Evaluating potential cybersecurity threats of advanced AI
Google DeepMind publie un cadre d'évaluation des menaces cybersécurité posées par les IA avancées. L'outil aide les experts à identifier les défenses nécessaires et à les prioriser.
Google DeepMind publie un cadre d'évaluation des menaces cybersécurité posées par les IA avancées. L'outil aide les experts à identifier les défenses nécessaires et à les prioriser.
Hugging Face accélère l'inférence des LLM via Text Generation Inference (TGI) sur les processeurs Intel Gaudi. La solution optimise la latence et le débit pour les déploiements en production.
Gradio lance une nouvelle version de son composant Dataframe avec interface améliorée pour manipuler et visualiser des données tabulaires. Le composant offre édition en ligne, tri, filtrage et export natifs sans code supplémentaire.
Hugging Face déploie de nouveaux outils d'analytics pour ses Inference Endpoints, permettant aux utilisateurs de monitorer performance, latence et utilisation des ressources en temps réel.
NVIDIA annonce à GTC 2025 de nouveaux modèles ouverts et datasets pour les développeurs de Physical AI. L'initiative vise à accélérer la recherche en robotique et systèmes autonomes via des ressources open-source.
Xet, un outil de gestion de versions pour données volumineuses et modèles ML, est désormais disponible sur Hugging Face Hub. Intégration native pour versionner fichiers volumineux, datasets et checkpoints sans friction.
Hugging Face publie la mise à jour #3 d'Open R1, son modèle de raisonnement open-source. L'update détaille les progrès en capacités de raisonnement et les améliorations apportées au modèle depuis les versions précédentes.
Guide pratique pour exécuter des LLM sur appareil mobile via React Native. Hugging Face démontre comment déployer des modèles de langage directement sur téléphone sans connexion serveur, avec exemples de code et benchmarks de performance.
Hugging Face et JFrog s'associent pour améliorer la transparence en matière de sécurité IA. Le partenariat vise à intégrer des outils de sécurité et de conformité dans l'écosystème Hugging Face, permettant aux développeurs de mieux évaluer les risques des modèles et dépendances.
Arize Phoenix permet de tracer et évaluer les agents IA. L'outil offre une visibilité sur les appels d'API, les décisions d'agent et les performances. Intégration avec les frameworks populaires pour le monitoring en production.
Mercari intègre GPT-4o mini et GPT-4 pour améliorer les annonces produits et assister les vendeurs. Les nouvelles fonctionnalités incluent AI Listing Support et Mercari AI Assistant, visant à augmenter les ventes sur la plateforme.
Endex construit un analyste financier autonome utilisant o1 et o3-mini d'OpenAI. Les modèles de raisonnement permettent une analyse financière avancée sans intervention manuelle.
Hugging Face intègre les VAE (autoencodeurs variationnels) distants dans Inference Endpoints pour le décodage. Cette fonctionnalité permet d'utiliser des modèles VAE hébergés à distance sans les charger localement, optimisant les ressources et la latence.
Hugging Face présente SigLIP 2, un encodeur vision-langage multilingue amélioré. Le modèle offre de meilleures performances sur les tâches de vision et de compréhension multilingue par rapport à la version précédente.
Hugging Face ajoute trois nouveaux fournisseurs d'inférence serverless : Hyperbolic, Nebius AI Studio et Novita. Ces intégrations élargissent les options de déploiement de modèles via la plateforme Hugging Face.
Hugging Face corrige son classement Open LLM en intégrant Math-Verify, une méthode de vérification mathématique pour évaluer plus précisément les capacités de raisonnement des modèles de langage. Cette amélioration adresse les limitations des métriques précédentes.
OpenAI publie une mise à jour de sa Model Spec, le document définissant les comportements attendus de ses modèles. Cette spécification guide le développement et l'évaluation des capacités et des limites de sécurité.
Hugging Face optimise les uploads et downloads sur le Hub en remplaçant le système de chunks par des blocks. Cette architecture réduit la latence et améliore la stabilité des transferts de fichiers volumineux.
Hugging Face publie la mise à jour #2 d'Open R1, son modèle de raisonnement open-source. L'update apporte des améliorations de performance et de capacités de reasoning sur des tâches complexes.
OpenAI s'associe à Schibsted Media Group pour intégrer le contenu du Guardian et ses archives dans ChatGPT. Partenariat de distribution de contenu médiatique.
