Transformers ajoute le support natif des modèles multimodaux (texte + image) pour l'entraînement et le fine-tuning d'embeddings et de rerankers. La mise à jour inclut des exemples de code, des modèles pré-entraînés et des benchmarks de performance.
Hugging Face analyse VAKRA, un framework d'agents explorant le raisonnement, l'utilisation d'outils et les modes de défaillance. Étude des capacités et limitations des systèmes multi-agents avec focus sur la robustesse et les cas d'erreur.
Hugging Face publie Waypoint-1.5, un modèle de simulation 3D interactive optimisé pour GPUs grand public. Le système génère des mondes virtuels haute fidélité contrôlables en temps réel, réduisant les besoins en ressources computationnelles par rapport aux versions antérieures.
Hugging Face annonce de nouveaux modèles multimodaux d'embedding et de reranking intégrés à Sentence Transformers. Ces modèles combinent texte et images pour améliorer la recherche sémantique et le classement de pertinence dans les systèmes RAG.
Safetensors, le format de sérialisation de modèles IA créé par Hugging Face, rejoint officiellement la PyTorch Foundation. Cette intégration renforce la standardisation des formats de stockage pour les modèles d'apprentissage profond.
Google DeepMind lance Gemma 4, un modèle multimodal frontier capable de traiter texte, images et vidéo. Optimisé pour l'inférence sur appareil, il offre des capacités de raisonnement avancées et surpasse les modèles concurrents sur les benchmarks clés.
Hugging Face présente Falcon Perception, un modèle de vision multimodal capable de traiter images et vidéos. Le modèle combine perception visuelle et compréhension du langage pour des tâches d'analyse multimodale.
Gradio permet désormais de construire des interfaces personnalisées en utilisant son backend sans dépendre de l'interface par défaut. Les développeurs peuvent créer des frontends custom en JavaScript/React tout en exploitant l'infrastructure Gradio existante.
IBM et Hugging Face lancent Granite 4.0 3B Vision, un modèle multimodal compact de 3 milliards de paramètres optimisé pour l'analyse de documents d'entreprise. Le modèle combine vision et langage pour traiter des images et du texte, conçu pour fonctionner efficacement sur du matériel limité.
Hugging Face a entraîné des modèles de langage sur des séquences d'ARNm de 25 espèces pour 165 dollars. Les modèles capturent les patterns biologiques et permettent des prédictions de structure secondaire et d'expression génique sans annotation manuelle.
Hugging Face publie TRL v1.0, une bibliothèque de post-training pour l'entraînement de modèles de langage. La version 1.0 marque la stabilité de l'API et inclut support de DPO, PPO, et optimisations pour modèles comme Llama et Mistral.
Hugging Face lance OpenClaw, un outil open-source pour libérer les capacités de manipulation robotique. Le projet vise à démocratiser l'accès aux technologies de contrôle de gripper et de bras robotiques via une plateforme collaborative.
Hugging Face présente EVA, un nouveau framework pour évaluer les agents vocaux. Le framework établit des métriques standardisées pour mesurer la performance, la robustesse et l'utilité des systèmes de dialogue vocal en production.
Hugging Face publie un guide pour construire un modèle d'embedding spécialisé en moins d'une journée. La méthode utilise des techniques de fine-tuning efficaces sur des données de domaine spécifique pour créer des embeddings optimisés sans infrastructure coûteuse.
Hugging Face publie son rapport semestriel sur l'écosystème open source. Le rapport couvre les tendances des modèles, datasets et outils disponibles sur la plateforme au printemps 2026, avec métriques sur la croissance et l'adoption.
Hugging Face présente Holotron-12B, un agent IA de 12 milliards de paramètres conçu pour l'automatisation de tâches informatiques à haut débit. Le modèle combine vision et capacités d'action pour interagir avec des interfaces utilisateur.
Hugging Face introduit les Storage Buckets sur son Hub, permettant aux utilisateurs de stocker et gérer des fichiers volumineux directement sur la plateforme. Cette fonctionnalité simplifie le partage de datasets, modèles et artefacts sans dépendre de services externes.
Hugging Face analyse 16 bibliothèques open-source de reinforcement learning pour identifier les meilleures pratiques en gestion des tokens et optimisation des flux de données. L'étude documente les patterns d'implémentation, les défis de scalabilité et les recommandations pour maintenir l'efficacité des systèmes RL en production.
LeRobot v0.5.0 améliore la scalabilité sur tous les axes : modèles plus grands, datasets étendus, support multi-robot et optimisations d'entraînement. La plateforme open-source pour la robotique atteint une maturité production avec benchmarks standardisés et intégration d'architectures modernes.