OpenAI introduit la résidence des données en Europe, renforçant ses programmes de confidentialité, sécurité et conformité pour les clients d'entreprise.
OpenAI déploie ses derniers modèles de raisonnement auprès des laboratoires nationaux américains pour accélérer les découvertes scientifiques.
Hugging Face publie un guide pour déployer et fine-tuner les modèles DeepSeek sur AWS. Le tutoriel couvre l'infrastructure cloud, l'optimisation des ressources et les étapes pratiques de fine-tuning sur la plateforme AWS.
Hugging Face publie un état des lieux des modèles open-source de génération vidéo intégrés dans Diffusers. L'article couvre les architectures, performances et cas d'usage des principaux modèles disponibles.
KVPress est une technique de compression pour les caches clé-valeur des LLM, réduisant l'usage mémoire sans dégrader les performances sur contextes longs. Hugging Face présente la méthode et son intégration dans les modèles.
Hugging Face et FriendliAI s'associent pour optimiser le déploiement de modèles sur le Hub. Le partenariat vise à améliorer les performances d'inférence et l'accessibilité des modèles via l'intégration de la technologie de FriendliAI.
OpenAI annonce Stargate, un projet d'infrastructure pour l'AGI en partenariat stratégique. L'initiative vise à mobiliser l'écosystème industriel : data centers, énergie, terrains, construction et équipements.
Hugging Face analyse la corrélation entre les émissions CO₂ et la performance des modèles sur l'Open LLM Leaderboard. L'étude révèle que les modèles plus grands consomment davantage d'énergie sans amélioration proportionnelle des résultats, questionnant l'efficacité énergétique de l'entraînement LLM.
Hugging Face publie un guide pour visualiser et comprendre l'utilisation mémoire GPU dans PyTorch. L'article fournit des outils et techniques pour diagnostiquer les goulots d'étranglement mémoire lors de l'entraînement de modèles.
Hugging Face présente ModernBERT, un modèle conçu pour remplacer BERT en intégrant des architectures modernes. Le modèle améliore les performances sur les tâches de classification et de représentation textuelle avec une efficacité computationnelle accrue.
Hugging Face publie un benchmark de performance des modèles de langage sur processeurs Xeon 5ème génération sur GCP. Évaluation de latence et throughput pour différentes architectures de modèles.
Hugging Face lance un générateur de données synthétiques permettant de créer des datasets via langage naturel. L'outil automatise la production de données d'entraînement sans annotation manuelle coûteuse.
Analyse de 78 deepfakes électoraux : la désinformation politique ne provient pas principalement de l'IA. Les problèmes de manipulation électorale précèdent la technologie et ne peuvent être résolus par des solutions technologiques seules.
Hugging Face lance LeMaterial, une initiative open source pour accélérer la découverte de matériaux. Le projet combine modèles d'IA et données publiques pour aider chercheurs et industriels à explorer de nouveaux matériaux plus rapidement.
Hugging Face publie un dataset ouvert de préférences pour la génération texte-vers-image, créé par la communauté. Le dataset contient des annotations de préférences humaines pour entraîner et évaluer les modèles de génération d'images.
Sora est le modèle de génération vidéo d'OpenAI, capable de produire des vidéos à partir de texte, images ou vidéos en entrée. Il s'appuie sur les apprentissages de DALL-E et GPT pour offrir de nouveaux outils de narration et d'expression créative.
Hugging Face teste la capacité des LLM à corriger leurs propres erreurs via une arène de chatbot utilisant Keras et TPU. L'expérience évalue si les modèles peuvent identifier et réparer leurs réponses incorrectes sans intervention externe.
Hugging Face présente une étude de cas montrant comment affiner des petits modèles en exploitant les insights de grands LLM. La méthode CFM (Contrastive Fine-tuning Method) améliore les performances des modèles compacts sans augmenter significativement les coûts computationnels.
Hugging Face publie un guide pour les développeurs open-source sur la conformité à la loi IA de l'UE. Le document couvre les obligations légales, les catégories de risque et les implications pour les modèles et systèmes IA open-source.
Hugging Face restructure son infrastructure d'uploads et downloads. La plateforme optimise ses systèmes de stockage et de transfert de fichiers pour améliorer la performance et la fiabilité des opérations de modèles et datasets.